nÃo hà / A previsÃo de recalque em fundaÃÃes profundas do tipo estacas hÃlice contÃnua, escavada e cravada metÃlica à o objeto principal desse estudo. O recalque à o deslocamento vertical para baixo que uma fundaÃÃo apresenta quando submetida a um determinado carregamento. A estimativa dos recalques em fundaÃÃes profundas pode ser feita utilizando-se diversas metodologias, dentre as quais os mÃtodos numÃricos e os teÃricos. Diferentes variÃveis influenciam os recalques ocorridos nas fundaÃÃes profundas do tipo estaca destacando-se as caracterÃsticas de resistÃncia e deformabilidade dos materiais envolvidos, a estratigrafia do solo de fundaÃÃo e a geometria do elemento estrutural de fundaÃÃo, dentre outras, configurando-se, portanto, como um problema multi-variado e de grande complexidade. Uma alternativa para a estimativa mais realista dos recalques em fundaÃÃes profundas consiste no emprego das redes neurais artificiais, que sÃo modelos que trabalham analogamente ao cÃrebro humano que tÃm, recentemente, contribuÃdo na resoluÃÃo de problemas complexos em diversas Ãreas da Engenharia Civil. Nessa pesquisa foram utilizadas redes neurais multicamadas alimentadas adiante (perceptron multi-camadas) para o desenvolvimento de um modelo de previsÃo de recalques em estacas, a partir de um treinamento supervisionado, que utiliza o algoritmo de retropropagaÃÃo do erro (error back propagation). Para o desenvolvimento do modelo foram coletados resultados de ensaios SPT e provas de carga estÃtica, e com auxÃlio do programa QNET2000 foram treinados e validados vÃrios modelos de redes neurais. ApÃs as anÃlises e comparaÃÃes entre os resultados de diferentes configuraÃÃes, constatou-se que as redes neurais artificiais foram capazes de entender o comportamento das fundaÃÃes profundas do tipo hÃlice contÃnua, cravada metÃlica e escavada no que tange a influÃncia das variÃveis de entrada consideradas para a estimativa dos recalques. AlÃm disto, constatou-se que os resultados obtidos pelo modelo desenvolvido permitem, dentre outras coisas, a definiÃÃo das cargas de trabalho e cargas limites na estaca. A arquitetura desse modelo à formada por 6 nÃs na camada de entrada, 20 neurÃnios distribuÃdos em 3 camadas ocultas, e 1 neurÃnio na camada de saÃda, correspondente ao recalque medido para a estaca. O processo de alteraÃÃo dos pesos sinÃpticos, na fase de validaÃÃo do modelo, com 4 milhÃes de iteraÃÃes resultou no maior coeficiente de correlaÃÃo entre os recalques estimados e os recalques medidos, que foi de 0,89, o qual pode ser considerado satisfatÃrio, em se tratando da previsÃo de um fenÃmeno complexo. / The settlement deep foundations preview of stakes continuous helix, metallic dug and stuck is the aim of this study. The settlement is a vertical down dislocation a foundation shows when it undergoes a determined charge. The settlements assessment in deep foundations can be done using several methods as, for instance, the numerical and the theoretical ones. Different variables influence the settlements occurred in foundations of the stake kind which can be detached, among them, the characteristics of resistance and deformation of the involved material, the stratigraphy of the foundation ground and the geometry of the foundationâs structural element manifesting, thus, a multi-diverse and high-complex problem. An alternative to a more realistic assessment of the settlements in deep foundations consists in the application of the artificial neural networks, models that work analogically in the human brain which have been recently contributing to the resolution of complex problems in different areas of Civil Engineering. In this research, multi-marked neural networks were used, fed ahead (perceptron multi-layer) to develop a preview model of settlements in stakes, since a managed training which uses the error back propagation algorithm. To the development of the model, SPT experiments and static charge testsâ results were collected and, with the help of QNET 2000 program, several neural network models were tested and validated. After the analysis and comparison of the different configurationsâ results, it was verified that the artificial neural networks were able to understand the deep foundations behavior, continuous helix, metallic dug and stuck kind concerned to the influence of entrance variables considered to the settlements assessment. Furthermore, the results obtained by the developed model allow, through other factors, the definition of work charges and limit charges on the stake. The architecture of this model is formed by 6 knots in the entrance layer, 20 neurons distributed in 3 hidden layers and 1 neuron in the exit layer, corresponding to the measured settlements to the stake. The change process of the synaptic heights, in the modelâs validation stage, with 4 million iterations, resulted in the bigger correlation coefficient between the assessed and the measured settlements (0.89), which is satisfactory regarding the preview of a complex phenomenon.
| Identifer | oai:union.ndltd.org:IBICT/oai:www.teses.ufc.br:7344 |
| Date | 16 August 2013 |
| Creators | Luciana Barbosa AmÃncio |
| Contributors | Silvrano Adonias Dantas Neto, Alfran Sampaio Moura, GÃrson Jacques Miranda dos Anjos |
| Publisher | Universidade Federal do CearÃ, Programa de PÃs-GraduaÃÃo em Engenharia Civil, UFC, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| 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 0.0023 seconds