A utilizaÃÃo das redes neurais artificiais (RNA) na estimativa de recalques em fundaÃÃes
profundas à comprovadamente uma ferramenta eficiente. Nos trabalhos de AmÃncio (2013) e
Silveira (2014), o emprego das RNA apresentou bons resultados para a previsÃo de recalques
em estacas hÃlices contÃnuas, estacas cravadas metÃlicas e estacas escavadas. PorÃm, algumas
estacas modeladas apresentaram comportamento muito distante dos resultados reais, onde os
resultados da modelagem indicaram aumentos bruscos na rigidez do sistema solo-estaca. Nesta
pesquisa, foi desenvolvido um modelo com uma rede neural do tipo perceptron multicamadas
de forma a melhorar o desempenho dos modelos de AmÃncio (2013) e Silveira (2014). Para
desenvolvimento do trabalho, inicialmente foram feitas anÃlises dos resultados de sondagens Ã
percussÃo do tipo SPT e provas de carga estÃticas das 199 estacas utilizadas no trabalho
apresentado por Silveira (2014), fazendo-se uma avaliaÃÃo da consistÃncia das informaÃÃes,
com o objetivo de ter um conjunto mais heterogÃneo e representativo. ApÃs a realizaÃÃo de
alteraÃÃes, chegou-se a um conjunto com 141 estacas, totalizando 1.320 exemplos do tipo
entrada-saÃda. Foram definidas como variÃveis de entrada do modelo: o tipo de estaca, o
comprimento da estaca, o diÃmetro da estaca, o nÃmero representativo dos valores de NSPT ao
longo do fuste da estaca (denominada NF), o NSPT na ponta da estaca, profundidade da camada
de influÃncia da carga em relaÃÃo a ponta da estaca, o fator representativo das camadas de solo
argiloso, o fator representativo das camadas de solo siltoso, o fator representativo das camadas
de solo arenoso e a carga aplicada. Foram estudadas quatro diferentes formas de cÃlculo da
variÃvel de entrada NF, sendo estas: soma, mÃdia, soma ponderada e mÃdia ponderada. Com as
variÃveis de entrada apresentadas foram trabalhados modelos onde a variÃvel de saÃda fosse o
recalque da fundaÃÃo profunda. A modelagem das RNA foi feita utilizando o programa QNET
2000, e foram realizados o treinamento e a validaÃÃo de diferentes arquiteturas. O modelo que
teve melhor desempenho apresentou coeficiente de correlaÃÃo entre os recalques reais e os
recalques modelados no treinamento de 0,99 e na validaÃÃo de 0,98. Os resultados obtidos
mostraram-se melhores que os de AmÃncio (2013) e Silveira (2014), que na fase de validaÃÃo,
apresentaram correlaÃÃes de 0,89 e 0,94 respectivamente. O modelo final deste trabalho possui
uma arquitetura formada por 10 nÃs na camada de entrada, 34 neurÃnios distribuÃdos ao longo
de quatro camadas ocultas e um neurÃnio na camada de saÃda (A:10-15-9-7-3-1), utilizando a
mÃdia para cÃlculo do nÃmero representativo dos valores de NSPT ao longo do fuste da estaca. / use of artificial neural networks (ANN) in the estimation of settlements in foundations
deep has proven an effective tool. The work of Amancio (2013) and
Silveira (2014), the use of RNA showed good results for predicting settlements
in continuous stakes propellers, metal piles driven and bored piles. However, some
modeled stakes had far behavior of real results, where
modeling results indicate sharp increases in stiffness soil-cutting system. In this
research, it developed a model with a neural network of the multilayer perceptron
to improve the performance of the models AmÃncio (2013) and Silveira (2014). To
development work initially polls results of analyzes were made
Percussion SPT and static load tests of 199 stakes used at work
presented by Silveira (2014), making up an assessment of the consistency of the information,
in order to have a more heterogeneous and the representative assembly. After conducting
changes, has come up with a set with 141 stakes, totaling 1,320 examples of the type
entrance exit. Were defined as model input variables: the type of pile, the
length of the pile, the pile diameter, the number of representative values ​​when NSPT
Over stake stem (called NF), the NSPT on the edge of the pile, depth of the layer
the influence of load relative to the cutting edge, the factor representative of the soil layers
clay, the representative factor of silty soil layers, the representative factor of the layers
sandy soil and the applied load. Four different ways of calculation have been studied in
NF input variable, which are: sum, average, weighted sum and weighted average. With
input variables presented were worked models where the output variable was the
repression of deep foundation. The modeling of RNA was made using the QNET program
2000 and were carried out training and validation of different architectures. The model
had better performance showed correlation coefficient between the actual settlements and
settlements modeled in the training of 0.99 and 0.98 in the validation. The results
proved to be better than those of Amancio (2013) and Silveira (2014), which in the validation phase,
They showed correlations of 0.89 and 0.94 respectively. The final model of this work has
an architecture comprised of 10 nodes in the input layer, 34 neurons distributed throughout
four hidden layers, and one neuron in the output layer (A: 10-15-9-7-3-1) using
to calculate the average number of NSPT representative values ​​along the cutting shaft.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.teses.ufc.br:9698 |
| Date | 24 April 2015 |
| Creators | Carla Beatriz Costa de AraÃjo |
| Contributors | Silvrano Adonias Dantas Neto, Anderson Borghetti Soares, Paulo Josà Rocha de Albuquerque |
| Publisher | Universidade Federal do CearÃ, Programa de PÃs-GraduaÃÃo em Engenharia Civil, UFC, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFC, instname:Universidade Federal do Ceará, instacron:UFC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds