| dc.description.abstract | Recentemente tem-se discutido que as estruturas de concreto podem
capturar CO 2 durante a vida útil devido à carbonatação do concreto. Contudo, a
estimativa da carbonatação ao longo do tempo é dependente do desenvolvimento de
modelos matemáticos capazes de conduzirem essa determinação com o menor erro
possível. Em função do número de fatores envolvidos e da não linearidade do
problema, o desenvolvimento destes modelos apresenta-se como uma tarefa
complexa, onde o uso de ferramentas computacionais robustas, que possibilitam a
determinação de modelos de forma simples e otimizadas, por exemplo, as Redes
Neurais Artificiais (RNA’s). Assim, a fim de modelar a carbonatação do concreto para
então estimar o volume de CO 2 capturado durante a vida útil das estruturas, no
presente trabalho foram implementadas em linguagem orientada a objetos C++, RNA’s
do tipo Multilayer Perceptron com três diferentes algoritmos de treinamento
(Backpropagation Classic, Momentum e Delta-bar-Delta). Ao total foram treinadas,
validadas e testadas 1.200 redes, divididas entre os três algoritmos e diferentes
tipologias. A modelagem foi conduzida a partir de um banco de dados advindo de
estudos encontrados na literatura, e para facilitar o uso e difusão do modelo proposto,
foi desenvolvido um software denominado “CARBEM”. A rede que melhor descreveu o
comportamento da carbonatação obteve raiz do erro médio quadrático (RMSE) de
0,84 mm de profundidade no treinamento e 1,57 mm na validação, com correlação de
0,994 e 0,981, respectivamente. Pela análise dos resíduos verificou-se um erro máximo
de 3,381 mm e um erro mínimo de 0,004 mm, o qual é inferior ao erro aceitável descrito
na literatura (5,0 mm). Os resultados apontam a aplicabilidade das RNA’s para modelar
a frente de carbonatação do concreto, atuando como uma ferramenta computacional
robusta e eficiente, e que o modelo apresenta resultados satisfatórios, contribuindo
para o estudo da sustentabilidade e vida útil das estruturas de concreto. | pt_BR |
