Avaliação de abordagem integrada entre MEF posicional e aprendizado de máquina para a modelagem em mesoescala do concreto
Carregando...
Data
2026-08-27
Autores
Barreto, Jairo Orlando Fuentes
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
O comportamento mecânico do concreto é influenciado pela heterogeneidade de sua mesoestrutura, composta por matriz cimentícia, agregados e vazios. Embora a modelagem em mesoescala permita representar de forma mais realista os campos de tensões e deformações, a incorporação da porosidade em modelos numéricos ainda representa um desafio devido à dificuldade de sua quantificação experimental e de sua representação computacional. Nesse contexto, este trabalho investiga abordagens integradas entre o Método dos Elementos Finitos com versão Posicional (MEFP) e Redes Neurais Artificiais (RNAs) para avaliar e simular o comportamento mecânico do concreto em mesoescala, no regime elástico linear. Inicialmente, foi desenvolvido um modelo de RNA para predição do índice de vazios a partir de parâmetros de dosagem e de composição do concreto. O modelo apresentou bom desempenho, alcançando coeficientes de determinação de 0,90 e 0,84 nas fases de treinamento e de teste, respectivamente. Em seguida, com a aplicação de um código com o método dos elementos finitos posicional, acoplado ao modelo de predição do índice de vazios e o modelo reológico de Voigt, investigaram-se duas estratégias para a incorporação da porosidade nos modelos numéricos: (i) representação indireta dos vazios por meio da penalização das propriedades mecânicas da matriz de argamassa, utilizando os índices de vazios estimados pela RNA; e (ii) representação explícita dos vazios como descontinuidades geométricas na mesoestrutura. Os resultados mostraram que a desconsideração da porosidade leva à superestimação da rigidez do concreto e que o aumento do tamanho dos agregados promove maior heterogeneidade dos campos mecânicos e a redução do módulo de elasticidade equivalente. Entre as estratégias avaliadas, a representação indireta da porosidade apresentou o melhor desempenho, com erro percentual absoluto médio (MAPE) de 1,03% em relação aos resultados de campanhas experimentais da literatura, enquanto a modelagem sem considerar os vazios apresentou MAPE de 7,85% e a representação explícita dos vazios, de 13,73%. É importante pontuar que, na estratégia avaliada, apenas a matriz de argamassa apresentou o efeito dos vazios incorporados, o que pode ter ocasionado maior perda de rigidez nos modelos com representação explícita dos vazios. Apesar da menor precisão na representação da rigidez do compósito, a segunda estratégia apresenta vantagens importantes do ponto de vista físico, uma vez que representa explicitamente as descontinuidades geométricas da mesoestrutura, o que permitiria capturar mecanismos locais de concentração de tensões e deformações que não são reproduzidos pela abordagem homogeneizada. Para melhorar as simulações, seria necessário determinar com maior precisão o módulo de elasticidade dos agregados graúdos, dado que não é de fácil obtenção. De modo geral, os resultados permitiram inferir que a integração entre aprendizado de máquina e modelagem por elementos finitos constitui uma estratégia eficiente para incorporar os efeitos da porosidade em modelos mesoescalares.
Abstract
The mechanical behavior of concrete is influenced by the heterogeneity of its mesostructure, composed of a cementitious matrix, aggregates, and voids. Although mesoscale modeling enables a more realistic representation of stress and strain fields, incorporating porosity into numerical models remains challenging due to difficulties in its experimental quantification and computational representation. In this context, this work investigates integrated approaches that combine the Positional Finite Element Method (PFEM) and Artificial Neural Networks (ANNs) to evaluate and simulate the mechanical behavior of concrete at the mesoscale in the linear-elastic regime. Initially, an ANN model was developed to predict the void ratio from concrete mix proportions and composition parameters. The model demonstrated good performance, achieving coefficients of determination of 0.90 and 0.84 in the training and testing phases, respectively. Subsequently, using a code based on the positional finite element method coupled with the void ratio prediction model and the Voigt rheological model, two strategies for incorporating porosity into numerical models were investigated: (i) indirect representation of voids through the penalization of the mechanical properties of the mortar matrix, using the void ratios estimated by the ANN; and (ii) explicit representation of voids as geometric discontinuities within the mesostructured. The results showed that neglecting porosity leads to an overestimation of concrete stiffness, and that increasing aggregate size promotes greater heterogeneity in the mechanical fields and reduces the equivalent elastic modulus. Among the evaluated strategies, the indirect representation of porosity exhibited the best performance, with a mean absolute percentage error (MAPE) of 1.03% relative to experimental results from the literature, whereas modeling without considering voids yielded a MAPE of 7.85%, and explicit void representation resulted in a MAPE of 13.73%. It is important to note that in the evaluated strategy, only the mortar matrix accounted for the effect of voids, which may have led to greater stiffness loss in models with explicit void representation. Despite lower accuracy in predicting composite stiffness, the second strategy offers key physical advantages by explicitly modeling the geometric discontinuities of the mesostructure, thereby capturing local stress and strain concentration mechanisms that are not reproduced by the homogenized approach. To improve the simulations, a more precise determination of the elastic modulus of coarse aggregates would be necessary, given that it is difficult to obtain. Overall, the results indicate that integrating machine learning with finite element modeling constitutes an efficient strategy for incorporating porosity effects into mesoscale models.
Descrição
Dissertação 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.
Palavras-chave
concreto, redes neurais (computação), aprendizado de máquina, modelagem