UTILIZAÇÃO DE REDE NEURAL ARTIFICIAL NA OBTENÇÃO DAS INFLUÊNCIAS PARA ACRÉSCIMOS DE TENSÃO VERTICAL NO SOLO DEVIDO A CARREGAMENTOS EXTERNOS

USE OF ARTIFICIAL NEURAL NETWORK TO OBTAIN INFLUENCES FOR INCREASED VERTICAL STRESS IN THE GROUND DUE TO EXTERNAL LOADS

Resumo

O presente artigo mostra uma aplicação de uma ferramenta visando facilitar a resolução de problemas de engenharia civil, especificamente da obtenção da influência para acréscimos de tensão no solo devido a carregamentos externos sem o uso de ábacos, parâmetro muito importante na avaliação da estabilidade das obras de engenharia. Esta ferramenta chama-se Rede Neural Artificial (RNA) e foi criada devido o contraste entre o processamento do cérebro humano e os computadores. O objetivo da pesquisa é apresentar os resultados das análises de seis modelos que utilizaram essa ferramenta, mostrando que quando bem modelado existe uma rapidez na obtenção das influências, com erros aceitáveis (5,5%), e que quando modelados de forma inadequada podem gerar valores com erros de até 90% em relação ao valor do ábaco. A facilidade do uso da técnica e a rapidez no processamento resulta na melhor compreensão quando se tem um número grande de pontos no interior do maciço de solo onde deseja-se prever os valores das influências, devido a capacidade de processamento em lote da RNA.

Abstract

This article shows an application of a tool aimed at facilitating the resolution of civil engineering problems, specifically obtaining the influence for stress increases in the soil due to external loads without the use of abacuses, a very important parameter in the evaluation of the stability of construction works. engineering. This tool was created due to the contrast between the processing of the human brain and computers and is called Artificial Neural Network (ANN). Analysis results of six models that used this tool will be shown, showing that when well modeled there is a speed in obtaining influences, with acceptable errors (5.5%), and that when not well modeled, they can generate values with errors of up to 90% in relation to the value of the abacus. The ease of use of the technique and the speed of processing are better understood when you have a large number of points inside the soil massif where you want to predict the values of the influences, due to the batch processing capability of the ANN.