Otimização de vigas de concreto armado utilizando algoritmos genéticos e redes neurais artificiais

• Autor(a) principal: Paula, Renato Filho Ximenes de
• Data de Publicação: 2016
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Repositório Institucional da UCB
• Texto Completo: https://repositorio.ucb.br:9443/jspui/handle/123456789/8256
• topic: CNPQ::ENGENHARIAS::ENGENHARIA CIVIL; Engenharia civil; Concreto armado; Algoritmos genéticos; Redes neurais artificiais; Construção civil

O pré-dimensionamento é de extrema importância para concepção final de um projeto, esta fase interfere sensivelmente na composição final dos custos e depende significativamente da experiência e intuição do projetista. Algoritmos baseados em programação sequencial, são limitados quando problemas envolvendo competências estritamente humanas são requeridas. Este estudo tem por objetivo elaborar uma rede neural artificial capaz de efetuar um pré-dimensionamento de seções transversais de vigas de concreto armado com custo mínimo a partir de algumas variáveis iniciais. Para tanto, é desenvolvida uma aplicação baseada em algoritmos genéticos que otimizam um conjunto de seções transversais retangulares de vigas de concreto armado submetidas a flexão simples servindo como conjunto de treinamento para a rede neural, de maneira a transferir conhecimento especializado de otimização a rede. Os algoritmos genéticos são modelos computacionais inspirados em princípios da evolução natural. Eles codificam, manipulam e modificam soluções codificadas em um espaço de busca de maneira a encontrar melhores indivíduos. Redes Neurais Artificiais são sistemas baseados no funcionamento do cérebro animal, que processa dados de maneira maciçamente paralela e distribuída. Trata-se de um ramo da inteligência artificial capaz de aprender e generalizar problemas, além de ser bastante empregado em problemas que envolvem otimização, reconhecimento de padrões, aproximação de funções e previsão de sistemas. Portanto a implementação das redes neurais artificiais tem por objetivo diminuir o tempo computacional requerido frente aos algoritmos genéticos e demonstrar sua eficiência na modelação de funções multidimensionais aplicada a processos de otimização.