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 | University of Brasília, Department of Civil and Environmental Engineering | - |
Autor(es): dc.contributor | University of Brasília, Department of Civil and Environmental Engineering | - |
Autor(es): dc.contributor | University of Brasília, Department of Civil and Environmental Engineering | - |
Autor(es): dc.contributor | University of Brasília, Department of Civil and Environmental Engineering | - |
Autor(es): dc.creator | Silva, Vitor Pereira | - |
Autor(es): dc.creator | Carvalho, Ruan de Alencar | - |
Autor(es): dc.creator | Rêgo, João Henrique da Silva | - |
Autor(es): dc.creator | Evangelista Júnior, Francisco | - |
Data de aceite: dc.date.accessioned | 2024-10-23T16:07:43Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T16:07:43Z | - |
Data de envio: dc.date.issued | 2024-06-25 | - |
Data de envio: dc.date.issued | 2024-06-25 | - |
Data de envio: dc.date.issued | 2023-07-13 | - |
Fonte completa do material: dc.identifier | http://repositorio2.unb.br/jspui/handle/10482/48399 | - |
Fonte completa do material: dc.identifier | https://doi.org/10.3390/ma16144977 | - |
Fonte completa do material: dc.identifier | https://orcid.org/0000-0001-7466-4203 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/900487 | - |
Descrição: dc.description | Lately, several machine learning (ML) techniques are emerging as alternative and efficient ways to predict how component properties influence the properties of the final mixture. In the area of civil engineering, recent research already uses ML techniques with conventional concrete dosages. The importance of discussing its use in the Brazilian context is inserted in an international context in which this methodology is already being applied, and it is necessary to verify the applicability of these techniques with national databases or what is created from national input data. In this research, one of these techniques, an artificial neural network (ANN), is used to determine the compressive strength of conventional Brazilian concrete at 7 and 28 days by using a database built through publications in congresses and academic works and comparing it with the reference database of Yeh. The data were organized into nine variables in which the data samples for training and test sets vary in five different cases. The eight possible input variables were: consumption of cement, blast furnace slag, pozzolana, water, additive, fine aggregate, coarse aggregate, and age. The response variable was the compressive strength of the concrete. Using international data as a training set and Brazilian data as a test set, or vice versa, did not show satisfactory results in isolation. The results showed a variation in the five scenarios; however, when using the Brazilian and the reference data sets together as test and training sets, higher R2 values were obtained, showing that in the union of the two databases, a good predictive model is obtained. | - |
Descrição: dc.description | Faculdade de Tecnologia (FT) | - |
Descrição: dc.description | Departamento de Engenharia Civil e Ambiental (FT ENC) | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | MDPI | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | © 2023 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https:// creativecommons.org/licenses/by/ 4.0/). | - |
Palavras-chave: dc.subject | Resistência de materiais | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Predição | - |
Palavras-chave: dc.subject | Redes neurais artificiais | - |
Palavras-chave: dc.subject | Concreto | - |
Palavras-chave: dc.subject | Cimento Portland | - |
Título: dc.title | Machine learning-based prediction of the compressive strength of Brazilian concretes : a dual-dataset study | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: