AVALIAÇÃO DE ABORDAGEM INTEGRADA ENTRE MEF POSICIONAL E APRENDIZADO DE MÁQUINA PARA A MODELAGEM EM MESOESCALA DO CONCRETO

Página do item simplificado
dc.contributor.advisorOrientação
dc.contributor.authorBarreto,Jairo
dc.date.accessioned2026-08-27T18:57:18Z
dc.date.available2026-08-27T18:57:18Z
dc.date.issued2026-07-02
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.abstractO 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.
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/9994
dc.language.isopt
dc.rightsopenAccess
dc.subjectConcreto
dc.subjectModelagem de informação da construção
dc.subjectPorosidade
dc.subjectRedes neurais (Computação)
dc.titleAVALIAÇÃO DE ABORDAGEM INTEGRADA ENTRE MEF POSICIONAL E APRENDIZADO DE MÁQUINA PARA A MODELAGEM EM MESOESCALA DO CONCRETO

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
210826_Dissertação_Jairo_Fuentes.pdf
Tamanho:
9.59 MB
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