Navegar por:

Artificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/1118822
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorEvangelista Junior, Francisco-
Autor(es): dc.creatorCarvalho, Ruan de Alencar-
Data de aceite: dc.date.accessioned2025-09-01T11:54:17Z-
Data de disponibilização: dc.date.available2025-09-01T11:54:17Z-
Data de envio: dc.date.issued2025-05-20-
Data de envio: dc.date.issued2025-05-20-
Data de envio: dc.date.issued2025-05-20-
Data de envio: dc.date.issued2025-03-17-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/52273-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1118822-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2025.-
Descrição: dc.descriptionO presente trabalho consiste na implementação de Modelagem Baseada em Dados (MBD) com técnicas de Aprendizado de Máquina (AM), especificamente Redes Neurais Artificiais (RNA), como uma abordagem ao estudo da resistência da seção líquida de cantoneiras de aço parafusadas sob tração axial; da temperatura da superfície de pavimentos de concreto; e da diferença de temperatura entre a superfície e a base de lajes de concreto de pavimentos. Dois outros conjuntos de dados foram coletados de um repositório público conhecido para comparar os resultados de outros autores com os obtidos na presente dissertação. Os conjuntos de dados são compostos por amostras de testes experimentais, simulações numéricas e equações. Uma metodologia de base foi apresentada com validação cruzada 5-fold, ajuste de hiperparâmetros com Otimização Bayesiana (OB) e técnicas de regularização, como early stopping, decaimento de peso e batch normalization. Diferentes conjuntos de inputs foram utilizados, implementando algoritmos de seleção de atributos e importância de atributos, com o objetivo de alcançar modelos de acurácia satisfatória com um número reduzido de entradas. Além disso, outra metodologia foi utilizada, um algoritmo baseado em BO denominado SOFAH, Simultaneous Optimization of Feature Augmentation and Hyperparameters. Ele realiza simultaneamente a otimização de hiperparâmetros e a seleção de inputs das RNAs. O SOFAH visa aprimorar os modelos da metodologia de base, ao mesmo tempo que fornece informações sobre as variáveis importantes para a previsão da variável de resposta. Os modelos desenvolvidos, tanto nos conjuntos de dados coletados quanto em dados de repositórios públicos, atingiram alta acurácia e proveram informações acerca das variáveis mais relevantes. Em geral, os resultados deste trabalho demonstram a eficácia das técnicas de AM e da modelagem baseada em dados como ferramentas ponderosas para o estudo e previsão de propriedades físicas relevantes para problemas de engenharia.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES), Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e Fundação de Apoio à Pesquisa do Distrito Federal (FAP-DF).-
Descrição: dc.descriptionThe present work consists of an implementation of Data-Driven Modeling (DDM) with Machine Learning (ML) techniques, in particular Artificial Neural Networks, as an approach to the study of net section capacity of cold-formed Steel Bolted Angles (SBA) under axial tension; concrete pavement surface temperature; and difference in temperature from surface to bottom of pavement concrete slabs. Two other datasets were collected from a known public repository to compare other authors’ results with the ones obtained in the present thesis. The datasets are composed of instances from experimental tests, numerical simulations, and analytical and standards’ equations. The present thesis aims to obtain accurate models capable of surrogating these methods with reduced financial and computational costs. A baseline methodology was presented with 5-fold cross-validation, hyperparameter tuning with Bayesian Optimization (BO) and regularization techniques, such as early stopping, weight decay and batch normalization. Different sets of input variables were used, implementing feature selection and feature importance algorithms and aiming to achieve sufficiently accurate models with a reduced number of inputs. Besides that, another methodology was used, a BObased algorithm that was named SOFAH, Simultaneous Optimization of Feature Augmentation and Hyperparameters. It addresses simultaneously and automatically the optimization of hyperparameters and feature selection of an augmented set of the original features. SOFAH aims to further improve the baseline models while providing information on important features for predictions of the response variable. The developed models, both on gathered datasets and on public repository data, achieved very high accuracy and provided information on most relevant features for each analyzed engineering problem. The overall results of the present work show the effectiveness of ML and DDM as powerful tools for studying and predicting physical properties relevant to engineering problems.-
Descrição: dc.descriptionFaculdade de Tecnologia (FT)-
Descrição: dc.descriptionDepartamento de Engenharia Civil e Ambiental (FT ENC)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Estruturas e Construção Civil-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectOtimização bayesiana-
Palavras-chave: dc.subjectPavimentos de concreto-
Palavras-chave: dc.subjectRedes neurais artificiais-
Título: dc.titleArtificial neural networks with bayesian optimization and feature selection applied to regression in engineering problems-
Título: dc.titleRedes neurais artificiais com otimização bayesiana e seleção de variáveis aplicadas na regressão de problemas de engenharia-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação