Parametric Identification and Sensitivity Analysis Combined with a Damage Model for Reinforced Concrete Structures

RESUMO O presente trabalho objetivou avaliar o desempenho de algoritmos de aprendizado de máquinas na predição da resistência à compressão de argamassas. A base de dados foi criada através de uma busca bibliográfica de mais de 50 referências que foram catalogadas para conter dados de dosagens de argamassa com ou sem adição de resíduos de construção e demolição (RCD). O conjunto de dados avaliado passou por um pré-processamento de integração dos dados de resíduo de construção e demolição, e normalização. Como normalização optou-se pelo uso da técnica z-score. Em seguida, os algoritmos de Aprendizado de Máquina (AM): regressões linear e polinomial, árvores de decisão, ensembles e redes neurais foram utilizados para a predição da resistência à compressão. O conjunto de dados foi separado em 80% para treino e validação e 20% para teste. A validação cruzada empregada foi do tipo k-fold com 10 divisões no subconjunto de treino. Avaliando o desempenho dos modelos o algoritmo tipo ensemble Gradient Boosting apresentou o melhor desempenho quando comparado aos demais, atingindo um valor superior a 90% no coeficiente de determinação. Por fim, conclui-se que o AM é uma ferramenta prática importante na predição da resistência à compressão de argamassas. Além disso, o modelo de inteligência artificial foi prototipado para uso da comunidade científica e técnica em uma versão web disponível através do framework Streamlit da linguagem Python.

show abstract

scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.

Contact Info

customersupport@researchsolutions.com

10624 S. Eastern Ave., Ste. A-614

Henderson, NV 89052, USA

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

Blog Terms and Conditions API Terms Privacy Policy Contact Cookie Preferences Do Not Sell or Share My Personal Information

Made with 💙 for researchers

Part of the Research Solutions Family.

Parametric Identification and Sensitivity Analysis Combined with a Damage Model for Reinforced Concrete Structures

Cited by 2 publications

References 69 publications

Intra-element versus inter-element crack propagation: the numerical extensometer approach

Intra-element versus inter-element crack propagation: the numerical extensometer approach

Aprendizado de máquina para predição de resistência à compressão de argamassas com e sem resíduo de construção

Contact Info

Product

Resources

About