Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength

Detalhes bibliográficos
Autor(a) principal: Villamil Gonzalez, Anderson Gustavo
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/49232
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2023.
id UNB_6a57925c7eaf4bb269266fdea88b1844
oai_identifier_str oai:repositorio.unb.br:10482/49232
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear StrengthAvaliação de rede neural artificial para prever a resistência ao cisalhamento da interface areia-geomembranaRedes neurais artificiaisCisalhamentoSistemas de impermeabilizaçãoDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2023.A implementação de sistemas de impermeabilização durante a construção de barragens, aterrossanitários e canais artificiais é crucial para impedir a infiltração de fluidos no solo da fundação, o que pode levar a danos estruturais e outros perigos potenciais. Nesse contexto, as geomembranas são amplamente utilizadas na engenharia civil, pois oferecem excelentes capacidades de impermeabilização, baixa permeabilidade e propriedades mecânicas favoráveis. Assim como outros materiais de construção, avaliar a resistência na interface entre os geossintéticos e o material em contato é necessário para garantir resistência suficiente a possíveis falhas.Para garantir a resistência adequada da interface, vários testes de laboratório podem ser realizados, como cisalhamento direto, ring shear e plano inclinado. No entanto, podem ser dispendiosos, e nem sempre ser viáveis no planejamento do projeto. Uma alternativa é usar resultados de outras pesquisas para criar um banco de dados e um modelo preditivo para estimar a resistência à interface. Este estudo avalia a eficácia do uso da metodologia de Redes Neurais Artificiais (RNA) para prever a resistência ao cisalhamento na interface entre areia e geomembrana. Foi escolhida uma arquitetura de Perceptron de Múltiplas Camadas (PMC) para configurar os modelos RNA, o processo de treinamento é supervisionado, envolvendo um algoritmo de treinamento de Back-Propagation (BP) combinado com o algoritmo de otimização Differential Evolution (DE). Os dados de entrada para os modelos foram definidos a partir de 428 testes de laboratório relatados em investigações anteriores, incluindo 14 parâmetros de entrada e resultados de resistência à interface entre areia e geomembrana.Quatro modelos de RNA foram analisados e comparados, diferenciados em termos de seu número de entradas (9 ou 14) e o número de camadas ocultas (1 ou 2). O modelo de RNA com a arquitetura 14-71-342-1 mostrou os resultados mais satisfatórios para a fase de treinamento e teste em termos da distribuição dos valores previstos em comparação com a linha de tendência (R²: 0,919 treinamento, R²: 0,852 teste), um número menor de valores residuais fora da faixa aceitável (4% treinamento, 11,6% teste) e excelente desempenho de previsão de acordo com as métricas estatísticas (RMSE: 1,92, MAE: 1,32, MAPE: 5,03% treinamento, RMSE: 0,852, MAE: 3,36, MAPE: 7,13% treinamento). Com base nos resultados, o algoritmo de RNA pode ser definido como uma abordagem eficaz para prever valores de resistência à interface entre areia e geomembrana (ângulo de atrito) para os dados coletados.The implementation of waterproofing systems during the construction of dams, landfills, and artificial channels is crucial to avoid fluid infiltration into the foundation soil, which can lead to structural damage and other potential hazards. Geomembranes are widely used in civil engineering as they offer excellent waterproofing capabilities, low permeability, and favourablemechanical properties. Like other construction materials, evaluating the strength at the interface between geosynthetics and in-contact material is necessary to ensure enough resistance to potential failures.Various laboratory tests can be conducted to ensure adequate interface resistance, such as direct shear, ring shear, and inclined plane. These tests determine the friction angle, a critical factor in determining the interface shear strength between granular soil and geosynthetics. However, these tests can be time-consuming and expensive and may only sometimes be feasible in project planning. Therefore, finding alternative methods to obtain the necessary information is essential.One possible solution is to use reference results from other research. In this way, a database of previous results can be compiled, and a predictive model can be created to estimate the required interface strength values. This study aims to assess the effectiveness of using an Artificial Neural Network (ANN) methodology to predict the shear strength at the interface of sand and geomembrane. A Multi-Layer Perceptron (MLP) architecture was chosen to configure the ANN models, and the training process is a supervised one that involves a Back-Propagation (BP) training algorithm coupled with the Differential Evolution (DE) optimization algorithm. The input data for the models were defined from 428 laboratory tests reported in previous investigations, including 14 input parameters and sand-geomembrane interface strength results.Four ANN models were analysed and compared, differentiated in terms of their number of inputs (9 or 14) and the number of hidden layers (1 or 2). The ANN model with the architecture 14-71-342-1 displayed the most satisfactory results for the training and testing phase in terms of the predicted values' distribution compared to the trend line (R²: 0.919 training, R²: 0.852 testing), a lower number of residual values outside the acceptable range (4% training, 11.6% testing), and excellent prediction performance according to statistical metrics for both phases (RMSE: 1.92, MAE: 1.32, MAPE: 5.03% training, RMSE: 0.852, MAE: 3.36, MAPE: 7.13% training). Based on the results, the ANN technique can be defined as an effective approach for predicting sandgeomembrane interface strength values (friction angle) for the collected data.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em GeotecniaAraújo, Gregório Luis SilvaJuniot, Rancisco EvangelistaVillamil Gonzalez, Anderson Gustavo2024-07-26T21:57:38Z2024-07-26T21:57:38Z2024-07-262023-08-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfVILLAMIL GONZALEZ, Anderson Gustavo. Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength. 2023. 115 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/49232enginfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-07-26T21:57:39Zoai:repositorio.unb.br:10482/49232Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-07-26T21:57:39Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
Avaliação de rede neural artificial para prever a resistência ao cisalhamento da interface areia-geomembrana
title Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
spellingShingle Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
Villamil Gonzalez, Anderson Gustavo
Redes neurais artificiais
Cisalhamento
Sistemas de impermeabilização
title_short Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
title_full Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
title_fullStr Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
title_full_unstemmed Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
title_sort Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength
author Villamil Gonzalez, Anderson Gustavo
author_facet Villamil Gonzalez, Anderson Gustavo
author_role author
dc.contributor.none.fl_str_mv Araújo, Gregório Luis Silva
Juniot, Rancisco Evangelista
dc.contributor.author.fl_str_mv Villamil Gonzalez, Anderson Gustavo
dc.subject.por.fl_str_mv Redes neurais artificiais
Cisalhamento
Sistemas de impermeabilização
topic Redes neurais artificiais
Cisalhamento
Sistemas de impermeabilização
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-08-03
2024-07-26T21:57:38Z
2024-07-26T21:57:38Z
2024-07-26
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 VILLAMIL GONZALEZ, Anderson Gustavo. Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength. 2023. 115 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/49232
identifier_str_mv VILLAMIL GONZALEZ, Anderson Gustavo. Evaluation of Artificial Neural Network to Predict Sandgeomembrane Interface Shear Strength. 2023. 115 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/49232
dc.language.iso.fl_str_mv eng
language eng
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 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
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580758136356864

Registros relacionados