Banca de DEFESA: Vitor Pereira Silva

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : Vitor Pereira Silva
DATA : 31/07/2023
HORA: 14:00
LOCAL: PECC
TÍTULO:

PREVISÃO DE PROPRIEDADES DE CONCRETO CONVENCIONAL ATRAVÉS DO USO DE TÉCNICAS DE MACHINE LEARNING

PALAVRAS-CHAVES:

Aprendizado de máquina; materiais cimentícios; concretos; propriedades; resistência a compressão.

PÁGINAS: 92
RESUMO:

Recentemente, várias técnicas de aprendizado de máquina (ML) estão surgindo como formas alternativas e eficientes de prever como as propriedades dos componentes influenciam as propriedades da mistura final. Na área da engenharia civil, pesquisas recentes já utilizam técnicas de ML em relação às dosagens convencionais de concreto. A importância de discutir seu uso no contexto brasileiro está inserida em um contexto internacional no qual essa metodologia já está sendo aplicada, sendo necessário verificar a aplicabilidade dessas técnicas com bancos de dados nacionais ou com o que é criado a partir de dados de entrada nacionais. Nesta pesquisa, uma dessas técnicas, uma rede neural artificial (ANN), é utilizada para determinar a resistência à compressão do concreto convencional brasileiro aos 7 e 28 dias, utilizando um banco de dados construído por meio de publicações em congressos e trabalhos acadêmicos e comparando-o com o banco de dados de referência de Yeh. Os dados foram organizados em nove variáveis e cinco casos diferentes, nos quais as amostras de dados usadas para treinamento e teste variam. As oito variáveis de entrada possíveis foram: consumo de cimento, escória de alto-forno, pozolana, água, aditivo, agregado miúdo, agregado graúdo e idade. A variável de resposta foi a resistência à compressão do concreto. Utilizar dados internacionais como conjunto de treinamento e dados brasileiros como conjunto de teste, ou vice-versa, não mostrou resultados satisfatórios isoladamente. Os resultados mostraram uma variação nos cinco cenários; no entanto, ao usar o banco de dados brasileiro e o de referência juntos como conjuntos de teste e treinamento, obteve-se um R² de 0,97 e um R² de 0,86, mostrando que, na união dos dois bancos de dados, um bom modelo preditivo é obtido.

MEMBROS DA BANCA:
Presidente - 1734221 - JOAO HENRIQUE DA SILVA REGO
Interna - 1534368 - MICHELE TEREZA MARQUES CARVALHO
Externa à Instituição - JULLIANA SIMAS VASCONCELLOS - UEG