Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/49667
Title in Portuguese: Aplicações de redes neurais artificiais para previsão do comportamento cisalhante em descontinuidades de maciços rochosos
Title: Applications of artificial neural networks for behavior prediction shear in rock mass discontinuities
Author: Leite, Ana Raquel Sena
Advisor(s): Dantas Neto, Silvrano Adonias
Keywords: Geotecnia
Redes neurais (Computação)
Zonas de cisalhamento (Geologia)
Discontinuities
Dilation
Shear strengt
Issue Date: 22-Dec-2019
Citation: LEITE, A. R. S. Aplicações de redes neurais artificiais para previsão do comportamento cisalhante em descontinuidades de maciços rochosos. 2019. 156 f. Dissertação (Mestrado em Engenharia Civil) - Centro de Tecnologia, Programa de Pós-Graduação em Engenharia Civil: Geotecnia, Universidade Federal do Ceará, Fortaleza, 2019.
Abstract in Portuguese: A resistência dos maciços rochosos é significativamente influenciada pela presença das descontinuidades, tendo o comportamento cisalhante dessas como governante em diversos problemas de estabilidade. Apesar de existir modelos consagrados para a obtenção dos valores de resistência, esses não são válidos com o aumento da complexidade do problema; devido a presença de preenchimento, ou pela presença de sistemas confinantes. Os modelos existentes que mensuram essas e outras particularidade apresentam limitações, sobretudo devido à falta de ensaios laboratoriais suficiente para validá-los e a dificuldade em obter alguns de seus parâmetros. Nesse contexto, foi proposto o uso de redes neurais artificiais (RNA) do tipo perceptron multicamadas com retropropagação do erro, para prever o comportamento cisalhante de descontinuidades rochosas com e sem preenchimento, sob carga normal constante (CNL) e rigidez normal constante (CNS). Para tal feito, foram desenvolvidos dois modelos para previsão do comportamento cisalhante: um primeiro modelo para aquisição da tensão cisalhante e dilatância com o decorrer do deslocamento horizontal e um segundo modelo para resistência cisalhante pico. Os parâmetros de entrada usados em geral foram: rigidez normal do contorno (kn); razão entre espessura do preenchimento pela amplitude da aspereza (t/a); tensão normal inicial (no); índice de rugosidade da rocha (JRC); resistência à compressão uniaxial da rocha sã (c); ângulo de atrito básico (b), ângulo de atrito do preenchimento (fill); e o deslocamento horizontal (h), mas apenas para o primeiro modelo. Para previsão da tensão cisalhante e dilatância com deslocamento horizontal, após a análise de diversos modelos, foi selecionado o Gm de arquitetura 8-20-10-5-2 em 500 mil iterações e coeficiente de correlação na fase de treinamento de 99,3% e de teste de 99,0%. Como variável de entrada mais relevante, o modelo Gm teve a no e kn para tensão cisalhante e c, t/a e JRC para dilatância. O modelo teve boa concordância com as comparações gráficas, dados experimentos, juntas hipotéticas e com modelos da literatura. Para a resistência cisalhante de pico, após a avaliação dos modelos propostos, foi obtido como melhor o G1m, com arquitetura 7-30-1 em 797.660 iterações. Seu coeficiente de correlação na fase de treinamento foi de 99,5% e na de teste 98,0%. O modelo apresentou boa correlação com os dados experimentais, boa interpretação das variáveis governantes em juntas hipotéticas e boa interpolação com modelos da literatura. Modelo G1m teve como variáveis de entrada com maior influência a no, c, kn e JRC.
Abstract: The strength of rock masses is significantly influenced by the presence of discontinuities, having their shear behavior as ruler in several stability issues. Although there are established models for obtaining the values of resistance, these are not valid with increasing complexity of the problem; because presence of padding, or the presence of confining systems. The existing models that measure these and other particularities have limitations, mainly due to the lack of sufficient laboratory tests to validate them and the difficulty in obtaining some of their parameters. In this context, it was proposed to use artificial neural networks (RNA) of the multilayer perceptron with error backpropagation to predict the behavior shear of filled and unfilled rock discontinuities under constant normal loading (CNL) and constant normal stiffness (CNS). For this purpose, two models were developed to shear behavior prediction: a first model for shear stress acquisition and dilatance with the course of horizontal displacement and a second model for resistance peak shear. The input parameters generally used were: normal contour stiffness (kn); fill thickness to roughness amplitude ratio (t / a); normal tension initial (no); rock roughness index (JRC); uniaxial rock compressive strength sound (c); basic friction angle (b), fill friction angle (fill); and the displacement horizontal (h), but only for the first model. For prediction of shear stress and with horizontal displacement, after analysis of several models, the 8-20-10-5-2 architecture Gm in 500 thousand iterations and correlation coefficient in the 99.3% training and 99.0% test. As the most relevant input variable, the model Gm had a no and kn for shear stress and c, t / a and JRC for swelling. The model had good agreement with the graphical comparisons, experimental data, hypothetical joints and literature models. For the peak shear strength, after the evaluation of the models proposed, G1m was best obtained, with architecture 7-30-1 in 797,660 iterations. Your Correlation coefficient in the training phase was 99.5% and in the test phase 98.0%. The model presented good correlation with experimental data, good interpretation of variables rulers in hypothetical joints and good interpolation with literature models. G1m model had as input variables with greater influence the no, c, kn and JRC.
URI: http://www.repositorio.ufc.br/handle/riufc/49667
metadata.dc.type: Dissertação
Appears in Collections:DEHA - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2019_dis_arsleite.pdf4,7 MBAdobe PDFView/Open


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