Search

Submitted by Boris Flegr (boris@uerj.br) on 2021-01-06T19:00:18Z No. of bitstreams: 1 Bruno Vieira de Jesus_BDTD.pdf: 5376832 bytes, checksum: e1825db36af2df8687bb6dcca5956103 (MD5) Made available in DSpace on 2021-01-06T19:00:18Z (GMT). No. of bitstreams: 1 Bruno Vieira de Jesus_BDTD.pdf: 5376832 bytes, checksum: e1825db36af2df8687bb6dcca5956103 (MD5) Previous issue date: 2019-02-12 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior This work presents experiments of prediction failure load in piles compression axially loaded using artificial neural networks (ANNs). The database used in the research has 342 elements, and consists of static compression load test, dynamic load tests and standard penetration tests results. The software used was MATLAB®, version R2017a. Four network models are used to try to predict the failure load from data of the pile s length and cross-sectional area and the NSPT s values. In each model, training and testing are perform. Subsequently, each architecture is validated, presenting the best performing networks. The different models search a refinement of the network, and the generalization capacity of the same. In Model 01 the best performing network presents Rtraining = 0.96 and Rtest = 0.81. In Model 02, there was a refinement in the network, obtains Rtraining = 0.99 and Rtest = 0.89. In Model 03, the best network presents Rtraining = 0.95 and Rtest = 0.93 and in Model 04 the network obtains Rtraining = 0.95 and Rtest = 0.96. Although the good correlation coefficients presented, all the networks present high percentage errors in the training and test results, as well as in the validation results, when the data obtained (output) with the expected data (target) were compared. The results suggest that the networks were not able to generalize a solution obtaining a final result with satisfactory answers. Some factors that may interfere with network performance are the quality of the database information, the diversity of soils, which can lead to different outputs for the same input data, and the uncertainties inherent in soil behavior and the quality of the tests analyzed. Este trabalho apresenta experimentos de predição de carga de ruptura de estacas carregadas axialmente à compressão utilizando redes neurais artificiais (RNA). O banco de dados utilizado na pesquisa possui 342 elementos, e é composto de resultados de provas de cargas estáticas à compressão, ensaios de carregamentos dinâmicos e sondagens à percussão. O programa adotado é o MATLAB®, versão R2017a. São utilizados quatro modelos de redes buscando-se a previsão da carga de ruptura a partir de dados do comprimento e área da seção transversal da estaca, e dos valores do NSPT. Em cada modelo realizam-se processos de treinamento e teste. Posteriormente, procede-se à validação de cada arquitetura adotada, apresentando-se as redes com melhor desempenho. Os diferentes modelos buscaram um refinamento da rede, e a capacidade de generalização da mesma. No Modelo 01, a rede com melhor desempenho apresenta Rtraining = 0,96 e Rtest = 0,81. No Modelo 02, houve um refinamento na rede, chegando-se a Rtraining = 0,99 e Rtest = 0,89. No Modelo 03, a rede com melhor performance apresenta Rtraining = 0,95 e Rtest = 0,93 e no Modelo 04, a rede chegou a Rtraining = 0,95 e Rtest = 0,96. Apesar dos bons coeficientes de correlação apresentados, todas as redes apresentam elevados erros percentuais nos resultados do treinamento e teste, bem como na etapa de validação, quando se comparam os dados obtidos (output) com os dados esperados (target). Os resultados sugerem que as redes não são capazes de generalizar uma solução obtendo um resultado final com respostas satisfatórias. Alguns fatores que podem interferir no desempenho da rede são a qualidade das informações do banco de dados, a diversidade de solos, que pode conduzir a saídas distintas para um mesmo dado de entrada, e às incertezas inerentes ao comportamento dos solos e à qualidade dos ensaios analisados.