Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/85449
Tipo: Dissertação
Título: Propostas de modelos para dimensionamento de dispositivos de controle de percolação interna - abraços - em barragens de terra por meio de técnicas de apredizado de máquina
Título em inglês: Model proposals for sizing devices internal percolation control - hugs - in water dams land through machine learning techniques
Autor(es): Sousa, Ana Cinthya Mariano de
Orientador: Dantas Neto, Silvrano Adonias
Palavras-chave em português: Barragens de terra;Muro de arrimo;Controle de percolação (Geotecnia);Aprendizado do computador;Simulação (Computadores);Águas subterrâneas - Escoamento
Palavras-chave em inglês: Earth dams;Retaing walls;Percolation control (Geotechnics);Machine learning;Computer simulation;Groundwater flow
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA CIVIL::GEOTECNICA
Data do documento: 2025
Citação: SOUSA, Ana Cinthya Mariano de. Propostas de modelos para dimensionamento de dispositivos de controle de percolação interna - abraços - em barragens de terra por meio de técnicas de apredizado de máquina. 2025. 162 f. Dissertação (Mestrado em Engenharia Civil-Geotecnia) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2025.
Resumo: Esta pesquisa desenvolve modelos preditivos voltados ao dimensionamento otimizado de dis- positivos de controle de percolação interna em barragens de terra, comumente denominados “abraços”, os quais desempenham papel fundamental na mitigação de processos erosivos ao longo da interface solo/estrutura. Para tal, foi adotada uma abordagem integrada que combina simulações computacionais tridimensionais baseadas no Método dos Elementos Finitos (MEF) com técnicas de aprendizado de máquina, possibilitando a análise aprofundada do comporta- mento do fluxo hidráulico em diferentes cenários geotécnicos, hidráulicos e geométricos. A modelagem numérica considerou uma série de variações paramétricas, incluindo diferentes valores de condutividade hidráulica, graus de saturação, características físicas das fundações, além de geometrias distintas para os dispositivos de controle. Como resultado, foi gerado um banco de dados robusto e representativo, o qual serviu como base para o treinamento de diferen- tes algoritmos de aprendizado de máquina, notadamente Redes Neurais Artificiais, Árvores de Decisão, Florestas Aleatórias e o modelo XGBoost. Dentre os modelos avaliados, o XGBoost apresentou o desempenho mais satisfatório, alcançando um coeficiente de determinação (R2) de 96.58 % no conjunto de dados de treinamento e 90,58 % no conjunto de teste, aliado a métricas de erro reduzidas (Erro Médio Absoluto - MAE = 7.03; Raiz do Erro Quadrático Médio - RMSE = 16.38; Erro Percentual Absoluto Médio - MAPE = 13.7 % ), o que evidencia a capacidade do modelo em realizar predições do comprimento ideal dos dispositivos. A utilização desses modelos permitiu identificar o comprimento mais eficiente do dispositivo abraço, promovendo a redução de gradientes hidráulicos críticos e, consequentemente, a prevenção de mecanismos de erosão interna. Assim, os resultados obtidos fornecem subsídios técnicos relevantes para o aprimoramento de projetos de barragens de terra, especialmente em contextos onde há limitação de dados experimentais, configurando-se como uma solução eficiente e economicamente viável no campo da engenharia geotécnica aplicada à segurança de obras hidráulicas.
Abstract: This research develops predictive models aimed at the optimized design of internal seepage control devices in earth dams, commonly referred to as wraparound, which play a key role in mitigating erosion processes along the soil–structure interface. To achieve this, an integrated approach was adopted, combining three-dimensional computational simulations based on the Finite Element Method (FEM) with machine learning techniques, enabling an in-depth analysis of hydraulic flow behavior across a wide range of geotechnical, hydraulic, and geometric conditions. The numerical modeling accounted for a series of parametric variations, including different values of hydraulic conductivity, degrees of saturation, foundation characteristics, and diverse geometries of the control devices. As a result, a robust and representative dataset was generated and used to train various machine learning algorithms, notably Artificial Neural Networks, Decision Trees, Random Forests, and the XGBoost model. Among the models evaluated, XGBoost exhibited the most satisfactory performance, achieving a coefficient of determination (R2) of 96.58% for the training dataset and 90.58% for the test dataset, along with low error metrics (Mean Absolute Error – MAE = 7.03; Root Mean Square Error – RMSE = 16.38; Mean Absolute Percentage Error – MAPE = 13.7%), demonstrating the model’s strong predictive capability in estimating the optimal device length. The use of these models enabled the identification of the most effective “abraço” configurations, leading to a reduction in critical hydraulic gradients and, consequently, the prevention of internal erosion mechanisms. Therefore, the findings provide valuable technical insights for improving earth dam design, particularly in contexts with limited experimental data, establishing a reliable, efficient, and cost-effective solution within geotechnical engineering applied to the safety of hydraulic structures.
Descrição: Este documento está disponível online com base na Portaria no 348, de 08 de dezembro de 2022, disponível em: https://biblioteca.ufc.br/wp-content/uploads/2022/12/portaria348-2022.pdf, que autoriza a digitalização e a disponibilização no Repositório Institucional (RI) da coleção retrospectiva de TCC, dissertações e teses da UFC, sem o termo de anuência prévia dos autores. Em caso de trabalhos com pedidos de patente e/ou de embargo, cabe, exclusivamente, ao autor(a) solicitar a restrição de acesso ou retirada de seu trabalho do RI, mediante apresentação de documento comprobatório à Direção do Sistema de Bibliotecas.
URI: http://repositorio.ufc.br/handle/riufc/85449
Currículo Lattes do(s) Autor(es): http://lattes.cnpq.br/5092169746100804
Currículo Lattes do Orientador: http://lattes.cnpq.br/0235333924628000
Tipo de Acesso: Acesso Aberto
Aparece nas coleções:DEHA - Dissertações defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2025_dis_acmsousa.pdf2,54 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.