Uso de Redes Neurais Artificiais e Análises de Regressão para Avaliar Correlações Entre Limites de Liquidez de Solos Obtidos Pelos Métodos de Casagrande e Cone
Nome: JANAINA SILVA HASTENREITER KÜSTER
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 07/10/2022
Orientador:
| Nome | Papel |
|---|---|
| KÁTIA VANESSA BICALHO | Orientador |
Banca:
| Nome | Papel |
|---|---|
| LÁZARO VALENTIM ZUQUETTE | Coorientador |
| SILVIO ROMERO DE MELO FERREIRA | Coorientador |
| ADELMO INACIO BERTOLDE | Examinador Externo |
| WILIAN HIROSHI HISATUGU | Examinador Externo |
| MARISTELA GOMES DA SILVA | Examinador Interno |
Páginas
Resumo: Esta pesquisa analisa e compara valores de limites de liquidez (LL) obtidos pelo método de percussão de Casagrande, LLc (aparelhos de base dura e macia), e pelos cones britânico e sueco, LLp, para diferentes solos finos e uma ampla variação de valores de LL. Para as estimativas de LLp foram utilizados modelos de regressão (linear e não linear) entre LLc e LLp e redes neurais artificiais (RNAs) do tipo feed-forward (FNN) treinadas com o algoritmo de retropropagação perceptron multicamadas (MLP), com uma ou duas camadas ocultas. Valores experimentais de LLc¬ e LLp previamente compilados da literatura (507 amostras) foram selecionados para as análises estatísticas e RNAs. Os resultados experimentais foram separados em grupos de acordo com a dureza da base do aparelho de Casagrande e do tipo de cone utilizado, e divididos em subgrupos para a avaliação da influência do intervalo de LL. RNAs foram treinadas com LLc, LLp, IP e classificação SUCS dos solos como parâmetros de entrada e comparadas com as redes de parâmetros de entrada LLc e LLp (24 redes para cada conjunto de dados e obtido como saída LLp). Análises estatísticas possibilitaram a seleção e o tratamento dos dados experimentais, com a eliminação dos outliers. Os dados de cada grupo e seus subgrupos foram submetidos a análises de regressão para o estabelecimento de correlações lineares e não lineares entre os dados, e obtenção do coeficiente de determinação (R²). As correlações lineares foram submetidas às análises de resíduos e aos testes de hipóteses para verificação da normalidade do modelo e independência das variáveis. A normalidade dos modelos foi verificada pela análise gráfica dos histogramas de frequência dos resíduos e do gráfico de Probabilidade Normal e pelos testes Kolmogorov-Smirnov (KS), Shapiro-Wilk (SW) e Durbin-Watson (DW). As correlações lineares e não lineares e as RNAs foram comparadas através de técnicas estatísticas que incluem os resultados obtidos para a raiz quadrada do erro médio (RMSE), erro médio absoluto (MAE), coeficiente de determinação (R²), valores mínimos e máximos, média e desvio padrão () das estimativas de LLp. As análises dos dados indicam que os modelos propostos resultam em valores muito próximos para a previsão de LLp. Os testes estatísticos mostraram que as correlações lineares obtidas nesta pesquisa, apesar dos elevados coeficientes de correlação (R² > 0,74), não são válidas. Os resultados das RNAs mostram que além da variabilidade das propriedades geotécnicas dos resultados experimentais que compõem os conjuntos de dados, o número de amostras utilizadas na previsão de LLp também influencia nos resultados. As RNAs treinadas têm potencial de aplicação para as estimativas de LLp e representam uma ferramenta adicional para os métodos empíricos convencionais de regressão.
Palavras-chave: Limite de Liquidez, Plasticidade, Cone, Casagrande, Correlações de Regressão, Redes Neurais Artificiais.
