Please use this identifier to cite or link to this item:
http://repositorio.ufc.br/handle/riufc/45306| Type: | Dissertação |
| Title: | Prediction of soil shear strength parameters using artificial neural networks |
| Authors: | Mota, Daniel Gurgel do Amaral |
| Co-advisor: | Dantas Neto, Silvrano Adonias |
| Keywords: | Geotecnia;Redes neurais (Computação);Solos - Deformação;Artificial neural network;Soil shear strength;Cohesion;Friction angle |
| Issue Date: | 2019 |
| Citation: | MOTA, D. G. do A. Prediction of soil shear strength parameters using artificial neural networks. 2019. 158 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 Brazilian Portuguese: | A previsão da resistência ao cisalhamento do solo é extremamente importante para a concepção de projetos em Geotecnia, os quais muitas vezes utilizam teorias de equilíbrio limite ou análise tensão-deformação com modelo elastoplástico de Morh-Coulomb. No entanto, a obtenção dos parâmetros de resistência através de ensaios diretos de laboratório ou campo pode ser inviável, o que culminou na ampla utilização de correlações baseadas em testes de campo como CPT (Cone Penetration Test) e SPT (Standard Penetration Test). Na previsão do ângulo de atrito efetivo (’), tem-se uma ampla utilização do valor de NSPT como variável de entrada, muito embora alguns autores apontam para a incapacidade de utilização desse parâmetro só e, por conseguinte, apresentam correções a partir da tensão confinante (’v0) (Kulhawy e Mayne, 1990; Hatanaka e Uchida, 1996). Por sua vez, na previsão da coesão não-drenada (cu), as correlações apontam para resultados expressivos obtidos a partir da utilização da resistência à penetração do CPT como parâmetro de entrada no modelo (Rémai, 2013; Zein, 2017; Otoko et al., 2019). Entretanto, a utilização dessas correlações apresenta capacidade limitada, uma vez que não foram calibradas para a obtenção de c’ e ’ simultaneamente em solos com ambas as parcelas de resistência ou mesmo para estimativa da coesão efetiva (c’). Dessa forma, tendo em vista a capacidade de generalização das redes neurais artificiais na modelagem de problemas complexos, alguns estudos foram propostos com o intuito de estimar c’ e ’ a partir de variáveis de entrada obtidas em laboratório (Das e Basudhar, 2008; Göktepe, 2008; Shooshpasha, Amiri & MolaAbasi, 2014; Braga 2014). O objetivo do presente estudo é propor redes neurais artificiais para prever c’ e ’ a partir de parâmetros coletados em campo NSPT, v0’ e tipo de solo, de forma a facilitar a concepção de projetos em casos em que a coleta de amostras indeformadas se mostre inviável. Para tal, um banco de dados de 168 amostras foi coletado e usado para treinamento, teste e validação de redes neurais. A comparação dos modelos mostrou que a previsão de c' e ' simultaneamente teve a melhor eficiência entre os modelos que utilizaram RNA, superando também os resultados obtidos através das correlações lineares e não-lineares. A utilização de RNA superou também a eficiência das correlações existentes propostas por Dunham (1954), Godoy (1983) e Hatanaka & Uchida (1996) para a previsão de ’, assim como de Decourt (1989) e Terzaghi & Peck (1996) para a previsão de cu. |
| Abstract: | Predicting soil shear strength is extremely important for the design of geotechnical designs, which often use limit equilibrium theories or stress-strain analysis with Morh-Coulomb elastoplastic model. However, obtaining the resistance parameters through direct laboratory or field tests may be unfeasible, which resulted in the wide use of correlations based on field tests such as CPT (Cone Penetration Test) and SPT (Standard Penetration Test). In predicting the effective friction angle ( '), there is a wide use of the NSPT value as the input variable, although some authors point to the inability to use this parameter only and, therefore, present corrections from the confining tension ('v0) (Kulhawy and Mayne, 1990; Hatanaka and Uchida, 1996). In the prediction of undrained cohesion (cu), the correlations point to expressive results obtained from the use of CPT penetration resistance as an input parameter in the model (Rémai, 2013; Zein, 2017; Otoko et al ., 2019). However, the use of these correlations has limited capacity, since they were not calibrated to obtain c 'and' 'simultaneously in soils with both resistance plots or even to estimate the effective cohesion (c'). Thus, considering the generalization capacity of artificial neural networks in the modeling of complex problems, some studies have been proposed to estimate c 'and ' from input variables obtained in the laboratory (Das and Basudhar, 2008; Göktepe, 2008; Shooshpasha, Amiri & MolaAbasi, 2014; Braga 2014). The aim of the present study is to propose artificial neural networks to predict c 'and ' from parameters collected in NSPT, v0 'field and soil type, in order to facilitate project design in cases where sample collection undeformed proves to be unfeasible. To this end, a database of 168 samples was collected and used for training, testing and validation of neural networks. The comparison of the models showed that the prediction of c 'and ' simultaneously had the best efficiency among the models that used RNA, also surpassing the results obtained through the linear and nonlinear correlations. The use of RNA also surpassed the efficiency of existing correlations proposed by Dunham (1954), Godoy (1983) and Hatanaka & Uchida (1996) for the prediction of ', as well as Decourt (1989) and Terzaghi & Peck (1996). for the forecast of cu. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/45306 |
| Appears in Collections: | DEHA - Dissertações defendidas na UFC |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2019_dis_dgamota.pdf | 6,06 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.