Uso de Redes Neurais Artificiais E Estatística na Determinação de Correlações entre Resultados de Ensaios de Penetração de Campo
Nome: GABRIELE CARVALHO BAHIENSE
Data de publicação: 25/03/2024
Orientador:
Nome |
Papel |
|---|---|
| KATIA VANESSA BICALHO | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| KATIA VANESSA BICALHO | Orientador |
Resumo: Os resultados dos ensaios de campo para determinação da resistência do solo à penetração são importantes para definir o comportamento geotécnico dos solos e frequentemente são utilizados para estimativa de parâmetros geotécnicos para projetos de engenharia civil. Nesta pesquisa foram analisadas as influências nas correlações definidas entre resultados de ensaios de determinação da resistência do solo à penetração SPT e CPT (e suas variações, como o ensaio de penetração de piezocone, CPTu), e analisado o uso de redes neurais artificiais para correlacionar resultados de ensaios de campo para determinação da resistência do solo à penetração. Foi realizado um pré-tratamento estatístico dos dados, avaliando a distribuição de frequência dos diferentes parâmetros analisados bem como suas faixas de variação, ainda, foram discutidos os ganhos obtidos com a consideração de resultados de ensaios DMT associados aos ensaios CPTu e SPT para identificação do comportamento mecânico dos solos, apontando divergências de interpretação quando considerados os três ensaios in situ. Avaliou-se ainda a influência de alguns parâmetros como profundidade, atrito lateral, excesso de poropressão, entre outros, nas correlações definidas entre resultados dos ensaios de determinação da resistência do solo à penetração SPT e CPTu. Um modelo de rede neural artificial (RNA) do tipo perceptron de múltiplas camadas (MLP) foi desenvolvido para correlacionar resultados de testes de penetração in-situ. Os dados utilizados nesta pesquisa consistiram em 38.355 conjuntos de resultados de SPT-CPT-DMT para solos arenosos, siltosos e argilosos. As variáveis de entrada do modelo de RNA incluem: índice de resistência à penetração N60 do SPT, resistência à ponta do cone (qt), atrito lateral (fs), poropressão (u2) e índice de material (Ic) do CPTu, além do índice de material (ID) do DMT. Fatores como profundidade e atrito lateral influenciam as relações SPT-CPTu e redes neurais treinadas apenas com qt e N60 apresentaram baixo desempenho, enquanto a inclusão de profundidade, atrito lateral e ID do DMT melhoram o desempenho estatístico do modelo, que, todavia, não se ajusta a uma equação genérica.
