Utilização de redes neurais para estimativa da resistência à compressão do concreto simples / Use of neural networks to estimate the compressive strength of simple concrete

Stéphanie Oliveira Nina Rocha, Nilton Alves Maia, Álvaro Barbosa de Carvalho Júnior, Mikaella Pricila Alves Dias, Renê Rodrigues Veloso

Abstract


O concreto é um material que possui inúmeras variáveis quanto ao seu uso, pois fatores como o tipo de cimento, agregados, aditivos, quantidade de água e tempo de cura, podem influenciar sua resistência à compressão. Buscando desenvolver uma metodologia para investigar os efeitos dessas variáveis na resistência à compressão do concreto, foram desenvolvidas Redes Neurais Artificiais, do tipo Percepton de Múltiplas Camadas (MLP), utilizando os algoritmos back-propagation (BP) e Levemberg-Marquardt (LM) para verificar qual dessas redes se comporta melhor diante das variáveis. Nessa pesquisa também foram utilizadas Redes de Base Radiais (RBF) com o auxílio do software Matlab. Essas redes foram utilizadas com o intuito de estimar a resistência à compressão do concreto passível de uso em diversas aplicações. Depois de treinadas, ambas as redes demonstraram resultados satisfatórios, em especial a RBF, que apresentou um erro de 0.0129 com um tempo de processamento de 4.7813 segundos. Os resultados preliminares desse estudo mostraram a potencialidade de uso da inteligência artificial na engenharia civil, a qual pode auxiliar nas etapas de dosagem do concreto.

 

 


Keywords


Concreto, Redes Neurais, MLP, RBF.

References


ARTERO, A. O. Inteligência artificial: teórica e prática. São Paulo: Editora Livraria da Física, 2009.

BRAGA, A.P; CARVALHO, A. C. P. L. F; LUDEMIR, T. B. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2000.

CARVALHO, R. C.; FILHO, J. R. F. Cálculo e detalhamento de estruturas usuais de concreto armado: segundo a NBR 6118:2014. 4 ed. São Carlos: EdUFSCar, 2014. 415 p.

FIORIN, D.V. et al. Aplicações de redes neurais e previsões de disponibilidade de recursos energéticos solares. Revista Brasileira de Ensino de Física, v. 33, n. 1, 1309 (2011). 394 p.

HAYKIN, S. Redes neurais: princípios e prática. trad. Paulo Martins Engel. 2 ed. Porto Alegre: Bookman, 2001.

NEVILLE, A. M.; BROOKS, J. J. Tecnologia do concreto. 2 ed. Porto Alegre: Bookman Editora LTDA, 2010.

NIED, A. Treinamento de redes neurais artificiais baseado em sistemas de estrutura variável com taxa de aprendizado adaptativa. 2007. Tese (Doutorado em Engenharia Elétrica). Programa de pós-graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, 2007.

ROSA, J. L. G. Fundamentos da inteligência artificial. Rio de Janeiro: LTC, 2011.

SIMÕES, A. S. Aprendizado não-supervisionado em redes neurais pulsadas de base radial. 2006. Tese (Doutorado em Engenharia Elétrica). Escola Politécnica da Universidade de São Paulo. Universidade de São Paulo, São Paulo, 2006.

TAVARES, D. S. et al. (2020). Use of artificial neural networks to predict concrete compression strength. Braz. J. of Develop., Curitiba, v.6, n.7, p. 42185-42826, jul. 2020.

TUTIKIAN, B. F.; HELENE, P. Concreto: Ciência e Tecnologia. Dosagem dos concretos de cimento Portland. cap. 12. São Paulo: IBRACON, 2011.

UCI. Machine Learning Repository. Concrete Compressive Strength Data Set. Disponível em: . Acesso em: 01 nov. 2019.




DOI: https://doi.org/10.34117/bjdv6n10-424

Refbacks

  • There are currently no refbacks.