Modelo de red neuronal artificial para predecir la capacidad de carga de pilotes hincados
DOI:
https://doi.org/10.33448/rsd-v10i1.11526Palabras clave:
Redes neuronales artificiales; Capacidad de carga; Cimentaciones profundas; Pilotes hincados.Resumen
En geotecnia se han propuesto varios modelos, empíricos o no, para el cálculo de la capacidad de carga en cimentaciones profundas. Estos modelos se ejecutan principalmente a través de supuestos físicos y construcción de aproximaciones mediante modelos matemáticos. Las Redes Neuronales Artificiales (ANN), además de otras aplicaciones, son excelentes mecanismos computacionales que, basados en el aprendizaje neuronal biológico, pueden realizar predicciones y aproximaciones de funciones. En este trabajo se presenta una aplicación de redes neuronales artificiales. El objetivo aquí es proponer un modelo matemático basado en inteligencia artificial centrado en el aprendizaje de Redes Neuronales Artificiales (ANN) capaz de predecir la capacidad de carga de pilotes hincados. Los resultados obtenidos a través de la red neuronal se compararon con valores reales de capacidades de carga obtenidos en campo mediante pruebas de carga. Para esta comparación cuantitativa, se han elegido las siguientes métricas: coeficiente de correlación de Pearson y error cuadrático medio. La base de datos utilizada para llevar a cabo el proyecto consistió en 233 pruebas de carga, realizadas en diversas ciudades y diferentes países, para las cuales se dispuso de valores de capacidad de carga, peso del martillo, altura de caída del martillo, longitud del pilote, diámetro del pilote y penetración del pilote en el último golpe. Estos valores se han utilizado como valores de entrada en una red neuronal de perceptrón multicapa para estimar las capacidades de carga de los respectivos pilotes. Se ha encontrado que el modelo neuronal propuesto presentó, en general, correlación con valores de campo superiores al 90%, llegando al 96% en el mejor resultado.
Citas
ABNT, N. B. R. (2010). Projeto e execução de fundações. Associação Brasileira de Normas Técnicas, Rio de Janeiro, Brasil.
Amancio, L. B. (2013). Previsão de Recalques em Fundações Profundas Utilizando Redes Neurais Artificiais do Tipo Perceptron. Dissertação (Mestrado) - Mestraod em Engenharia Civil: Geotecnia. Centro de Tecnologia. Universidade Federal do Ceará, Fortaleza.
Araújo, C. B. C., Neto, S. A. D. & Anjos, G. J. M. dos. (2015). Estimativa de Recalque em Estacas Utilizando Redes Neurais Artificiais. Anais do VII Simpósio Brasileiro de Engenheiros Geotécnicos Jovens.
Azeredo, H. A. (1977). O Edifício Até Sua Cobertura. (2nd ed.) Edgard Blücher, São Paulo.
Batista, C. F. B. (2012). Soluções de Equações Diferenciais Usando Redes Neurais de Múltiplas camadas com os métodos da Descida mais íngreme e Levenberg-Marquardt. Dissertação (Mestrado). Programa de Pós-graduação em Matemática. Universidade Federal do Pará, Belém.
Benesty, J., Chen, J., Huang, Y., & Cohen, I. (2009). Pearson correlation coefficient. In: Noise reduction in speech processing. (pp. 1-4). Springer, Berlin, Heidelberg.
Bowles, J. E. (1996). Foundation Analysis and Design. (5th ed.), The McGraw-Hill Companies, Inc., New York.
Cintra, J. C. A. & Aoki, N. (2011). Fundações por estacas: projeto geotécnico. Oficina de Textos, São Paulo.
Das, B. M. (2010). Principles of the Geotechnical Engineering. (7th ed.), Cengage Learning, Stamford.
Das, B. M. (2011). Principles of Foundation Engineering. Seventh Edition.Cengage Learning, Stamford.
Erzin, Y. & Gul, T. O. (2014). The use of neural networks for the prediction of the settlement of one-way footings on cohesionless soils based on standard penetration test. Neural Computing and Applications, 24(3–4), 891–900.
