Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/23174
Title in Portuguese: Análise comparativa de modelos para previsão e mapeamento de propriedades geotécnicas dos solos da microrregião de Mossoró-RN
Author: Guilherme, Ana Tália Pinto
Advisor(s): Silva, Carlos Augusto Uchôa da
Co-advisor(s): Barroso, Suelly Helena de Araújo
Keywords: Transportes
Redes neurais
Estatística
Mapeamento geotécnico
Issue Date: 22-Dec-2016
Citation: GUILHERME, A. T. P. Análise comparativa de modelos para previsão e mapeamento de propriedades geotécnicas dos solos da microrregião de Mossoró-RN. 2016. 138 f. Dissertação (Mestrado em Engenharia de Transportes)–Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2016.
Abstract in Portuguese: A ausência de uma ferramenta adequada de auxílio a futuros projetos rodoviário na Microrregião de Mossoró motivou o interesse de propor alternativas para reconhecimento prévio das características geotécnicas dos solos com fins de pavimentação. Esta pesquisa apresenta, aplica e compara duas técnicas de modelagem destinadas à localização de solos e de suas características geotécnicas, usando como área de estudos a Microrregião de Mossoró – RN. Deseja-se que os modelos resultantes possam auxiliar no processo de tomada de decisão em obras de pavimentação, minimizando os custos e o tempo de realização estudos geotécnicos, sobretudo na fase de pré-projeto. No desenvolvimento dos modelos foi usado Geoprocessamento para composição do banco de dados georreferenciado e as Técnicas Estatísticas de Regressão e Redes Neurais Artificiais para a modelagem. Visando-se alcançar os objetivos propostos foram investigados dados secundários como as variáveis biofísicas (Pedologia, Geologia, Vegetação e Geomorfologia), as variáveis geomorfométricas (elevação declividade, aspecto, iluminação, plano de curvatura, perfil de curvatura, contribuição do fluxo e direção e comprimento de drenagem) e a Localização Geográfica (Coordenadas) para explicar os fenômenos modelados. Essas características foram correlacionadas às variáveis geotécnicas estimadas (classificação AASHTO -American Association of State Highway and Transportation Officials e CBR - California Bearing Ratio) através das duas técnicas de modelagem. Ao final, obteve-se R² de 76% para modelo estatístico e 91% para o modelo neural para estimação do CBR, já para a Classificação AASHTO, os modelos apresentaram níveis de acertos de 42% para o modelo estatístico e 89% para o modelo neural. Apesar da disparidade do nível de confiança nos modelos de predição das classes de solo, os dois modelos indicaram que o solo A-2-4 é predominante na região. Os índices de correlação para a estimação do CBR foram mais próximos, e foi possível ainda observar que mais de 50% dos solos da região estudada apresentam boa capacidade de aplicação em sub-bases sem necessidade estabilização (valores de CBR maiores de 20%). Adicionalmente, as características geotécnicas estimadas por estes modelos possibilitaram a elaboração de Mapas Geotécnicos, estratificados para previsão dos valores de CBR e Classificação AASHTO.
Abstract: The absence of an adequate tool to assist future road projects in the Mossoró Microregion has motivated the interest of proposing alternatives for prior recognition of the geotechnical characteristics of the soils for paving purposes. This research presents, applies and compares two modeling techniques for the location of soils and their geotechnical characteristics, using as study area the Microregion of Mossoró - RN. It is hoped that the resulting models can aid in the decision-making process in paving works, minimizing the costs and the time of performing geotechnical studies, especially in the pre-design phase. In the development of the models was used Geoprocessing for the composition of the georeferenced database and the Regression Statistics Techniques and Artificial Neural Networks for the modeling. In order to reach the proposed objectives, secondary data such as biophysical variables (Pedology, Geology, Vegetation and Geomorphology), geomorphometric variables (slope elevation, aspect, illumination, curvature plane, curvature profile, flow contribution and direction and Length of drainage) and the Geographic Location (Coordinates) to explain the modeled phenomena. These characteristics were correlated to the estimated geotechnical variables (AASHTO - American Association of State Highway and Transportation Officials and CBR - California Bearing Ratio) through the two modeling techniques. At the end of the study, 76% R² was obtained for statistical model and 91% for the neural model for CBR estimation, and for AASHTO Classification, the models presented correct levels of 42% for the statistical model and 89% for the model neural. Despite the confidence level disparity in the soil class prediction models, the two models indicated that the A-2-4 soil is predominant in the region. The correlation indexes for the CBR estimation were closer, and it was possible to observe that more than 50% of the soils of the studied region present good subbase capacity without stabilization (CBR values greater than 20%). Additionally, the geotechnical characteristics estimated by these models enabled the elaboration of Geotechnical Maps, stratified to predict the values of CBR and AASHTO Classification.
URI: http://www.repositorio.ufc.br/handle/riufc/23174
metadata.dc.type: Dissertação
Appears in Collections:DET - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2016_dis_atpguilherme.pdf4,64 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.