http://repositorio2.unb.br/jspui/handle/10482/44263
File | Description | Size | Format | |
---|---|---|---|---|
2022_JéssicaFallNogueiraChaves.pdf | 3,13 MB | Adobe PDF | View/Open |
Title: | Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning |
Authors: | Chaves, Jéssica Fall Nogueira |
metadata.dc.contributor.email: | jessicafall@live.com |
Orientador(es):: | Rêgo, João Henrique da Silva |
Coorientador(es):: | Evangelista Junior, Francisco |
Assunto:: | Cimento portland Aprendizagem de máquina Materiais cimentícios Materiais cimentícios - resistência à compressão |
Issue Date: | 14-Jul-2022 |
Data de defesa:: | 17-Mar-2022 |
Citation: | CHAVES, Jéssica Fall Nogueira. Automatização da análise do desempenho termo energético das envoltórias de edificações residenciais a partir da integração BIM-VPL. 2022. xviii, 133 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022. |
Abstract: | A previsão da resistência à compressão de materiais cimentícios utilizando modelos de aprendizado de máquina (ML, sigla do termo na língua inglesa, Machine Learning) é um recurso de grande interesse para aplicação na área de Engenharia Civil. O ML vem sendo aplicado para estimar a resistência à compressão de argamassas e concretos mundialmente. Porém, a partir de uma revisão sistematizada da literatura, notou-se uma carência de trabalhos com o enfoque da sua aplicação para previsão do comportamento mecânico do cimento Portland comum (CPC). Portanto, o objetivo da pesquisa foi a previsão da resistência à compressão aos 28 dias do CPC com as técnicas de ML Random Forest (RF) Neural Networks (NN) a partir de resultados experimentais de trabalhos científicos que caracterizaram amostras de CPC, coletados na literatura aberta. Em adição, foi realizada uma análise exploratória desses dados e a estimativa dos 4 compostos principais do CPC através do cálculo potencial de Bogue. A performance do treinamento foi verificada através de três critérios estatísticos, coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro quadrado médio (MSE). Como resultado, o modelo de RF e NN obtiveram performances satisfatórias e os valores obtidos dos critérios estatísticos para o treinamento e teste da RF foram, respectivamente, R² (0,93 e 0,65), RMSE (2,00 e 4,50) e MSE (6,80 e 31,22), e para o treinamento e teste da NN foram, respectivamente, R² (0,96 e 0,64), RMSE (0,85 e 4,86) e MSE (1,72 e 35,10). Os resultados atingidos pelas duas técnicas foram similares e ao analisálos, foi possível perceber que a previsão da resistência à compressão do CPC a partir de dados da literatura é possível, o que pode trazer incremento na indústria do cimento, propondo um método alternativo da avaliação dessa propriedade. |
Abstract: | The prediction of the compressive strength of cementitious materials using Machine Learning (ML) models is a resource of great interest for application in Civil Engineering. The ML has been applied to estimate the compressive strength of mortars and concretes worldwide. However, based on a systematic review of the literature, there was a lack of studies focusing on its application to predict the mechanical behavior of ordinary Portland cement (OPC). Therefore, the objective of the research was to predict the compressive strength at 28 days of OPC with the techniques of ML Random Forest (RF) Neural Networks (NN) from experimental results of scientific works that characterized samples of OPC, collected in the literature. open. In addition, an exploratory analysis of these data was performed and the estimation of the 4 main compounds of the OPC through the Bogue potential calculation was performed. The training performance was verified through three statistical criteria, coefficient of determination (R²), mean squared error (RMSE) and mean squared error (MSE). As a result, the RF and NN models obtained satisfactory performances and the values obtained from the statistical criteria for training and testing the RF were, respectively, R² (0.93 and 0.65), RMSE (2.00 and 4.50) and MSE (6.80 and 31.22), and for the training and testing of the NN they were, respectively, R² (0.96 and 0.64), RMSE (0.85 and 4.86) and MSE (1 .72 and 35.10). The results achieved by the two techniques were similar and when analyzing them, it was possible to perceive that the prediction of the compressive strength of OPC from literature data is possible, which can bring an increase in the cement industry, proposing an alternative method of assessment of that property. |
metadata.dc.description.unidade: | Faculdade de Tecnologia (FT) Departamento de Engenharia Civil e Ambiental (FT ENC) |
Description: | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil, 2022. |
metadata.dc.description.ppg: | Programa de Pós-Graduação em Estruturas e Construção Civil |
Licença:: | A 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. |
Appears in Collections: | Teses, dissertações e produtos pós-doutorado |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.