Uma abordagem alternativa à previsão do comportamento cisalhante de descontinuidades rochosas utilizando redes neurais de funções de base radial

An Alternative Approach for Estimating the Shear Behavior of Rock Discontinuities by Using Radial Basis Function Neural Networks

Autores

DOI:

https://doi.org/10.21680/2447-3359.2024v10n2ID35178

Resumo

Este artigo tem como objetivo apresentar modelos de predição da tensão cisalhante e dilatância em descontinuidades rochosas por meio de redes neurais artificiais que empregam funções de base radial. Para tanto, foi utilizado um banco de dados obtido de 116 ensaios de cisalhamento direto em grande escala realizados em diferentes tipos de descontinuidades e condições de contorno. As variáveis de entrada dos modelos propostos são a rigidez normal externa, a tensão normal inicial, a rugosidade da descontinuidade, a resistência uniaxial da rocha intacta, a espessura do preenchimento, o ângulo de atrito do material de preenchimento, quando houver, o ângulo de atrito básico e o deslocamento cisalhante imposto na descontinuidade. Os resultados mostraram que as redes RBF são capazes de estimar de forma satisfatória o comportamento cisalhante das descontinuidades rochosas uma vez que foram obtidos coeficientes de determinação superiores a 0,98 nas fases de treinamento e teste. Além disto, nas análises de desempenho dos modelos observou-se que eles são capazes de representar de forma coerente a influência das variáveis de entrada no comportamento cisalhante das descontinuidades rochosas. Logo, pode-se concluir que os modelos obtidos se apresentam como ferramentas úteis e simples para a previsão do comportamento cisalhante de descontinuidades rochosas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Silvrano Adonias Dantas Neto, Universidade Federal do Ceará

Gradudo em Engenharia Civil pela Universidade Federal da Paraíba (1999), Mestre em Geotecnia pela Universidade de Brasília em 2001 e Doutor em Geotecnia pela Universidade de Brasília em 2004, com pós-doutorado na University of Wollongong, Austrália, entre 2015 e 2016. Atualmente é professor associado da Universidade Federal do Ceará na área de Geotecnia no Programa de Pós-graduação em Engenharia Civil, onde desenvolve pesquisas relacionadas aos seguintes temas: aplicação de redes neurais artificiais em modelagens na engenharia civil, avaliação de risco de estruturas geotécnicas, estabilização de solos com utilização de materiais asfálticos, mecânica das rochas.

Guilherme de Alencar Barreto, Universidade Federal do Ceará

Graduado em Engenharia Elétrica pela Universidade Federal do Ceará, mestrado (1998) e doutorado (2003) em Engenharia Elétrica pela Escola de Engenharia de São Carlos/USP (1998), com período de doutorado-sanduíche na Universidade de Bielefeld (Alemanha). É professor associado do Departamento de Engenharia de Teleinformática, Universidade Federal do Ceará. Sua principal área de pesquisa é inteligência computacional e aprendizado de máquinas com aplicações em robótica, identificação e controle de sistemas dinâmicos e reconhecimento de padrões. É membro da Sociedade Brasileira de Inteligência Computacional (SBIC) e também da Sociedade Brasileira de Automática (SBA). É editor-chefe do periódico Learning Nonlinear Models (LNLM), editado pela SBIC, desde 2009. É também membro do conselho editorial (editorial board) dos periódicos International Journal of Innovative Computing and Applications (Inderscience) e Frontiers in Bioinformatics (https://loop.frontiersin.org/people/243428/editorial). Foi coordenador do Programa de Pós-Graduação em Engenharia de Teleinformática - PPGETI (CAPES 6), Universidade Federal do Ceará por 2 mandatos (AGO/2017-JUL/2019 e AGO/2019-JUL/2021).

Publicado

22-07-2024

Como Citar

SOUZA, W. M. de; NETO, S. A. D.; BARRETO, G. de A. . Uma abordagem alternativa à previsão do comportamento cisalhante de descontinuidades rochosas utilizando redes neurais de funções de base radial : An Alternative Approach for Estimating the Shear Behavior of Rock Discontinuities by Using Radial Basis Function Neural Networks . Revista de Geociências do Nordeste, [S. l.], v. 10, n. 2, p. 78–95, 2024. DOI: 10.21680/2447-3359.2024v10n2ID35178. Disponível em: https://periodicos.ufrn.br/revistadoregne/article/view/35178. Acesso em: 4 nov. 2024.

Edição

Seção

Artigos