Navegando por Autor "Penido, Rúben El-Katib"

Agora exibindo 1 - 2 de 2

Aprendizado de máquina aplicado à construção civil : estimativa da resistência à compressão de concretos de escória de aciaria.
(2022) Penido, Rúben El-Katib; Mendes, Júlia Castro; Cury, Alexandre Abrahão; Mendes, Júlia Castro; Cury, Alexandre Abrahão; Carvalho, José Maria Franco de; Santos, Tatiana Barreto dos
Nos últimos anos, estudos vêm sendo conduzidos visando disseminar a reutilização de escória de aciaria como agregado para concretos. Entretanto, a ausência de metodologias para obtenção de traços de concretos de escória de aciaria tem dificultado as pesquisas e comprometido o seu uso em larga escala. Além disso, as metodologias convencionalmente adotadas para a definição de traços de concreto envolvem tabelas empíricas e a necessidade de se moldar e romper corpos de prova, demandando tempo e recursos. Neste contexto, o presente trabalho teve como objetivo desenvolver modelos baseados em aprendizado de máquinas para a previsão da resistência à compressão de concretos de escória de aciaria a partir de seus traços. Para este fim, foi realizado um levantamento de dados de concretos de escória de aciaria na literatura e aplicadas quatro técnicas de aprendizagem de máquina: regressão por vetores suporte (SVR), redes neurais artificiais (ANN), árvore de decisão com algoritmo de boosting (XGBoost) e processo gaussiano de regressão (GPR). Os resultados foram avaliados por meio de três indicadores: erro absoluto médio (MAE), erro quadrático médio (RMSE) e coeficiente de determinação (R²). Numa primeira etapa, os modelos com o banco de dados elaborado foram validados de forma cruzada (k = 10). Em seguida, foram utilizados dados experimentais para validar os modelos construídos. Na primeira etapa, o modelo que alcançou o melhor desempenho foi o ANN, com R² de 0,79, com os demais variando entre 0,68 e 0,73. Os MAEs variaram entre 4,73 e 5,51 MPa. No entanto, a validação experimental obteve resultados insatisfatórios - os modelos de GPR, XGBoost e SVR apresentaram valores de R² negativos. Isso mostra que o tamanho do banco de dados e a variabilidade do resíduo estudado influenciam significativamente a qualidade dos modelos propostos. Desse modo, o presente trabalho traz os primeiros passos para o desenvolvimento de estratégias de desenvolvimento de traços para concretos não-convencionais. Em última análise, buscamos reduzir o impacto das indústrias siderúrgicas no meio ambiente e contribuir para o entendimento dos fatores que influenciam os traços de concreto.
Comparison of machine learning techniques to predict the compressive strength of concrete and considerations on model generalization.
(2022) Paixão, Rafael Christian Fonseca da; Penido, Rúben El-Katib; Cury, Alexandre Abrahão; Mendes, Júlia Castro
The compressive strength of concrete is an essential property to ensure the safety of a concrete structure. However, estimating this value is usually a laborious and uncertain process since the mix design is based on empirical methods and its confirmation in the laboratory demands time and resources. In this context, this work aims to evaluate Machine Learning (ML) models to predict the compressive strength of concrete from its constituents. For this purpose, a dataset from the literature was used as input to four ML models: Extreme Gradient Boosting (XGBoost), Support Vector Regression (SVR), Artificial Neural Networks (ANN) and Gaussian Process Regression (GPR). The accuracy of the models was evaluated through 10-fold cross-validation, and quantified by R2 , Mean Absolute Error (MAE), and Root-Mean-Square Error (RMSE) metrics. Subsequently, a new dataset was put together with mixtures from the literature and used to validate the previous models. In the model creation step, all algorithms obtained similar and positive results, with MAE between 1.96-2.26 MPa and R2 varying from 0.79 to 0.83. However, in the validation step, the accuracy of the models dropped sharply, with MAE growing to 3.04-4.04 MPa and R2 decreasing to 0.37-0.59. ANN and GPR showed the best results, while SVR had the worst predictions. This work showed that ML tools are promising techniques to predict the compressive strength of concrete. However, care must be taken with the input data to guarantee that models are not overfitted to a given region, set of materials, or type of concrete.