Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning

Detalhes bibliográficos
Autor(a) principal: Chaves, Jéssica Fall Nogueira
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/44263
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil, 2022.
id UNB_a0bac01b4d001f08e975890c0e282c1e
oai_identifier_str oai:repositorio2.unb.br:10482/44263
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Chaves, Jéssica Fall NogueiraEvangelista Junior, Franciscojessicafall@live.comRêgo, João Henrique da Silva2022-07-14T21:58:03Z2022-07-14T21:58:03Z2022-07-142022-03-17CHAVES, Jéssica Fall Nogueira. Automatização da análise do desempenho termo energético das envoltórias de edificações residenciais a partir da integração BIM-VPL. 2022. xviii, 133 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/44263Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil, 2022.A previsão da resistência à compressão de materiais cimentícios utilizando modelos de aprendizado de máquina (ML, sigla do termo na língua inglesa, Machine Learning) é um recurso de grande interesse para aplicação na área de Engenharia Civil. O ML vem sendo aplicado para estimar a resistência à compressão de argamassas e concretos mundialmente. Porém, a partir de uma revisão sistematizada da literatura, notou-se uma carência de trabalhos com o enfoque da sua aplicação para previsão do comportamento mecânico do cimento Portland comum (CPC). Portanto, o objetivo da pesquisa foi a previsão da resistência à compressão aos 28 dias do CPC com as técnicas de ML Random Forest (RF) Neural Networks (NN) a partir de resultados experimentais de trabalhos científicos que caracterizaram amostras de CPC, coletados na literatura aberta. Em adição, foi realizada uma análise exploratória desses dados e a estimativa dos 4 compostos principais do CPC através do cálculo potencial de Bogue. A performance do treinamento foi verificada através de três critérios estatísticos, coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro quadrado médio (MSE). Como resultado, o modelo de RF e NN obtiveram performances satisfatórias e os valores obtidos dos critérios estatísticos para o treinamento e teste da RF foram, respectivamente, R² (0,93 e 0,65), RMSE (2,00 e 4,50) e MSE (6,80 e 31,22), e para o treinamento e teste da NN foram, respectivamente, R² (0,96 e 0,64), RMSE (0,85 e 4,86) e MSE (1,72 e 35,10). Os resultados atingidos pelas duas técnicas foram similares e ao analisálos, foi possível perceber que a previsão da resistência à compressão do CPC a partir de dados da literatura é possível, o que pode trazer incremento na indústria do cimento, propondo um método alternativo da avaliação dessa propriedade.The prediction of the compressive strength of cementitious materials using Machine Learning (ML) models is a resource of great interest for application in Civil Engineering. The ML has been applied to estimate the compressive strength of mortars and concretes worldwide. However, based on a systematic review of the literature, there was a lack of studies focusing on its application to predict the mechanical behavior of ordinary Portland cement (OPC). Therefore, the objective of the research was to predict the compressive strength at 28 days of OPC with the techniques of ML Random Forest (RF) Neural Networks (NN) from experimental results of scientific works that characterized samples of OPC, collected in the literature. open. In addition, an exploratory analysis of these data was performed and the estimation of the 4 main compounds of the OPC through the Bogue potential calculation was performed. The training performance was verified through three statistical criteria, coefficient of determination (R²), mean squared error (RMSE) and mean squared error (MSE). As a result, the RF and NN models obtained satisfactory performances and the values obtained from the statistical criteria for training and testing the RF were, respectively, R² (0.93 and 0.65), RMSE (2.00 and 4.50) and MSE (6.80 and 31.22), and for the training and testing of the NN they were, respectively, R² (0.96 and 0.64), RMSE (0.85 and 4.86) and MSE (1 .72 and 35.10). The results achieved by the two techniques were similar and when analyzing them, it was possible to perceive that the prediction of the compressive strength of OPC from literature data is possible, which can bring an increase in the cement industry, proposing an alternative method of assessment of that property.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em Estruturas e Construção CivilA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessPrevisão da resistência à compressão do cimento portland comum com utilização de técnica de machine learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCimento portlandAprendizagem de máquinaMateriais cimentíciosMateriais cimentícios - resistência à compressãoporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNBORIGINAL2022_JéssicaFallNogueiraChaves.pdf2022_JéssicaFallNogueiraChaves.pdfapplication/pdf3201362http://repositorio2.unb.br/jspui/bitstream/10482/44263/1/2022_J%c3%a9ssicaFallNogueiraChaves.pdfbace205a277c50005c62cd77c7fd0addMD51open accessLICENSElicense.txtlicense.txttext/plain676http://repositorio2.unb.br/jspui/bitstream/10482/44263/2/license.txt59c0495af143a2dbef8cb1eca992b8cfMD52open access10482/442632024-03-14 12:52:42.031open accessoai:repositorio2.unb.br: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Biblioteca Digital de Teses e DissertaçõesPUBhttps://repositorio.unb.br/oai/requestopendoar:2024-03-14T15:52:42Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
title Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
spellingShingle Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
Chaves, Jéssica Fall Nogueira
Cimento portland
Aprendizagem de máquina
Materiais cimentícios
Materiais cimentícios - resistência à compressão
title_short Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
title_full Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
title_fullStr Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
title_full_unstemmed Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
title_sort Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning
author Chaves, Jéssica Fall Nogueira
author_facet Chaves, Jéssica Fall Nogueira
author_role author
dc.contributor.advisorco.none.fl_str_mv Evangelista Junior, Francisco
dc.contributor.email.pt_BR.fl_str_mv jessicafall@live.com
dc.contributor.author.fl_str_mv Chaves, Jéssica Fall Nogueira
dc.contributor.advisor1.fl_str_mv Rêgo, João Henrique da Silva
contributor_str_mv Rêgo, João Henrique da Silva
dc.subject.keyword.pt_BR.fl_str_mv Cimento portland
Aprendizagem de máquina
Materiais cimentícios
Materiais cimentícios - resistência à compressão
topic Cimento portland
Aprendizagem de máquina
Materiais cimentícios
Materiais cimentícios - resistência à compressão
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil, 2022.
publishDate 2022
dc.date.submitted.none.fl_str_mv 2022-03-17
dc.date.accessioned.fl_str_mv 2022-07-14T21:58:03Z
dc.date.available.fl_str_mv 2022-07-14T21:58:03Z
dc.date.issued.fl_str_mv 2022-07-14
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv CHAVES, Jéssica Fall Nogueira. Automatização da análise do desempenho termo energético das envoltórias de edificações residenciais a partir da integração BIM-VPL. 2022. xviii, 133 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022.
dc.identifier.uri.fl_str_mv https://repositorio.unb.br/handle/10482/44263
identifier_str_mv CHAVES, Jéssica Fall Nogueira. Automatização da análise do desempenho termo energético das envoltórias de edificações residenciais a partir da integração BIM-VPL. 2022. xviii, 133 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/44263
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
bitstream.url.fl_str_mv http://repositorio2.unb.br/jspui/bitstream/10482/44263/1/2022_J%c3%a9ssicaFallNogueiraChaves.pdf
http://repositorio2.unb.br/jspui/bitstream/10482/44263/2/license.txt
bitstream.checksum.fl_str_mv bace205a277c50005c62cd77c7fd0add
59c0495af143a2dbef8cb1eca992b8cf
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv
_version_ 1801863772408643584

Registros relacionados