Previsão do comportamento do cimento Portland CPIV por meio do uso de técnicas de Machine Learning com diferentes bancos de dados

Abstract

O uso de cimentos pozolânicos tem crescido no meio da construção civil, de forma que mais estudos são necessários a fim de compreender suas propriedades. As técnicas de Machine Learning (ML) têm sido utilizadas em pesquisas recentes para análise de bancos de dados de propriedades de materiais como concretos e cimentos Portland. Notou-se que há uma ausência na literatura de trabalhos analisando a previsão da resistência à compressão de cimentos pozolânicos produzidos por uma única fábrica, ainda mais com o uso inputs de mais fácil obtenção. Portanto, neste trabalho foram utilizadas técnicas de Artificial Neural Networks com o objetivo de prever a resistência à compressão de cimentos contendo argila calcinada em sua composição. Foram utilizados dados de caracterização físico-química (como teores de óxidos e de compostos principais) do cimento de uma única indústria para a montagem de 5 bancos de dados, variando nos tipos de inputs adotados. Cada banco de dados foi utilizado para treinamento de um algoritmo diferente que posteriormente teve seu desempenho analisado por meio de indicadores de qualidade como R², RMSE e MAPE. Dois dos algoritmos se destacaram entre os demais, um utilizando teores de óxidos (A1) e outro com teores de compostos principais (B2), sendo o primeiro mais eficiente nas previsões que o segundo. Foram apresentados para A1 e B2, respectivamente, valores de MAPE (2,36% e 3,12%), RMSE (1,204 e 1,513 MPa) e erro absoluto médio (0,999 e 1,300 MPa) considerados eficientes de acordo com a literatura existente, apesar de valores de R² (0,50 e 0,51). Por meio dos resultados obtidos foi possível efetuar previsões consideravelmente confiáveis (com baixo erros relativos e absolutos) da resistência à compressão aos 28 dias do cimento pozolânico. Tal fato faz dos modelos produzidos alternativas promissoras para a avaliação dessa propriedade em futuras pesquisas.