Estimativa dos parâmetros de compactação de solos usando técnicas de data mining

Detalhes bibliográficos
Autor(a) principal: Ribeiro, Rui Manuel Baía Campo Grande
Data de Publicação: 2015
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/1822/40652
Resumo: Dissertação de mestrado integrado em Engenharia Civil
id RCAP_ce983afbed7486f754ffc59f738755b7
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/40652
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Estimativa dos parâmetros de compactação de solos usando técnicas de data miningEstimation of soil compaction parameters using data mining techniquesCompactaçãoData miningRedes neuronais artificiaisMáquinas de vetores de suporteRegressõesCompactionArtificial neural networkSupport vector machinesRegressionsEngenharia e Tecnologia::Engenharia CivilDissertação de mestrado integrado em Engenharia CivilOs projetos de engenharia de obras, tais como barragens de terra, aterras para estradas e aterros de valas, requerem material de empréstimo compactado ao máximo peso volúmico seco. A determinação dos parâmetros de compactação de Proctor em laboratório é bastante morosa e dispendiosa quer em termos de esforço quer em termos financeiros. Neste trabalho foram desenvolvidos, usando técnicas de data mining (Redes Neuronais Artificiais e Máquinas de Vetores de Suporte) e regressões estatísticas, modelos de previsão do teor em água ótimo e do peso volúmico seco máximo tendo como base dados publicados na literatura e dados obtidos em ensaios realizados no âmbito deste trabalho. Para construir os modelos de previsão, foram utilizadas, como variáveis de entrada, propriedades índices do solo como os limites de consistência, percentagem de particulas finas inferiores a 0.075 mm e densidade das particulas. Comparando o desempenho das técnicas de data mining (DM) constatou-se que as Máquinas de Vetores de Suporte (MVS) tiveram uma melhor capacidade preditiva do que as Redes Neuronais Artificiais (RNA). Para além disso as MVS tiveram um melhor desempenho do que os modelos de regressão múltipla desenvolvidos. Sendo assim, admite-se que as MVS se constituam numa ferramenta útil de dimensionamento na fase preliminar ou em orçamentos de projetos.Engineering works projects, such as earth dams, embankments for roads and ditches landfills require loan material compressed to the maximum dry unit weight. The determination of Proctor compaction parameters in the laboratory is very time consuming and costly both in effort and financial terms. In this work, predicted models were developed using data mining (DM) techniques (Artificial Neural Networks and Support Vector Machines) and statistical regressions, to estimate the water moisture content and the maximum dry density of soils based on published data and data gathered from tests performed in this work. To build the predictive models, input variables, such as index soil properties like the consistency limits, the percentage of fine particles below 0.075 mm and density of the particles were used. Comparing the performance of data mining techniques it was found that the Support Vector Machines (SVM) had a better predictive capability than the Artificial Neural Networks (ANN). Furthermore, SVM performed better than the multiple regression models developed. Thus, it is assumed that the SVM constitute a useful sizing tool in the preliminary stage or in project budgeting.Martins, Francisco F.Araújo, Nuno Miguel FariaUniversidade do MinhoRibeiro, Rui Manuel Baía Campo Grande20152015-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/1822/40652porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:08:04Zoai:repositorium.sdum.uminho.pt:1822/40652Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:59:11.509759Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
Estimation of soil compaction parameters using data mining techniques
title Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
spellingShingle Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
Ribeiro, Rui Manuel Baía Campo Grande
Compactação
Data mining
Redes neuronais artificiais
Máquinas de vetores de suporte
Regressões
Compaction
Artificial neural network
Support vector machines
Regressions
Engenharia e Tecnologia::Engenharia Civil
title_short Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
title_full Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
title_fullStr Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
title_full_unstemmed Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
title_sort Estimativa dos parâmetros de compactação de solos usando técnicas de data mining
author Ribeiro, Rui Manuel Baía Campo Grande
author_facet Ribeiro, Rui Manuel Baía Campo Grande
author_role author
dc.contributor.none.fl_str_mv Martins, Francisco F.
Araújo, Nuno Miguel Faria
Universidade do Minho
dc.contributor.author.fl_str_mv Ribeiro, Rui Manuel Baía Campo Grande
dc.subject.por.fl_str_mv Compactação
Data mining
Redes neuronais artificiais
Máquinas de vetores de suporte
Regressões
Compaction
Artificial neural network
Support vector machines
Regressions
Engenharia e Tecnologia::Engenharia Civil
topic Compactação
Data mining
Redes neuronais artificiais
Máquinas de vetores de suporte
Regressões
Compaction
Artificial neural network
Support vector machines
Regressions
Engenharia e Tecnologia::Engenharia Civil
description Dissertação de mestrado integrado em Engenharia Civil
publishDate 2015
dc.date.none.fl_str_mv 2015
2015-01-01T00:00:00Z
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.uri.fl_str_mv http://hdl.handle.net/1822/40652
url http://hdl.handle.net/1822/40652
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132383730991104

Registros relacionados