Please use this identifier to cite or link to this item:
http://repositorio.ufc.br/handle/riufc/7980| Type: | Dissertação |
| Title: | Previsão de recalques em fundações profundas utilizando redes neurais artificiais do tipo Perceptron |
| Title in English: | Prediction of settlements deep foundation using artificial neural networks perceptron |
| Authors: | Amancio, Luciana Barbosa |
| Advisor: | Dantas Neto, Silvrano Adonias |
| Keywords: | Geotecnia;Fundações (Engenharia);Redes neurais (Computação) |
| Issue Date: | 2013 |
| Citation: | AMANCIO, L. B. Previsão de recalques em fundações profundas utilizando redes neurais artificiais do tipo Perceptron. 2013. 90 f. Dissertação (Mestrado em Engenharia Civil: Geotecnia)-Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2013. |
| Abstract in Brazilian Portuguese: | A previsão de recalque em fundações profundas do tipo estacas hélice contínua, escavada e cravada metálica é o objeto principal desse estudo. O recalque é o deslocamento vertical para baixo que uma fundação apresenta quando submetida a um determinado carregamento. A estimativa dos recalques em fundações profundas pode ser feita utilizando-se diversas metodologias, dentre as quais os métodos numéricos e os teóricos. Diferentes variáveis influenciam os recalques ocorridos nas fundações profundas do tipo estaca destacando-se as características de resistência e deformabilidade dos materiais envolvidos, a estratigrafia do solo de fundação e a geometria do elemento estrutural de fundação, dentre outras, configurando-se, portanto, como um problema multi-variado e de grande complexidade. Uma alternativa para a estimativa mais realista dos recalques em fundações profundas consiste no emprego das redes neurais artificiais, que são modelos que trabalham analogamente ao cérebro humano que têm, recentemente, contribuído na resolução de problemas complexos em diversas áreas da Engenharia Civil. Nessa pesquisa foram utilizadas redes neurais multicamadas alimentadas adiante (perceptron multi-camadas) para o desenvolvimento de um modelo de previsão de recalques em estacas, a partir de um treinamento supervisionado, que utiliza o algoritmo de retropropagação do erro (error back propagation). Para o desenvolvimento do modelo foram coletados resultados de ensaios SPT e provas de carga estática, e com auxílio do programa QNET2000 foram treinados e validados vários modelos de redes neurais. Após as análises e comparações entre os resultados de diferentes configurações, constatou-se que as redes neurais artificiais foram capazes de entender o comportamento das fundações profundas do tipo hélice contínua, cravada metálica e escavada no que tange a influência das variáveis de entrada consideradas para a estimativa dos recalques. Além disto, constatou-se que os resultados obtidos pelo modelo desenvolvido permitem, dentre outras coisas, a definição das cargas de trabalho e cargas limites na estaca. A arquitetura desse modelo é formada por 6 nós na camada de entrada, 20 neurônios distribuídos em 3 camadas ocultas, e 1 neurônio na camada de saída, correspondente ao recalque medido para a estaca. O processo de alteração dos pesos sinápticos, na fase de validação do modelo, com 4 milhões de iterações resultou no maior coeficiente de correlação entre os recalques estimados e os recalques medidos, que foi de 0,89, o qual pode ser considerado satisfatório, em se tratando da previsão de um fenômeno complexo. |
| Abstract: | The settlement deep foundations preview of stakes continuous helix, metallic dug and stuck is the aim of this study. The settlement is a vertical down dislocation a foundation shows when it undergoes a determined charge. The settlements assessment in deep foundations can be done using several methods as, for instance, the numerical and the theoretical ones. Different variables influence the settlements occurred in foundations of the stake kind which can be detached, among them, the characteristics of resistance and deformation of the involved material, the stratigraphy of the foundation ground and the geometry of the foundation’s structural element manifesting, thus, a multi-diverse and high-complex problem. An alternative to a more realistic assessment of the settlements in deep foundations consists in the application of the artificial neural networks, models that work analogically in the human brain which have been recently contributing to the resolution of complex problems in different areas of Civil Engineering. In this research, multi-marked neural networks were used, fed ahead (perceptron multi-layer) to develop a preview model of settlements in stakes, since a managed training which uses the error back propagation algorithm. To the development of the model, SPT experiments and static charge tests’ results were collected and, with the help of QNET 2000 program, several neural network models were tested and validated. After the analysis and comparison of the different configurations’ results, it was verified that the artificial neural networks were able to understand the deep foundations behavior, continuous helix, metallic dug and stuck kind concerned to the influence of entrance variables considered to the settlements assessment. Furthermore, the results obtained by the developed model allow, through other factors, the definition of work charges and limit charges on the stake. The architecture of this model is formed by 6 knots in the entrance layer, 20 neurons distributed in 3 hidden layers and 1 neuron in the exit layer, corresponding to the measured settlements to the stake. The change process of the synaptic heights, in the model’s validation stage, with 4 million iterations, resulted in the bigger correlation coefficient between the assessed and the measured settlements (0.89), which is satisfactory regarding the preview of a complex phenomenon. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/7980 |
| Appears in Collections: | DEHA - Dissertações defendidas na UFC |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2013_dis_lbamancio.pdf | 1,75 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.