Uma abordagem alternativa para obtenção da classificação de solos da AASHTO usando redes neurais artificiais
DOI:
https://doi.org/10.14295/transportes.v29i1.2176Palavras-chave:
Classificação da AASHTO, Rodovias de Baixo Volume de Tráfego, Perceptron, Prospecção de Solos.Resumo
A prospecção e análise preliminar de solos para identificar a sua tendência de comportamento como subleito através da classificação da AASHTO, gera custos iniciais altos aos projetos rodoviários, os quais, muitas vezes, oneram o seu valor final, tendo em vista que o custo da geotecnia em projetos rodoviários é estimado em 30% na média, no âmbito do Ceará. Uma forma de otimizar a identificação preliminar do comportamento do material seria muito positiva para área rodoviária. Assim, o objetivo deste trabalho é desenvolver um modelo de previsão da classificação da AASHTO de solos, por meio de Redes Neurais Artificiais (RNA) do tipo Perceptron de Múltiplas Camadas (MLP). Para tanto, utilizou-se como variáveis explicativas os dados da classificação tátil-visual de solos, a qual possibilita verificar de forma expedita a granulometria e a cor do material. Assim, elaborou-se um banco de dados geotécnico com 1790 amostras extraídas de projetos rodoviários já executados no estado do Ceará. O modelo proposto apresentou uma taxa de acerto de 94,5%, na média das estimativas para a classificação da AASHTO e um erro da ordem de 0,04, considerando o quadrado médio dos erros (MSE).
Downloads
Referências
AASHTO (2004) Mechanistic-Empirical pavement design guide: of new and rehabilitated pavement structures – final report. Washington D.C.: American Association of State Highway and Transportation Officials.
AASHTO (2008) Mechanistic-Empirical pavement design guide-a manual of practice. Washington D.C.: American Association of State Highway and Transportation Officials.
ABNT (1984) NBR 7181: Solo - Análise Granulométrica. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.
ABNT (2016) NBR 7182: Solo – Ensaio de compactação. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.
ABNT (2016) NBR 7180: Solo – Determinação do limite de plasticidade. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.
ABNT (2016) NBR 9895: Solo - Índice de suporte Califórnia (ISC) - Método de ensaio. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.
Alawi, M. e M. Rajab (2013) Prediction of Califórnia bearing ratio of sub base layer using multiple linear regression models. Road Materials and Pavement Design, v. 14, n. 1, p. 211-2019. DOI: 10.1080/14680629.2012.757557.
ASTM D2488-00 (2000) Standard Practice for Description and Identification of Soils (Visual-Manual Procedure). West Conshohocken, PA.: American Society for Testing and Materials.
Barroso, S. H. A. (2002) Estudo dos solos da região metropolitana de Fortaleza para aplicação na engenharia rodoviária. Tese (Doutorado). Programa de Pós-graduação em Engenharia de Transportes, Universidade de São Paulo. São Paulo. DOI:10.11606/T.18.2016.tde-01062016-112348.
Bhargavi, P. e J. Jyothi (2009) Applying naive bayes data mining technique for
classification of agricultural land soils, IJCSNS International Journal of Computer Science and Network Security, v. 9, n. 8, p.117–122.
Bhargavi, P. e S. Jyothi (2010) Soil classification using GATREE. International Journal of Computer Science & Information Tech-nology, v. 2, n. 5, p. 184-191. DOI: 10.5121/ijcsit.2010.2514.
Boruvka, L. e V. Penizek (2007) A test of an artificial neural network allocation procedure using the czech soil Survey of agri-cultural land data. In Lagacherie, P.; A.B. Mcbratney e M. Voltz (eds). Digital Soil mapping: an introductory perspective. Am-sterdam: Elsevier, p. 415-424. DOI: 10.1007/978-1-4020-8592-5_1.
Chaves, F. J. (2000) Caracterização geotécnica de solos da formação barreiras da região metropolitana de fortaleza para aplica-ção em obras rodoviárias. Dissertação (Mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universi-dade Federal do Rio de Janeiro. Rio de janeiro.
Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Matemática. Control Signal Systems, v. 2, n. 4, p. 303-314.
Erzin, Y. e D. Turkoz (2016) Use of neural networks for the prediction of the CBR value of some aegean sands. Neural Compu-ting and Applications, v. 27, n. 5, p. 1415–1426. DOI: 10.1007/s00521-015-1943-7.
Guilherme, A. T. P. (2016) Análise comparativa de modelos para previsão e mapeamento de propriedades geotécnicas dos solos da microrregião de Mossoró-RN. Dissertação (Mestrado). Programa de Pós-graduação em Engenharia de Transportes, Uni-versidade Federal do Ceará. Fortaleza. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/23174> (Acesso em 25/07/2019).
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. DOI: 10.1016/j.advengsoft.2010.06.008.
Haykin, S.O. (2001) Neural Networks, A Comprehensive Foundation (2ª ed.). Ontario: Pearson Education.
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, n. 1, p. 2-13. DOI: 10.1016/j.compgeo.2010.08.011.
Kaniu, M. I. e K. H. Angeyo (2015) Challenges in rapid soil quality assessment and opportunities presented by multivariate chemometric energy dispersive X-ray fluorescence and scattering spectroscopy. Geoderma, v. 241–242, p. 32-40. DOI: 10.1016/j.geoderma.2014.10.014.
