PPGEM - Doutorado (Teses)
URI permanente para esta coleçãohttp://www.hml.repositorio.ufop.br/handle/123456789/11189
Navegar
3 resultados
Resultados da Pesquisa
Item Especificação de rochas ornamentais utilizadas na construção civil aplicando técnicas de estatística multivariada e aprendizado de máquina.(2023) Zagôto, Juliano Tessinari; Lana, Milene Sabino; Pereira, Tiago Martins; Lana, Milene Sabino; Santos, Allan Erlikhman Medeiros; Santos, Tatiana Barreto dos; Frasca, Maria Heloisa Barros de Oliveira; Klen, André MonteiroO Brasil é mundialmente reconhecido como potência produtora e exportadora de rochas ornamentais. Com grande beleza estética e qualidades físico-mecânicas inquestionáveis, as rochas ornamentais brasileiras estão espalhadas por grandes obras no mundo. Nessa perspectiva, este trabalho visa estabelecer um índice de qualidade e um critério de seleção de rochas ornamentais para revestimentos aplicados na construção civil. Para isso foi elaborado um banco de dados dos resultados dos ensaios de caracterização tecnológica de 285 amostras de rochas naturais, adotados como variáveis. Esse estudo propôs um índice de qualidade para as rochas ornamentais utilizando-se dos valores dos parâmetros tecnológicos gerais de referência, atribuindo pesos a eles e conforme o ambiente no qual a rocha é aplicado. Os ambientes foram definidos como A (piso interno seco de baixo tráfego), B (parede interna seca), C (parede interna molhada), D (parede externa), E (bancada interna seca), F (bancada interna molhada), G (bancada externa) e H (outras aplicações). Com o auxílio do software estatístico livre R foram utilizados métodos de estatística multivariada e de aprendizado de máquina. Da análise de componentes principais, pudemos extrair que as três primeiras componentes explicam aproximadamente 51% do problema. Da análise de agrupamentos foram gerados 5 (cinco) grupos classificados como G1 (Grupo dos Quartzitos), G2 (Grupo dos Granitos), G3 (Grupo majoritariamente formado por Granitos), G4 (Grupo majoritariamente formado por Granitos ricos em granada ou grupo dos Gnaisses) e G5 (Grupo dos Mármores). A partir daí, foram realizadas as estatísticas descritivas intra e inter grupos. De posse dos grupos formados, foi treinada uma árvore de decisão capaz de indicar uma rocha para um determinado ambiente com altíssimo grau de acerto. A acurácia da árvore de decisão foi de 0,96 e o Índice Kappa 0,95. O trabalho apresenta uma nova abordagem para indicar assertivamente uma rocha natural para um determinado ambiente, diminuindo a subjetividade por meio de um sistema de classificação. Apesar da complexidade matemática das técnicas adotadas, os resultados gerados são de fácil interpretação e simples visualização.Item Análise numérica via Mef de problemas poroelásticos.(2022) Vasconcelos, Luma Alvarenga Carvalho de; Nogueira, Christianne de Lyra; Nogueira, Christianne de Lyra; Porto, Thiago Bomjardim; Santos, Tatiana Barreto dos; Jaques, Daniel Silva; Azevedo, Roberto Francisco deA variação de volume sofrida por um meio poroso saturado e compressível origina-se da variação do estado de tensão, devido à variação das forças externas ou da condição da água subterrânea. Este fenômeno físico desempenha um papel muito importante em problemas geotécnicos relacionados ao petróleo e engenharia civil, mineração e geologia. Nesta tese, uma formulação acoplada em termos de deslocamento e poro-pressão via método dos elementos finitos considerando o efeito da compressibilidade dos grãos, e do esqueleto sólido e do fluido em meios poroelásticos é apresentada. Para fins de validação e aplicação, a formulação foi implementada no software ANLOG e então aplicada em problemas 1D, 2D e 3D. Quatro exemplos foram investigados: uma coluna poroelástica, o problema de Schiffman, o efeito Mandel e um talude carregado. Os resultados numéricos foram verificados a partir de soluções analíticas e outros resultados numéricos encontradas na literatura especializada, e uma boa concordãncia foi obtida entre eles.Item Classificação de maciços rochosos por meio de técnicas da estatística multivariada e inteligência artificial.