
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Yanagi Junior, Tadayuki | - |
| Autor(es): dc.contributor | Gomes, Francisco Carlos | - |
| Autor(es): dc.contributor | Lacerda, Wilian Soares | - |
| Autor(es): dc.contributor | Ribeiro, André Geraldo Cornélio | - |
| Autor(es): dc.contributor | Souza, Sérgio Martins de | - |
| Autor(es): dc.contributor | Lacerda, Wilian Soares | - |
| Autor(es): dc.contributor | Hernández Julio, Yamid Fabián | - |
| Autor(es): dc.contributor | Gomes, Francisco Carlos | - |
| Autor(es): dc.contributor | Andrade, Ednilton Tavares de | - |
| Autor(es): dc.creator | Tavares, Dennis Santos | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:00:40Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:00:40Z | - |
| Data de envio: dc.date.issued | 2021-10-07 | - |
| Data de envio: dc.date.issued | 2021-10-07 | - |
| Data de envio: dc.date.issued | 2021-10-07 | - |
| Data de envio: dc.date.issued | 2021-08-06 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/48344 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1152377 | - |
| Descrição: dc.description | The axial compressive strength is the main property of concrete, the structural material most used worldwide, but there are no empirical equations that provide, easily and quickly, reliable and accurate results for prediction of this important property that is directly related to structural performance and safety of civil construction works. Concrete dosage and compressive strength prediction are obtained through laboratory tests conducted from successive adjustments in pilot batches, which requires time and consumption of materials. The objective of this work is to apply the technologies of computational intelligence, Artificial Neural Networks and Fuzzy Logic for predicting the axial compressive strength of concrete, from a database consisting of 1030 samples with different proportions of constituent materials and age of curing. Several configurations were tested until the choice of an Artificial Neural Network of feedforward architecture of the multilayer-perceptron (MLP) model with one input layer, two hidden layers and one output layer. It was also developed several fuzzy systems with different methods of inference and defuzzification that were statistically evaluated, being possible to verify that the methods of inference and defuzzification adopted influence the final result and the best system was with Mamdani inference and defuzzification center of area (centroid). The models developed with Mamdani inference and centroid, bisector and mom defuzzification, besides Sugeno inference with wtaver and wtsum defuzzification proved to be reliable and capable of providing high precision results, which shows the promise of applying computational intelligence models to concrete technology, contributing to the advancement of the industrialization and automation of civil construction. | - |
| Descrição: dc.description | A resistência à compressão axial é a principal propriedade do concreto, material estrutural mais utilizado em todo o mundo, porém não existem equações empíricas que forneçam, fácil e rapidamente, resultados confiáveis e precisos para predição desta importante propriedade que está diretamente relacionada ao desempenho estrutural e segurança das obras de construção civil. A dosagem do concreto e predição da resistência à compressão são obtidas por meio de ensaios laboratoriais conduzidos a partir de sucessivos ajustes em traços pilotos, o que demanda tempo e consumo de materiais. O objetivo deste trabalho consiste em aplicar as tecnologias de inteligência computacional, Redes Neurais Artificiais e Lógica Fuzzy para predição da resistência a compressão axial do concreto, a partir de uma base de dados composta por 1030 amostras com diferentes proporções de materiais constituintes e idades de cura. Foram testadas diversas configurações até a escolha de uma Rede Neural Artificial de arquitetura feedforward do modelo multilayerperceptron (MLP) com uma camada de entrada, duas camadas ocultas e uma de saída. Também foram desenvolvidos vários sistemas fuzzy com diferentes métodos de inferência e defuzzificação que foram avaliados estatisticamente, sendo possível constatar que os métodos de inferência e defuzzificação adotados influenciam no resultado final e o melhor sistema foi com inferência Mamdani e defuzzificação centroide (centro de área). Os modelos desenvolvidos com inferência Mamdani e defuzzificação centroide, bissetor e mom, além da inferência Sugeno com defuzzificação wtaver e wtsum se mostraram confiáveis e capazes de fornecer resultados de alta precisão o que mostra ser promissor a aplicação de modelos de inteligência computacional na tecnologia do concreto, contribuindo para o avanço da industrialização e automatização da construção civil. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia de Sistemas e Automação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Concreto - Propriedades físicas e mecânicas | - |
| Palavras-chave: dc.subject | Concreto - Resistência à compressão axial | - |
| Palavras-chave: dc.subject | Redes neurais artificiais | - |
| Palavras-chave: dc.subject | Lógica Fuzzy | - |
| Palavras-chave: dc.subject | Concrete - Physical and mechanical properties | - |
| Palavras-chave: dc.subject | Concrete - Resistance to axial compression | - |
| Palavras-chave: dc.subject | Artificial neural networks | - |
| Palavras-chave: dc.subject | Fuzzy logic | - |
| Palavras-chave: dc.subject | Sistemas de Computação | - |
| Título: dc.title | Aplicação de modelos matemáticos de inteligência computacional na predição da resistência à compressão axial de concreto de cimento Portland | - |
| Título: dc.title | Application of computational intelligence mathematical models to predict the axial compressive strength of portland cement concrete | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: