Machine learning for geomembrane-sand interface analysis

Detalhes bibliográficos
Autor(a) principal: Tanga, Abenezer Tefera
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/45841
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.
id UNB_ba4a262a94aac6b732b8136f1972eafa
oai_identifier_str oai:repositorio.unb.br:10482/45841
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Machine learning for geomembrane-sand interface analysisFloresta aleatóriaAprendizagem de máquinaGeomembranaÂngulo de atritoDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.A avaliação da interação solo-geossintética é importante para analisar a estabilidade da estrutura geral. Isso ocorre porque a interação entre os geossintéticos de reforço e o solo reforçado pode ser um início de ruptura que pode causar uma falha estrutural. Vários pesquisadores têm estudado os fatores que determinam a resistência ao cisalhamento da interface em laboratório e identificaram vários componentes que afetam o resultado geral da resistência. O Machine Learning tem um grande potencial para a análise de parâmetros que são influenciados por muitas variáveis. Esta dissertação traz uma discussão sobre o uso da regressão Random Forest, que é um algoritmo de Machine Learning, para prever o ângulo de atrito da interface geomembrana-areia. As interfaces submetidas à investigação de parâmetros de resistência incluem geomembrana e solo sem coesão, e 495 interfaces de várias literaturas foram coletadas. Os dados de interface adquiridos são utilizados para a análise estatística geral e de aprendizado de máquina. Quatorze parâmetros foram registrados da literatura referida como os fatores determinantes da resistência ao cisalhamento da interface. Os quatorze parâmetros são de três componentes de interface principais que são; tipo de teste de laboratório, propriedades da geomembrana e propriedades do solo. Os dados apresentados foram estudados usando regressão linear simples antes de inicializar o Random Forest, para avaliar a interdependência entre pares de parâmetros influenciadores e sua correlação com o ângulo de atrito da interface. Os resultados do coeficiente de correlação de Pearson estão indicando que o nível de influência entre os componentes da interface na maioria das vezes não é forte. Estes valores de correlação implicam a distribuição não linear da base de dados e a importância de um algoritmo multivariado e não linear para estudar os referidos tipos de interfaces. Após a análise dos dados, uma Random Forest inclusiva foi inicializada para prever o ângulo de atrito da interface. Observa-se apenas para 3% do conjunto de treinamento e 6% do conjunto de teste que a estimativa do ângulo de atrito excedeu ±5° dos registros do laboratório. As medidas do coeficiente de determinação mostram forte coerência entre os ângulos de atrito dos estudos de laboratório e as estimativas da Random Forest resultando R2 = 0,93 e R2 = 0,92; para os conjuntos de treinamento e teste, respectivamente. Assim, a Random Forest previu o ângulo de atrito da interface adequadamente.Evaluation of soil-geosynthetic interaction is important for analyzing the stability of the overall structure. This is because the interaction between the reinforcing geosynthetics and the reinforced soil can be a start for breakage which may cause a structural failure. Several researchers have been studying factors determining the interface shear strength in the laboratory and identified various components which affect the overall strength outcome. Machine Learning has a great potential for the analysis of parameters which are influenced by many variables. This dissertation brings a discussion about the use of Random Forest regression, which is a Machine Learning algorithm, for predicting geomembrane-sand interface friction angle. The interfaces subjected for strength parameter investigation include geomembrane and cohesionless soil, and 495 interfaces from various literature were collected. The acquired interface data is utilized for the overall statistical and Machine Learning analysis. Fourteen parameters were recorded from the referred literatures as the factors determining the interface shear strength. The fourteen parameters are from three main interface components which are; laboratory test type, geomembrane properties and soil properties. The presented data has been studied by using simple linear regression before initializing the Random Forest, to evaluate the interdependence between pairs of influencing parameters and their correlation with interface friction angle. The Pearson's correlation coefficient results are indicating the influence level between the interface components is mostly not strong. These correlation values imply the nonlinear distribution of the database and the importance of a multivariate and nonlinear algorithm for studying the referred types of interfaces. After the data analysis, an inclusive Random Forest has been initialized to predict interface friction angle. It is observed only for 3% of the training set and 6% of the testing set that the friction angle estimation has exceeded ±5° from the laboratory records. The coefficient of determination measures shows strong coherence between friction angles from laboratory studies and Random Forest estimations by resulting R2 = 0.93 and R2 = 0.92; for the training and testing sets respectively. Thus, the Random Forest has forecasted interface friction angle adequately.Faculdade de Tecnologia (FT)Departamento de Engenharia Civil e Ambiental (FT ENC)Programa de Pós-Graduação em GeotecniaAraújo, Gregório Luís SilvaEvangelista Junior, Franciscoabenezer.tanga@aluno.unb.brTanga, Abenezer Tefera2023-04-28T21:39:23Z2023-04-28T21:39:23Z2023-04-282022-09-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfTANGA, Abenezer Tefera. Machine learning for geomembrane-sand interface analysis. 2022. xiii, 71 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2022.http://repositorio2.unb.br/jspui/handle/10482/45841engA 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/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-02-20T16:53:27Zoai:repositorio.unb.br:10482/45841Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-02-20T16:53:27Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Machine learning for geomembrane-sand interface analysis
title Machine learning for geomembrane-sand interface analysis
spellingShingle Machine learning for geomembrane-sand interface analysis
Tanga, Abenezer Tefera
Floresta aleatória
Aprendizagem de máquina
Geomembrana
Ângulo de atrito
title_short Machine learning for geomembrane-sand interface analysis
title_full Machine learning for geomembrane-sand interface analysis
title_fullStr Machine learning for geomembrane-sand interface analysis
title_full_unstemmed Machine learning for geomembrane-sand interface analysis
title_sort Machine learning for geomembrane-sand interface analysis
author Tanga, Abenezer Tefera
author_facet Tanga, Abenezer Tefera
author_role author
dc.contributor.none.fl_str_mv Araújo, Gregório Luís Silva
Evangelista Junior, Francisco
abenezer.tanga@aluno.unb.br
dc.contributor.author.fl_str_mv Tanga, Abenezer Tefera
dc.subject.por.fl_str_mv Floresta aleatória
Aprendizagem de máquina
Geomembrana
Ângulo de atrito
topic Floresta aleatória
Aprendizagem de máquina
Geomembrana
Ângulo de atrito
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-09-27
2023-04-28T21:39:23Z
2023-04-28T21:39:23Z
2023-04-28
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 TANGA, Abenezer Tefera. Machine learning for geomembrane-sand interface analysis. 2022. xiii, 71 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2022.
http://repositorio2.unb.br/jspui/handle/10482/45841
identifier_str_mv TANGA, Abenezer Tefera. Machine learning for geomembrane-sand interface analysis. 2022. xiii, 71 f., il. Dissertação (Mestrado em Geotecnia) — Universidade de Brasília, Brasília, 2022.
url http://repositorio2.unb.br/jspui/handle/10482/45841
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_ 1814508303515910144

Registros relacionados