Kayadelen, C.; O. Gunaydin.; M. Fener.; A. Demir e A. Ozvan (2009) Modeling of the angle of shearing Resistance of soils using soft computing systems. Expert Systems With Applications, v. 36, n. 9, p. 11814-11826.DOI: 10.1016/j.eswa.2009.04.008.
Mascarenhas, I. M. N. (2016) Caracterização geotécnica de solos na região metropolitana do Cariri/CE para uso em pavimenta-ção. Dissertação (Mestrado), Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Cea-rá. Fortaleza. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/49825> (Acesso em 27/07/2019).
Minke, G. (2006) Building with earth: design and technology of a sustainable architecture (2ª ed.). Basel: Birkhaeuser.
Mollahasani. A.; A. H. Alavi.; A. H. Gandomi e A. Rashed (2010) Nonlinear neural-based modeling of soil cohesion intercept. Ksce Journal of Civil Engineering, v. 15, n. 5, p. 831-840. DOI: 10.1007/s12205-011-1154-4.
Nazzal, M. D. e O. Tatari (2013) Evaluating the use of neural networks and genetic algorithms for prediction of subgrade resilient modulus. International Journal of Pavement Engineering, v. 14, n. 4, p. 364–373. DOI: 10.1080/10298436.2012.671944.
Neto, L. B.; A. C. C. F. Sieira.; B. R. Danziger e J. G. S. Silva (2006) Neuro-CPT: classificação de solos usando-se Redes Neurais Artificiais. Engevista, v. 8, n. 1, p. 37-48. DOI: 10.22409/engevista.v8i1.170.
Neto, S. A. D.; M. V. Silveira.; L. B. Amâncio e G. J. M. Anjos (2014) Pile settlement modeling with multilayer perceptrons. Elec-tronic Journal of Geotechnical Engineering, v. 19, p. 4517-4518.
Nguyen, B. T. e A. Mohajerani (2017) Possible estimation of resilient modulus of fine grained soils using a dynamic light-weight cone penetrometer. International Journal of Pavement Engineering.v. 18, n. 6 p. 473-484. DOI: 10.1080/10298436.2015.1095899.
Park, H. I.; G. C. Kweon e S. R. Lee (2009) Prediction of resilient modulus of granular subgrade soils and subbase materials using artificial neural network. Road Materials and Pavement Design, v. 10, n. 3, p. 647- 665. DOI:10.1080/14680629.2009.9690218.
Pavini, M. (2002) Artificial neural network modeling of pavement performance using expert judgement. Road Material and Pavement Design, v. 3, n. 4, p. 373-384. DOI: 10.1080/14680629.2002.9689931.
Pinto, C.S. (2006) Curso básico de mecânica dos solos em 16 aulas (3ª ed.). São Paulo: Oficina textos.
Rakesh, N.; A. K. Jain.; M. Amaranatha Reddy e K. Sudhakar Reddy (2006) Artificial neural networks- genetic algorithm based model for backcalculation of pavement layer moduli. International Journal of Pavement Engineering, v. 7, n. 3, p. 221-230. DOI: 10.1080/10298430500495113.
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 n. 2473, p. 98-106, 2015. DOI:10.3141/2473-12.
Ribeiro, A. J. A.; C. A. U. Da Silva e S. H. A. Barroso (2018) Metodologia de baixo custo para mapeamento geotécnico aplicado à pavimentação. Transportes (Rio de Janeiro), v. 26, n. 2, p. 84-100. DOI:10.14295/transportes.v26i2.1491.
Rigassi, V. (1985) Compressed earth blocks: manual of production (Vol I). Eschborn: Vieweg.
Sadrossadat, E.; H. Ali e B. Ghorbani (2018) Towards application of linear genetic programming for Indirect estimation of the resilient modulus of pavements subgrade soils. Road Materials and Pavement Design, v. 19, n. 1, p. 139-153. DOI: 10.1080/14680629.2016.1250665.
Sadrossadat, E.; H. Ali e O. Saeedeh (2016) Prediction of the resilient modulus of flexible pavement Subgrade soils using adaptive neuro-fuzzy inference systems. Construction and Building Materials, v. 123, p. 235-247. DOI: 10.1016/j.conbuildmat.2016.07.008.
Sitton, J. D.; Y. Zeinali e B.A. Story (2017) Rapid soil classification using artificial neural networks for use in constructing com-pressed earth blocks. Construction and Building Materials, v. 138, p. 214-221. DOI: 10.1016/j.conbuildmat.2017.02.006.
Taskiran, T. (2010) Prediction of California bearing ratio (CBR) of fine grained soils by AI methods. Advances in Engineering Software, v. 41, n. 6, p. 886-892. DOI: 10.1016/j.advengsoft.2010.01.003.
Tenpe, A. R. e A. Patel (2018) Application of genetic expression programming and artificial neural network for prediction of CBR. Road materials and pavement design, v. 19, n. 1, p. 1-18. DOI: 10.1080/14680629.2018.1544924.
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.
Zhang, H. e T. Yu (2016) Prediction of subgrade elastic moduli in different seasons based on BP neural network technology. Road Materials and Pavement Design, v. 19, n. 8, p. 1-18. DOI: 10.1080/14680629.2016.1259122.
Zeghal, M. e W. Khogali (2005) Predicting the resilient modulus of unbound granular materials by neural networks. In Na-tional Research Council Canada (NRCC-47704). Trondheim : BCRA, 27-29, p. 1-9.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Wana Maria de Souza, Antonio Júnior Alves Ribeiro, Carlos Augusto Uchoa da Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:
- Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
- Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
- Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
- Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
- Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
- Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
