Metodologia de baixo custo para mapeamento geotécnico aplicado à pavimentação

Autores

  • Antonio Júnior Alves Ribeiro IFCE
  • Carlos Augusto Uchôa da Silva UFC/PETRAN
  • Suelly Helena de Araújo Barroso UFC/PETRAN

DOI:

https://doi.org/10.14295/transportes.v26i2.1491

Palavras-chave:

Geotecnia, Modelagem Neural, Geoprocessamento.

Resumo

Este artigo apresenta uma metodologia de baixo custo para previsão e mapeamento dos valores de CBR (California Bearing Ratio) dos solos nas energias de compactação normal (CBR-N) e intermediária (CBR-I), que possa contribuir para o processo da tomada de decisão, quanto ao seu uso para fins de pavimentação. Utilizou-se Geoprocessamento e Redes Neurais Artificiais (RNA) como técnicas de modelagem, bem como variáveis biofísicas e espaciais para explicar o fenômeno modelado. As características pesquisadas (pedologia, geologia, geomorfologia, vegetação, altimetria e posição) se correlacionaram com os valores de CBR dos solos nas duas energias de compactação. Os dados de CBR foram extraídos de projetos e estudos pré-existentes na área escolhida, neste caso, a Região Metropolitana de Fortaleza (RMF). Dessa forma, calibraram-se, validaram-se e testaram-se diversos modelos em RNA até encontrar os dois modelos de melhor ajuste para a geração de estimativas de CBR-N e CBR-I. As características geotécnicas estimadas por esses modelos possibilitaram a elaboração de dois Mapas Geotécnicos Neurais estratificados para previsão dos valores de CBR-N e CBR-I. Os resultados mostram claramente que a técnica de Redes Neurais Artificiais é promissora, tanto para estimar as propriedades mecânicas dos solos quanto para prever sua ocorrência e localização na área estudada.

Downloads

Não há dados estatísticos.

Referências

Almeida, Márcio. S. S.; M. E. S. Marques; T. C. Miranda (2008) Lowland Reclamation in Urban Areas. In: Geotechnical Infra-structure for Mega Cities and New Capitals, XIV COBRAMSEG , Búzios.

Anderson, D.A. e R. Dongre (1995) The SHRP Direct Tension Specification Test – Its Development and Use. Physical Properties of Asphalt Cement Binders. In: J.C. Hardin, Ed. ASTM Special Technical Publication 1241. American Society for Testing and Materials, Philadelphia, PA, p. 51-66.

Beale, M. H.; M. T. Hagan e H. B. Demuth (2010). Neural Network Toolbox™ 7 - User’s Guide.

Bockheim, J. G.; A. N. Gennadiyev; R. D. Hammer e J. P. Tandarich (2005). The Historical development of key concepts in Pedol-ogy. Geoderma, v. 124, n. 1-2, p. 23–36. DOI:10.1016/j.geoderma.2004.03.004

Bui, D.; H. Tien; C. Tien; I. Revhaug; B. Pradhan e D. B. Nguyen (2014) Landslide susceptibility mapping along the national road 32 of Vietnam using GIS-based j48 decision tree classifier and its ensembles. Cartography from pole to pole, pag. 303-317. Editora Springer Berlin Heidelberg. DOI:10.1007/978-3-642-32618-9_22

Câmara, G.; C. B. Medeiros; M. A. Casa Nova; A. Hemerly e G. Magalhães (2004) Anatomia de sistemas de informação geográfica. Escola de Computação, SBC.

Câmara, A. S. (1996). Spatial Simulation Modelling. Spatial Analytical Perspectives on GIS. M. Fisher. London, Taylor & Francis: 213-218.

Caten, A. ten; R. S. D. Dalmolin; F. de A. Pedron e M. de L. Mendonça‑Santos (2011b) Regressões logísticas múltiplas: fatores que influenciam sua aplicação na predição de classes de solos. Revista Brasileira de Ciência do Solo, v.35, p.53‑62. DOI:10.1590/S0100-06832011000100005

Debella-Gilo, M. e B. Etzelmüller (2009) Spatial prediction of soil classes using digital terrain analysis and multinomial logistic regression modeling integrated in GIS: Examples from Vestfold County, Norway, Catena, v. 77, p. 8-18, 2009. DOI:10.1016/j.catena.2008.12.001

DNIT (2006) Manual De Pavimentação, 2006.

Franco, F.A.C.P. (2007) Método de Dimensionamento Mecanístico-Empírico de Pavimentos Asfálticos – SISPAV. 294p. Tese (Doutorado em Engenharia Civil) - Universidade Federal do Rio de Janeiro, Rio de Janeiro.

Fritzen, M. A. (2016) Desenvolvimento e Validação de Função de Transferência para Previsão do Dano por Fadiga em Pavimentos Asfálticos – Rio de Janeiro: UFRJ/COPPE.

Guilherme, A. T. P.; A. J. A. Ribeiro; W. S. Cabral; C. A. U. Silva; S. H. A. Barroso e I. W. Castro (2016) Um Método para Construção de um Banco de Dados com fins de Modelagem Geotécnica para Pavimentação dos Solos da Microrregião de Mossoró-RN. In: XXX Congresso Nacional de Pesquisa em Transporte da ANPET. Rio de Janeiro. Anais, p. 85-96.