Fellenius, B. H. (2020). Basics of Foundation Design. British Columbia. <http://www.fellenius.net/papers/401%20The%20Red%20Book ,%20Basics%20of%20foundation%20design%202020.pdf>
Hachich, W. C., Falconi, F. F., Saes, J., Frota, R. G. Q., Carvalho, C. S. & Niyama, S. (1998). Fundações – Teoria e prática. Ed. Pini, ABMS/ABEF, (2nd. ed.).
Haykin, S. (2001). Redes Neurais: Princípios e Prática. (2nd ed.), Bookman, Porto Alegre.
Jayaweera, M. S. R. (2009). Capacity Estimation of Piles Using Dynamic Methods. Master of Engineering in Foundation Engineering & Earth Retaining Systems. University of Moratuwa. Sri-Lanka
Kalinli, A., Acar, M. C. & Gündüz, Z. (2011). New approaches to determine the ultimate bearing capacity of shallow foundations based on artificial neural networks and ant colony optimization. Engineering Geology, 117(1–2), 29–38.
Khanlari, G. R., Mojtaba, H., Momeni, A.A. & Abdin, Y. (2012). Prediction of shear strength parameters of soils using artificial neural networks and multivariate regression methods. Engineering Geology, 131–132, 11–18, 2012.
Lobo, B. O. (2005). Método de previsão de capacidade de carga de estacas : aplicação dos conceitos de energia do ensaio SPT . Dissertação (Mestrado). Programa de Pós-Graduação em Engenharia Civil. UFRGS, Porto Alegre .
Padmini, D., Ilamparuthi, K. &Sudheer, K. P. (2008). Ultimate bearing capacity prediction of shallow foundations on cohesionless soils using neurofuzzy models. Computers and Geotechnics, v. 35, n. 1, p. 33–46.
Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica. [eBook]. Santa Maria. Ed. UAB / NTE / UFSM. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.
Pessoa, A. D. (2018). Modelo Neuronal para Previsão de Capacidade de Carga em Fundações Profundas. Universidade Federal do Maranhão, São Luis.
SCAC. (2013). Case: conjunto residencial no Rio de Janeiro. <https://issuu.com/scacengenharia/docs/scac_case_conj_residencial_rj>
Shanazari, H. & Tutunchian, M. A. (2012). Prediction of ultimate bearing capacity of shallow foundations on cohesionless soils: An evolutionary approach. KSCE Journal of Civil Engineering, 16(6), 950–957.
Silva, I. N., Spatti, D. & Flauzino, R. (2016). Redes Neurais Artificiais para Engenharia e Ciências Aplicadas: Curso Prático. (2nd ed.), São Paulo. Artliber Editora.
Tian, H. & Shang, Z. (2006). Artificial neural network as a classification method of mice by their calls. Ultrasonics, 44, e275--e278.
Velloso, D. A. & Lopes, F. de R. (2011). Fundações: critérios de projeto, investigação do subsolo, fundações superficiais, fundações profundas. Oficina de Textos, São Paulo.
Vesic, A. S. (1963). Bearing Capacity of Deep Foundations in Sand. National Academy of Sciences, Highway Research Board, Report No. 39, Washington D.C. pp. 112-153.
Willmott, C. J. & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim Res. 30(1):79–82.
Yan, H., Jiang, Y., Zheng, J., Peng, C. & Li, Q. (2006). A multilayer perceptron-based medical decision support system for heart disease diagnosis. Expert Systems with Applications, 30(2), 272–281.
Zanella, L. C. H. (2011). Metodologia de Pesquisa. (2nd ed.). <http://arquivos.eadadm.ufsc.br/EaDADM/UAB_2014_2/Modulo_1/Metodologia/material_didatico/Livro texto Metodologia da Pesquisa.pdf>
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Alcineide Dutra Pessoa; Gean Carlos Lopes de Sousa; Rodrigo da Cruz de Araujo; Gérson Jacques Miranda dos Anjos
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
