COMUNICAÇAO DE DEFESA DE DISSERTAÇÃO DE MESTRADO
Observados os dispositivos do art. 62 da DELIBERAGAO 001/76, será defendida no dia 16 de abril de 2024, às 10h 00min, em reunião realizada por meios de comunicação remota, a DISSERTAÇÃO DE MESTRADO intitulada UTILIZAÇÃO DE MACHINE LEARNING NA PREVISÃO DO COMPORTAMENTO DE AREIA EM EN- SAIOS DE CISALHAMENTO do(a) aluno(a) GLEYCE DE SOUZA BAPTISTA, candi- dato(a) ao grau de Mestre em Engenharia Civil.
A Comissão Julgadora constituída pela DESIGNAÇÃO Nº 20922/03/2024 é formada pelos seguintes membros:
| N° | Nome | Titulação | Afiliação | Obs. |
|---|---|---|---|---|
| 1 | Marina Bellaver Corte Doutor | Doutor / UFRGS | PUC-Rio | Orientador(a) e Presidente |
| 2 | Raquel Quadros Velloso Doutor | Doutor / PUC-Rio | PUC-Rio | |
| 3 | Gustavo Vaz de Mello Guimarães | Doutor / UFRJ | UFRJ | |
| 4 | Alessandro Cirone | Doutor / PUC-Rio | PUC-Rio | Suplente |
RESUMO:
Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios em campo e laboratório, embora cruciais, enfrentam limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em Direct Simple Shear (DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas analises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de materiais granulares, mesmo com um conjunto de dados limitado.
Link para a defesa:
https://puc-rio.zoom.us/j/
ID da reunião: 925 1665 3482
Senha: 219720