Gunaydin O.; A. Gokoglu e M. Fener (2010). Prediction of artificial soil’s unconfined compression strength test using statisti-cal analyses and artificial neural networks. Advances in Engineering Software, v. 41, p. 1115-1123, 2010. DOI:10.1016/j.advengsoft.2010.06.008

Hartemink, A. E. e A. B. McBratney (2008). A soil science renaissance. Geoderma, v. 148, p. 123-129. DOI:10.1016/j.geoderma.2008.10.006

Haykin (2001) Neural Networks, A Comprehensive Foundation. Second Edition, Pearson Education, McMaster University, Ham-ilton, Ontario, Canada.

Johari A.; A. A. Javadi e G. Habibagahi (2011) Modelling the mechanical behaviour of unsaturated soils using a genetic algo-rithm-based neural network. Computers and Geotechnics, v 38, p. 2-13, 2011. DOI: 10.1016/j.compgeo.2010.08.011

Juang, C. H.; P. C. Lu e C. J. Chen (2002), Predicting Geotechnical Parameters of Sands from CPT Measurements Using Neural Networks. Computer-Aided Civil and Infrastructure Engineering, v. 17, p. 31–42. DOI: 10.1111/1467-8667.00250

Kempen B.; D. J. Brus; G. B. M. Heuvelink e J. J. Stoorvogel (2009) Updating the 1:50,000 Dutch soil map using legacy soil data: A multinomial logistic regression approach. Geoderma, Amsterdam, v 151, p. 311-326, 2009. DOI: 10.1016/j.geoderma.2009.04.023

Lagacherie, P. e A. B. McBratney (2007) Spatial soil information systems and spatial soil inference systems: Perspectives for digi-tal soil mapping. Digital soil mapping: An introductory perspective. Amsterdam, Elsevier, p.3-22.

McBratney, A. B.; S. M. L. Mendonca e B. Minasny (2003) On digital soil mapping. Geoderma, Amsterdam, v. 117, n. 1-2, p. 3-52, 2003. DOI: 10.1016/S0016-7061(03)00223-4

McCulloch, W. S. e W. H. Pitts (1943) ‘A Logical Calculus of the Ideas Immanent in Nervous Activity’, Bulletin of Mathematical Biophysics 7, 115–133. Reprinted in McCulloch 1964, pp. 16–39.

Oh, T. C. e B. Pradhan (2011) Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area. Computers & Geosciences, v. 37, n.9, pag. 1264 - 1276, 2011. DOI: 10.1016/j.cageo.2010.10.012

Ribeiro, A. J. A.; C. A. U. da Silva e S. H. A Barroso (2015). Neural Estimation of Localization and Classification of Soils for Use in Low-Traffic-Volume Roads. Transportation Research Record, v. 2473, p. 98-106, 2015. DOI: 10.3141/2473-12

Ribeiro, A. J. A.; C. A. U. da Silva e S. H. A. Barroso (2016) Metodologia Para Criação De Um Banco De Dados Georeferenciado a Partir de Dados Geotécnicos Obtidos Em -As Built- e Projetos Rodoviários. REEC - Revista Eletrônica de Engenharia Civil, v. 12, p. 1-13, 2016. DOI: 10.5216/reec.v12i2.39413

Ribeiro, A. J. A.; M.E. R. Rosa e G. A. Reis (2016) Comparação entre Diferentes Bases Altimétricas para Delimitação de Bacias e Extração de Drenagens. Revista Eletrônica de Gestão e Tecnologias Ambientais, v. 4, p. 193, 2016. DOI: 10.9771/gesta.v4i2.14992

Rosenblatt, F. (1958) The perceptron: A probabilistic model for information storage and organization in the brain. Psycholog-ical Review. v. 6, p. 386–408.

Scull, P.; J. Franklin; O. A. Chadwick e D. McArthur (2003), Predictive soil mapping a review. Progress in Physical Geography, v. 27, p. 171-197, 2003.

Souza, M. L. (1979) Método de projeto de pavimentos flexíveis. 2. ed. Rio de Janeiro: DNER, 1979.

Taskiran, T. (2010) Prediction of California bearing ratio (CBR) of fine grained soils by AI methods. Advances in Engineering Software n. 41, p. 886–892. DOI: 10.1016/j.advengsoft.2010.01.003

Yildirim, B. e O. Gunaydin (2011) Estimation of California bearing ratio by using soft computing systems. Expert Systems with Applications v. 38, p. 6381–6391. DOI: 10.1016/j.eswa.2010.12.054

Zeghal, M. e W. Khogali (2005) Predicting the resilient modulus of unbound granular materials by neural networks. National Research Council Canada (NRCC-47704). BCRA 2005, Trondheim, Norway, June 27-29, 2005, pp. 1-9.

Downloads

Publicado

31-08-2018

Como Citar

Ribeiro, A. J. A., da Silva, C. A. U., & Barroso, S. H. de A. (2018). Metodologia de baixo custo para mapeamento geotécnico aplicado à pavimentação. TRANSPORTES, 26(2), 84–100. https://doi.org/10.14295/transportes.v26i2.1491

Edição

Seção

Artigos