AplicaÃÃo das redes neurais artificiais do tipo perceptron na estimativa de recalques em estacas.

• Autor(a) principal: Carla Beatriz Costa de AraÃjo
• Data de Publicação: 2015
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFC
• Texto Completo: http://www.teses.ufc.br/tde_busca/arquivo.php?codArquivo=14556
• topic: PrevisÃo de recalques; FundaÃÃes em estacas; Forecast settlements. Artificial neural networks. Foundations on stilts.; ENGENHARIA CIVIL

A utilizaÃÃo das redes neurais artificiais (RNA) na estimativa de recalques em fundaÃÃes profundas à comprovadamente uma ferramenta eficiente. Nos trabalhos de AmÃncio (2013) e Silveira (2014), o emprego das RNA apresentou bons resultados para a previsÃo de recalques em estacas hÃlices contÃnuas, estacas cravadas metÃlicas e estacas escavadas. PorÃm, algumas estacas modeladas apresentaram comportamento muito distante dos resultados reais, onde os resultados da modelagem indicaram aumentos bruscos na rigidez do sistema solo-estaca. Nesta pesquisa, foi desenvolvido um modelo com uma rede neural do tipo perceptron multicamadas de forma a melhorar o desempenho dos modelos de AmÃncio (2013) e Silveira (2014). Para desenvolvimento do trabalho, inicialmente foram feitas anÃlises dos resultados de sondagens à percussÃo do tipo SPT e provas de carga estÃticas das 199 estacas utilizadas no trabalho apresentado por Silveira (2014), fazendo-se uma avaliaÃÃo da consistÃncia das informaÃÃes, com o objetivo de ter um conjunto mais heterogÃneo e representativo. ApÃs a realizaÃÃo de alteraÃÃes, chegou-se a um conjunto com 141 estacas, totalizando 1.320 exemplos do tipo entrada-saÃda. Foram definidas como variÃveis de entrada do modelo: o tipo de estaca, o comprimento da estaca, o diÃmetro da estaca, o nÃmero representativo dos valores de NSPT ao longo do fuste da estaca (denominada NF), o NSPT na ponta da estaca, profundidade da camada de influÃncia da carga em relaÃÃo a ponta da estaca, o fator representativo das camadas de solo argiloso, o fator representativo das camadas de solo siltoso, o fator representativo das camadas de solo arenoso e a carga aplicada. Foram estudadas quatro diferentes formas de cÃlculo da variÃvel de entrada NF, sendo estas: soma, mÃdia, soma ponderada e mÃdia ponderada. Com as variÃveis de entrada apresentadas foram trabalhados modelos onde a variÃvel de saÃda fosse o recalque da fundaÃÃo profunda. A modelagem das RNA foi feita utilizando o programa QNET 2000, e foram realizados o treinamento e a validaÃÃo de diferentes arquiteturas. O modelo que teve melhor desempenho apresentou coeficiente de correlaÃÃo entre os recalques reais e os recalques modelados no treinamento de 0,99 e na validaÃÃo de 0,98. Os resultados obtidos mostraram-se melhores que os de AmÃncio (2013) e Silveira (2014), que na fase de validaÃÃo, apresentaram correlaÃÃes de 0,89 e 0,94 respectivamente. O modelo final deste trabalho possui uma arquitetura formada por 10 nÃs na camada de entrada, 34 neurÃnios distribuÃdos ao longo de quatro camadas ocultas e um neurÃnio na camada de saÃda (A:10-15-9-7-3-1), utilizando a mÃdia para cÃlculo do nÃmero representativo dos valores de NSPT ao longo do fuste da estaca.