(2021) Santos, Allan Erlikhman Medeiros; Lana, Milene Sabino; Pereira, Tiago Martins; Lana, Milene Sabino; Klen, André Monteiro; Cabral, Ivo Eyer; Bacellar, Luis de Almeida Prado; Parizzi, Maria GiovanaA presente pesquisa tem como objetivo a proposição de novos modelos para classificação de maciços rochosos brasileiros, baseados no sistema RMR. O banco de dados utilizado possui informações dos parâmetros básicos para obtenção do sistema Rock Mass Rating (RMR). Os modelos propostos são baseados em técnicas da estatística multivariada e técnicas de inteligência artificial. A seleção das variáveis foi feita a partir da análise fatorial. Os modelos de classificação foram treinados por meio de dois tipos de aprendizagem, a supervisionada e a não supervisionada. O processo de aprendizagem se baseia na identificação de padrões no comportamento das variáveis do banco de dados, estabelecendo modelos preditivos no processo de aprendizagem supervisionada e modelos descritivos na aprendizagem não-supervisionada. Portanto, na aprendizagem supervisionada a variável classe (target) deve ser fornecida ao algoritmo, já na aprendizagem não-supervisionada o algoritmo irá indicar os grupos (clusters) com base no comportamento das variáveis, posto isso os clusters são grupos constituídos de amostras similares, com variáveis com comportamento semelhante. Nos métodos supervisionados foram utilizadas as técnicas de redes neurais artificiais, naïve Bayes, random forest e máquinas de vetores de suporte. Para o modelo por aprendizagem não supervisionada foi utilizado o algoritmo partitioning around medoids. A utilização destes métodos quantitativos reduz a subjetividade dos sistemas propostos. O resultado da análise fatorial permitiu a identificação de três fatores comuns, Fator 1, relacionado à resistência e à alteração da rocha; Fator 3, relacionado ao grau de fraturamento do maciço rochoso e Fator 2, relacionado à condição e presença de água no maciço. Assim, a partir da análise fatorial foi feita a seleção das variáveis para o sistema de classificação. Posto isso, um número menor de variáveis foi utilizado, o que difere do sistema de classificação RMR. Os modelos treinados por aprendizagem supervisionada se adequaram à solução do problema abordado, com excelente desempenho para modelos preditivos, apresentando altas taxas de acurácia, precisão e eficácia. Os valores médios de acurácia dos modelos treinados foram de 0,81; 0,89; 0,87 e 0,89 para naïve Bayes, random forest, redes neurais artificiais e máquinas de vetores de suporte, respectivamente. Estes resultados mostraram a possibilidade de definir as classes do RMR com um número menor de variáveis, e que as variáveis selecionadas são realmente os parâmetros mais importantes para determinar a qualidade do maciço rochoso. O modelo treinado pela aprendizagem não supervisionada indicou a formação de 7 grupos, rotulados a partir da V interpretação dos valores das variáveis em cada grupo em conjunto com o valor da variável Pontuação. Os grupos formados foram a Classe A com maciços com resistência alta, pouco alterado, pouco fraturado e seco; Classe B com maciços com resistência média, pouco alterado, com fraturamento médio e seco; Classe C com maciços com resistência alta, pouco alterado, com fraturamento médio e molhado; Classe D com maciços com resistência baixa, muito alterado, pouco fraturado e seco; Classe E com maciços com resistência média, alteração média, com fraturamento médio e molhado; Classe F com maciço com resistência baixa, alteração alta, pouco fraturado e molhado; por fim a Classe G com maciço com resistência baixa, alteração alta, muito fraturado e molhado. O trabalho apresenta novas abordagens para lidar com sistemas de classificação de maciços rochosos, diminuindo a subjetividade, aumentando a seletividade dos parâmetros, reduzindo a dimensionalidade de bancos de dados geotécnicos e otimizando a aplicação de sistemas de classificação. Embora a matemática das técnicas aplicadas seja complexa, os resultados são de fácil interpretação e aplicação. Assim, acredita-se na confiabilidade dos modelos preditivos propostos, além da possibilidade de otimização por meio da utilização de bases de dados mais amplas.