Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/11682
Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
geraldofurtadoneto.pdfPDF/A1.11 MBAdobe PDFVista previa
Visualizar/Abrir
Clase: Dissertação
Título : Metamodelo com arquitetura em duas camadas para a previsão de propriedades mecênicas de misturas de concreto
Autor(es): Furtado Neto, Geraldo
Orientador: Fonseca, Leonardo Goliatt da
Miembros Examinadores: Farage, Michéle Cristina Resende
Miembros Examinadores: Silva, Eduardo Krempser da
Miembros Examinadores: Manfrini, Francisco Augusto Lima
Resumo: As propriedades mecânicas do concreto, como módulo de resiliência e resistência à compressão, são de grande importância na etapa de projeto. Determinar estas propriedades através de informações sobre os componentes da mistura e características físicas do concreto, não é trivial. Essa tarefa torna-se complexa pois as relações entre as quantidades e tipos dos componentes da mistura do concreto e suas propriedades mecânicas possuem um alto grau de não-linearidades. O objetivo do presente trabalho é empregar métodos de aprendizado de máquina para criar modelos de regressão, que sejam capazes de prever as propriedade mecânicas de uma mistura de concreto. Visando investigar a possibilidade de melhora dos resultados já obtidos com o uso de técnicas de aprendizado de maquina, será utilizada uma técnica de aprendizado em conjunto, o Stacking. A técnica consiste em um modelo de camadas, onde a primeira é composta por modelos individuais e a segunda por um metamodelo que tem a função de utilizar as previsões realizadas pelos modelos de primeira camada como dados de entrada, objetivando realizar uma previsão final. Foram usadas quatro diferentes bases de dados experimentais obtidas da literatura, cada base possuindo quantidade de amostras, número e tipos de atributos, distintos, permitindo verificar a capacidade de generalização da arquitetura criada. Com o uso desta técnica pretende-se que o metamodelo apresente uma capacidade de previsão melhor ou similar a apresentada pelo uso individual dos métodos. Todo o arcabouço computacional foi implementado utilizando a linguagem Python e um conjunto de bibliotecas. Foram utilizados testes estatísticos para avaliar se existia diferença significativa entre o desempenho do Stacking e dos modelos individuais. Ao final das análises dos resultados das métricas de avaliação e dos testes estatísticos foi possível perceber que os resultados do Stacking são melhores ou no mínimo semelhantes aos apresentados pelos modelos individuais com melhor desempenho.
Resumen : The mechanical properties of concrete, such as modulus of resilience and compressive strength, are of great importance in the design stage. Determining these properties through information about the mix components and physical characteristics of the concrete is not trivial. This task becomes complex because the relationships between the quantities and types of concrete mix components and their mechanical properties have a nonlinearities. The objective of the present work is to employ machine learning methods to create regression models that are able to predict the mechanical properties of a concrete mix. In order to investigate the possibility of improving the results already obtained with the use of machine learning techniques, a joint learning technique, Stacking, will be used. This technique consists of a layer model, where the first is composed of individual models and the second by a metamodel that has the function of using the predictions made by the first layer models as input data, aiming to make a final forecast. Four different experimental databases obtained from the literature were used, each database having different samples, number and types of attributes, allowing to verify the generalizability of the created architecture. With the use of this technique it is intended that the metamodel presents a better predictive capacity than the one presented by the individual methods. The entire computational framework was implemented using the Python language and a set of libraries. Statistical tests were used to assess whether there was a significant difference between Stacking performance and individual models. At the end of the analysis of the results of the evaluation metrics and the statistical tests it was possible to realize that the results of Stacking are better or at least similar to those presented by the best performing individual models.
Palabras clave : Inteligência computacional
Concreto
Otimização
Stacking
Computational intelligence
Concrete
Optimization
Stacking
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA
Idioma: por
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: ICE – Instituto de Ciências Exatas
Programa: Programa de Pós-graduação em Modelagem Computacional
Clase de Acesso: Acesso Aberto
Attribution 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/11682
Fecha de publicación : 3-mar-2020
Aparece en las colecciones: Mestrado em Modelagem Computacional (Dissertações)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons