Estimativa dos parâmetros de compactação de solos usando técnicas de data mining

Dissertação de mestrado integrado em Engenharia Civil

Os projetos de engenharia de obras, tais como barragens de terra, aterras para estradas e aterros de valas, requerem material de empréstimo compactado ao máximo peso volúmico seco. A determinação dos parâmetros de compactação de Proctor em laboratório é bastante morosa e dispendiosa quer em termos de esforço quer em termos financeiros. Neste trabalho foram desenvolvidos, usando técnicas de data mining (Redes Neuronais Artificiais e Máquinas de Vetores de Suporte) e regressões estatísticas, modelos de previsão do teor em água ótimo e do peso volúmico seco máximo tendo como base dados publicados na literatura e dados obtidos em ensaios realizados no âmbito deste trabalho. Para construir os modelos de previsão, foram utilizadas, como variáveis de entrada, propriedades índices do solo como os limites de consistência, percentagem de particulas finas inferiores a 0.075 mm e densidade das particulas. Comparando o desempenho das técnicas de data mining (DM) constatou-se que as Máquinas de Vetores de Suporte (MVS) tiveram uma melhor capacidade preditiva do que as Redes Neuronais Artificiais (RNA). Para além disso as MVS tiveram um melhor desempenho do que os modelos de regressão múltipla desenvolvidos. Sendo assim, admite-se que as MVS se constituam numa ferramenta útil de dimensionamento na fase preliminar ou em orçamentos de projetos.

Engineering works projects, such as earth dams, embankments for roads and ditches landfills require loan material compressed to the maximum dry unit weight. The determination of Proctor compaction parameters in the laboratory is very time consuming and costly both in effort and financial terms. In this work, predicted models were developed using data mining (DM) techniques (Artificial Neural Networks and Support Vector Machines) and statistical regressions, to estimate the water moisture content and the maximum dry density of soils based on published data and data gathered from tests performed in this work. To build the predictive models, input variables, such as index soil properties like the consistency limits, the percentage of fine particles below 0.075 mm and density of the particles were used. Comparing the performance of data mining techniques it was found that the Support Vector Machines (SVM) had a better predictive capability than the Artificial Neural Networks (ANN). Furthermore, SVM performed better than the multiple regression models developed. Thus, it is assumed that the SVM constitute a useful sizing tool in the preliminary stage or in project budgeting.