Proposta de modelo ensemble de aprendizagem de máquina para a predição da profundidade de carbonatação de concretos expostos a condições naturais de degradação.

Página do item simplificado
dc.contributor.authorLavinicki, Breno de Melo
dc.date.accessioned2024-11-11T13:20:15Z
dc.date.available2024-11-11T13:20:15Z
dc.date.issued2024
dc.descriptionDissertação apresentada ao Programa de Pós-Graduação em Engenharia Civil da Universidade Federal da Integração Latino-Americana, como parte integrante dos requisitos para obtenção do título de Mestre em Engenharia Civil.
dc.description.abstractprocesso de carbonatação desempenha um papel muito importante no que se refere a vida útil de estruturas de concreto armado. Desenvolver modelos eficientes para prever a profundidade de carbonatação ao longo do ciclo de vida das estruturas tem sido objeto de investigação e exige profunda compreensão das diversas variáveis que influenciam o processo. Diante disso, neste estudo, avalia-se o emprego de técnicas ensemble de aprendizagem, do tipo Stacking, baseado no acoplamento de predições obtidas via aprendizado de máquina, para a estimativa da profundidade da carbonatação do concreto. As modelagens foram realizadas considerando um banco de dados com 1021 dados de medições de profundidade de carbonatação em concretos expostos a ambientes de degradação natural. Foram utilizadas dez variáveis, relacionadas à composição da estrutura de concreto e às interferências do ambiente de exposição ao fenômeno da carbonatação. Ao todo 120 modelos individuais de redes neurais artificiais foram definidos e treinados, selecionando os cinco mais eficientes. O desempenho dos modelos foi avaliado utilizando o coeficiente de determinação (R²) ponderado, que combina o R² de teste e o R² de treinamento. Para o modelo ensemble, foram consideradas como entradas, as predições dos cinco modelos de RNAs com melhores performances. A abordagem ensemble do tipo Stacking resultou em uma melhoria de 9% no desempenho de generalização em comparação com o melhor modelo individual de RNAs, demonstrando um aprimoramento de 14% na precisão em relação aos modelos individuais. O modelo Ensemble com melhor performance, é capaz de prever a profundidade de carbonatação com um erro médio de 1,17 mm, com coeficiente de determinação de 0,92. Na análise de aplicabilidade, em um teste feito com dados desconhecidos na fase de geração do modelo, observou-se que a ferramenta desenvolvida proporcionou uma generalização de 91,4% na predição da profundidade de carbonatação do concreto. Por fim, uma ferramenta computacional com interface gráfica foi desenvolvida e está disponível no site do grupo de pesquisa DASMAE (www.dasmae.com), com o objetivo de fomentar os desenvolvimentos do grupo e facilitar o emprego do modelo para avaliações práticas de durabilidade, auxiliando engenheiros e projetistas na tomada de decisões acerca do desenvolvimento de projetos com maior vida útil, segurança e sustentabilidade.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/8663
dc.language.isovi
dc.rightsopenAccess
dc.subjectconcreto
dc.subjectprojeto
dc.subjectredes neurais artificiais
dc.subjectEnsemble
dc.subjectcarbonatação.
dc.titleProposta de modelo ensemble de aprendizagem de máquina para a predição da profundidade de carbonatação de concretos expostos a condições naturais de degradação.
dcterms.abstractThe carbonation process significantly impacts the service life of reinforced concrete structures. Developing efficient models to predict the depth of carbonation throughout the lifecycle of these structures has been the focus of research and requires a deep understanding of the various variables influencing the process. In this study, the use of ensemble learning techniques, specifically the Stacking method, is evaluated based on the coupling of predictions obtained through machine learning for estimating the depth of concrete carbonation. The modeling was conducted using a database with 1021 measurements of carbonation depth in concretes exposed to natural degradation environments. Ten variables were used, related to the composition of the concrete structure and the environmental factors affecting carbonation. A total of 120 individual artificial neural network models were defined, trained, and the five most efficient were selected. The performance of the models was evaluated using the weighted coefficient of determination (R²), which combines the test R² and training R². For the ensemble model, the predictions of the five best-performing ANN models were used as inputs. The Stacking ensemble approach resulted in a 9% improvement in generalization performance compared to the best individual ANN model, demonstrating a 14% increase in accuracy over the individual models. The ensemble model with the best performance is capable of predicting carbonation depth with an average error of 1.17 mm and a coefficient of determination of 0.92. In an applicability analysis, a test with data not known to the model during its generation phase showed that the developed tool provided a 91.4% generalization in predicting concrete carbonation depth. Finally, a computational application with a graphical interface was developed and is available on the DASMAE research group website (www.dasmae.com) to support the group's developments and facilitate the use of the model for practical durability assessments, assisting engineers and designers in making decisions about developing projects with greater durability, safety, and sustainability.

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
Proposta de modelo ensemble de aprendizagem de máquina para a predição da profundidade de carbonatação de concretos expostos a condições naturais de degradação.pdf
Tamanho:
5.54 MB
Formato:
Adobe Portable Document Format
Baixar
Imagem de Miniatura
Nome:
Declaração de embargo.pdf
Tamanho:
369.94 KB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

ECI - Dissertação