dc.contributor | Rêgo, João Henrique da Silva | |
dc.contributor | Evangelista Junior, Francisco | |
dc.contributor | jessicafall@live.com | |
dc.creator | Chaves, Jéssica Fall Nogueira | |
dc.date.accessioned | 2022-07-14T21:58:03Z | |
dc.date.accessioned | 2022-10-04T12:16:13Z | |
dc.date.available | 2022-07-14T21:58:03Z | |
dc.date.available | 2022-10-04T12:16:13Z | |
dc.date.created | 2022-07-14T21:58:03Z | |
dc.date.issued | 2022-07-14 | |
dc.identifier | CHAVES, Jéssica Fall Nogueira. Automatização da análise do desempenho termo energético das envoltórias de edificações residenciais a partir da integração BIM-VPL. 2022. xviii, 133 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022. | |
dc.identifier | https://repositorio.unb.br/handle/10482/44263 | |
dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3845654 | |
dc.description.abstract | A previsão da resistência à compressão de materiais cimentícios utilizando modelos de
aprendizado de máquina (ML, sigla do termo na língua inglesa, Machine Learning) é um
recurso de grande interesse para aplicação na área de Engenharia Civil. O ML vem sendo
aplicado para estimar a resistência à compressão de argamassas e concretos mundialmente.
Porém, a partir de uma revisão sistematizada da literatura, notou-se uma carência de trabalhos
com o enfoque da sua aplicação para previsão do comportamento mecânico do cimento
Portland comum (CPC). Portanto, o objetivo da pesquisa foi a previsão da resistência à
compressão aos 28 dias do CPC com as técnicas de ML Random Forest (RF) Neural
Networks (NN) a partir de resultados experimentais de trabalhos científicos que
caracterizaram amostras de CPC, coletados na literatura aberta. Em adição, foi realizada uma
análise exploratória desses dados e a estimativa dos 4 compostos principais do CPC através
do cálculo potencial de Bogue. A performance do treinamento foi verificada através de três
critérios estatísticos, coeficiente de determinação (R²), erro quadrático médio (RMSE) e erro
quadrado médio (MSE). Como resultado, o modelo de RF e NN obtiveram performances
satisfatórias e os valores obtidos dos critérios estatísticos para o treinamento e teste da RF
foram, respectivamente, R² (0,93 e 0,65), RMSE (2,00 e 4,50) e MSE (6,80 e 31,22), e para
o treinamento e teste da NN foram, respectivamente, R² (0,96 e 0,64), RMSE (0,85 e 4,86) e
MSE (1,72 e 35,10). Os resultados atingidos pelas duas técnicas foram similares e ao analisálos, foi possível perceber que a previsão da resistência à compressão do CPC a partir de dados
da literatura é possível, o que pode trazer incremento na indústria do cimento, propondo um
método alternativo da avaliação dessa propriedade. | |
dc.language | Português | |
dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | |
dc.rights | Acesso Aberto | |
dc.title | Previsão da resistência à compressão do cimento portland comum com utilização de técnica de machine learning | |
dc.type | Tesis | |