Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento
A previsão da resistência à compressão uniaxial (qu) de misturas solo-cimento é de elevada importância durante a fase de projeto. Para a sua quantificação são realizados ensaios laboratoriais, os quais consomem muito tempo e recursos. Neste artigo é apresentada uma nova abordagem para avaliação da...
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universidade de Coimbra
2019-10-01
|
| Series: | Geotecnia |
| Subjects: | |
| Online Access: | https://impactum-journals.uc.pt/geotecnia/article/view/10198 |
| _version_ | 1818216532195409920 |
|---|---|
| author | Joaquim Tinoco António S. Correia Paulo Venda Oliveira A. Gomes Correia Luís Lemos |
| author_facet | Joaquim Tinoco António S. Correia Paulo Venda Oliveira A. Gomes Correia Luís Lemos |
| author_sort | Joaquim Tinoco |
| collection | DOAJ |
| description |
A previsão da resistência à compressão uniaxial (qu) de misturas solo-cimento é de elevada importância durante a fase de projeto. Para a sua quantificação são realizados ensaios laboratoriais, os quais consomem muito tempo e recursos. Neste artigo é apresentada uma nova abordagem para avaliação da qu ao longo do tempo tirando proveito das elevadas capacidades de aprendizagem das técnicas de Inteligência Artificial (IA). Três algoritmos de IA, nomeadamente as Redes Neuronais Artificiais (RNAs), as Máquinas de Vetores de Suporte (MVSs) e Regressões Múltiplas (RMs), foram treinados utilizando uma base de dados composta por 444 registos contemplando solos não coesivos, coesivos e orgânicos, assim como diferentes ligantes, condições de mistura e tempos de cura. Os resultados obtidos evidenciam um desempenho promissor na previsão da qu de misturas laboratoriais de solo-cimento, sendo o melhor desempenho conseguido através da média das previsões obtidas pelas MVSs e RNAs (RR2=0,95). Estes modelos reproduzem eficazmente os principais efeitos das variáveis de entrada, nomeadamente da razão água/cimento, teor em cimento, teor em matéria orgânica e tempo de cura, as quais são conhecidas como preponderantes no comportamento de misturas solo-cimento.
|
| first_indexed | 2024-12-12T06:53:28Z |
| format | Article |
| id | doaj.art-63658bcd07eb41199b2a14ee7171acf4 |
| institution | Directory Open Access Journal |
| issn | 0379-9522 2184-8394 |
| language | Spanish |
| last_indexed | 2024-12-12T06:53:28Z |
| publishDate | 2019-10-01 |
| publisher | Universidade de Coimbra |
| record_format | Article |
| series | Geotecnia |
| spelling | doaj.art-63658bcd07eb41199b2a14ee7171acf42022-12-22T00:34:00ZspaUniversidade de CoimbraGeotecnia0379-95222184-83942019-10-0114510.24849/j.geot.2019.145.01Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimentoJoaquim Tinoco0António S. Correia1Paulo Venda Oliveira2A. Gomes Correia3Luís Lemos4ISISE /ALGORITMI Research Center, Universidade do Minho, PortugalCIEPQPF, Universidade de Coimbra, PortugalISISE, Universidade de Coimbra, PortugalISISE, Universidade do Minho, PortugalISISE, Universidade de Coimbra, Portugal A previsão da resistência à compressão uniaxial (qu) de misturas solo-cimento é de elevada importância durante a fase de projeto. Para a sua quantificação são realizados ensaios laboratoriais, os quais consomem muito tempo e recursos. Neste artigo é apresentada uma nova abordagem para avaliação da qu ao longo do tempo tirando proveito das elevadas capacidades de aprendizagem das técnicas de Inteligência Artificial (IA). Três algoritmos de IA, nomeadamente as Redes Neuronais Artificiais (RNAs), as Máquinas de Vetores de Suporte (MVSs) e Regressões Múltiplas (RMs), foram treinados utilizando uma base de dados composta por 444 registos contemplando solos não coesivos, coesivos e orgânicos, assim como diferentes ligantes, condições de mistura e tempos de cura. Os resultados obtidos evidenciam um desempenho promissor na previsão da qu de misturas laboratoriais de solo-cimento, sendo o melhor desempenho conseguido através da média das previsões obtidas pelas MVSs e RNAs (RR2=0,95). Estes modelos reproduzem eficazmente os principais efeitos das variáveis de entrada, nomeadamente da razão água/cimento, teor em cimento, teor em matéria orgânica e tempo de cura, as quais são conhecidas como preponderantes no comportamento de misturas solo-cimento. https://impactum-journals.uc.pt/geotecnia/article/view/10198Misturas solo-cimentoresistência à compressão uniaxialdata mininganálise de sensibilidade |
| spellingShingle | Joaquim Tinoco António S. Correia Paulo Venda Oliveira A. Gomes Correia Luís Lemos Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento Geotecnia Misturas solo-cimento resistência à compressão uniaxial data mining análise de sensibilidade |
| title | Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento |
| title_full | Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento |
| title_fullStr | Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento |
| title_full_unstemmed | Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento |
| title_short | Abordagem data mining para a previsão da resistência à compressão uniaxial de misturas laboratoriais de solo-cimento |
| title_sort | abordagem data mining para a previsao da resistencia a compressao uniaxial de misturas laboratoriais de solo cimento |
| topic | Misturas solo-cimento resistência à compressão uniaxial data mining análise de sensibilidade |
| url | https://impactum-journals.uc.pt/geotecnia/article/view/10198 |
| work_keys_str_mv | AT joaquimtinoco abordagemdataminingparaaprevisaodaresistenciaacompressaouniaxialdemisturaslaboratoriaisdesolocimento AT antonioscorreia abordagemdataminingparaaprevisaodaresistenciaacompressaouniaxialdemisturaslaboratoriaisdesolocimento AT paulovendaoliveira abordagemdataminingparaaprevisaodaresistenciaacompressaouniaxialdemisturaslaboratoriaisdesolocimento AT agomescorreia abordagemdataminingparaaprevisaodaresistenciaacompressaouniaxialdemisturaslaboratoriaisdesolocimento AT luislemos abordagemdataminingparaaprevisaodaresistenciaacompressaouniaxialdemisturaslaboratoriaisdesolocimento |