Classificação de maciços rochosos: uma abordagem por redes neurais

Detalhes bibliográficos
Autor(a) principal: Lins, Paulo Gustavo Cavalcante
Data de Publicação: 2002
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: http://www.teses.usp.br/teses/disponiveis/18/18132/tde-08032016-114433/
Resumo: Os sistemas de classificação maciços rochosos e as redes neurais artificiais possuem diversas similaridades. Existem características que estão presentes nos dois tipos de sistemas: bases de dados são usadas para o seu desenvolvimento; e pesos são parte da representação do conhecimento. Os principais sistemas de classificação geomecânicas (Sistema Q e RMR) podem ser escritos como representações neurais locais. Tais representações permitem uma melhor compreensão do processo de classificação e identificação de padrões realizado pelas classificações convencionais. Experimentos convencionais foram realizados com modelos de redes neurais não-supervisionados. Os modelos não supervisionados permitiriam uma melhor compreensão da distribuição dos dados no espaço de feições. Um modelo supervisionado para escavações subterrâneas em todo domínio do espaço de feições. Importantes relações entre características foram encontradas.
id USP_7720230b3333f73db84d636f12226266
oai_identifier_str oai:teses.usp.br:tde-08032016-114433
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Classificação de maciços rochosos: uma abordagem por redes neuraisRock mass classification: a neural network approachArtificial neural networksClassificações de maciços rochososEscavações subterrâneasRedes neurais artificiaisRock mass classificationTúneisTunnelsUnderground excavationOs sistemas de classificação maciços rochosos e as redes neurais artificiais possuem diversas similaridades. Existem características que estão presentes nos dois tipos de sistemas: bases de dados são usadas para o seu desenvolvimento; e pesos são parte da representação do conhecimento. Os principais sistemas de classificação geomecânicas (Sistema Q e RMR) podem ser escritos como representações neurais locais. Tais representações permitem uma melhor compreensão do processo de classificação e identificação de padrões realizado pelas classificações convencionais. Experimentos convencionais foram realizados com modelos de redes neurais não-supervisionados. Os modelos não supervisionados permitiriam uma melhor compreensão da distribuição dos dados no espaço de feições. Um modelo supervisionado para escavações subterrâneas em todo domínio do espaço de feições. Importantes relações entre características foram encontradas.Rock mass classification systems and artificial neural networks have several similarities. There is some characteristics present in both systems: data bases are used in they development, and weights are part of the knowledge representation. The main rock mass classification systems (Q-system and RMR) can be written as local neural network representations. This representation helps a better understanding of the pattern classification and identification process made by the conventional classifications. Computational experiments were made with unsupervised and supervised neural networks models. Unsupervised models allow a better understanding of the data in the feature space. A supervised model allow to make a mapping of the support type used in underground excavation in all feature space domain. Important relations between domain regions characteristics and type of support used were found.Biblioteca Digitais de Teses e Dissertações da USPCelestino, Tarcísio BarretoLins, Paulo Gustavo Cavalcante2002-04-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://www.teses.usp.br/teses/disponiveis/18/18132/tde-08032016-114433/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2018-10-02T20:03:01Zoai:teses.usp.br:tde-08032016-114433Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212018-10-02T20:03:01Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Classificação de maciços rochosos: uma abordagem por redes neurais
Rock mass classification: a neural network approach
title Classificação de maciços rochosos: uma abordagem por redes neurais
spellingShingle Classificação de maciços rochosos: uma abordagem por redes neurais
Lins, Paulo Gustavo Cavalcante
Artificial neural networks
Classificações de maciços rochosos
Escavações subterrâneas
Redes neurais artificiais
Rock mass classification
Túneis
Tunnels
Underground excavation
title_short Classificação de maciços rochosos: uma abordagem por redes neurais
title_full Classificação de maciços rochosos: uma abordagem por redes neurais
title_fullStr Classificação de maciços rochosos: uma abordagem por redes neurais
title_full_unstemmed Classificação de maciços rochosos: uma abordagem por redes neurais
title_sort Classificação de maciços rochosos: uma abordagem por redes neurais
author Lins, Paulo Gustavo Cavalcante
author_facet Lins, Paulo Gustavo Cavalcante
author_role author
dc.contributor.none.fl_str_mv Celestino, Tarcísio Barreto
dc.contributor.author.fl_str_mv Lins, Paulo Gustavo Cavalcante
dc.subject.por.fl_str_mv Artificial neural networks
Classificações de maciços rochosos
Escavações subterrâneas
Redes neurais artificiais
Rock mass classification
Túneis
Tunnels
Underground excavation
topic Artificial neural networks
Classificações de maciços rochosos
Escavações subterrâneas
Redes neurais artificiais
Rock mass classification
Túneis
Tunnels
Underground excavation
description Os sistemas de classificação maciços rochosos e as redes neurais artificiais possuem diversas similaridades. Existem características que estão presentes nos dois tipos de sistemas: bases de dados são usadas para o seu desenvolvimento; e pesos são parte da representação do conhecimento. Os principais sistemas de classificação geomecânicas (Sistema Q e RMR) podem ser escritos como representações neurais locais. Tais representações permitem uma melhor compreensão do processo de classificação e identificação de padrões realizado pelas classificações convencionais. Experimentos convencionais foram realizados com modelos de redes neurais não-supervisionados. Os modelos não supervisionados permitiriam uma melhor compreensão da distribuição dos dados no espaço de feições. Um modelo supervisionado para escavações subterrâneas em todo domínio do espaço de feições. Importantes relações entre características foram encontradas.
publishDate 2002
dc.date.none.fl_str_mv 2002-04-24
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://www.teses.usp.br/teses/disponiveis/18/18132/tde-08032016-114433/
url http://www.teses.usp.br/teses/disponiveis/18/18132/tde-08032016-114433/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256795222900736

Registros relacionados