Previsão do módulo de resiliência do subleito usando a classificação tátil-visual
DOI:
https://doi.org/10.14295/transportes.v30i3.2738Palavras-chave:
Redes neurais artificiais, Classificação tátil-visual, Método mecanístico-empírico de dimensionamento de pavimentos, Rodovias de baixo volume de tráfegoResumo
A determinação do Módulo de Resiliência (MR) dos solos dos subleitos é essencial para a implementação segura de um método mecanístico-empírico de dimensionamento de pavimentos. O MR de solos é medido por meio de ensaios realizados em equipamentos triaxiais de carga repetida, os quais demandam alto custo de investimento e análises complexas. Diante disso, existe a necessidade do desenvolvimento de modelos estatísticos para a previsão do MR de solos para uso em pavimentação, especialmente em países em desenvolvimento, como o Brasil, onde os recursos financeiros são limitados. Este estudo usou Redes Neurais Artificiais (RNAs) para desenvolver um modelo de predição do MR de solos do subleito, baseado na classificação tátil-visual de solos. Para tanto, os resultados dos ensaios de MR de diferentes solos do nordeste brasileiro foram usados para calibrar os modelos neurais de previsão do MR. Os resultados demonstram que as RNAs podem prever de forma confiável o MR de solos, com um bom grau de correlação, quando comparados aos dados de laboratório. Esses achados sugerem benefícios do uso de modelos neurais como uma abordagem custo-efetiva para a avaliação preliminar de solos de subleito para projetos de pavimentação de rodovias no nordeste do Brasil.
Downloads
Referências
Alawi, M. and M. Rajab (2013) Prediction of California 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.
Amiri, H.; S. Nazarian and and E. Fernando (2009) Investigation of impact of moisture variation on response of pavements through small-scale models. Journal of Materials in Civil Engineering, v.21 n. 10, p. 553–560. DOI: 10.1061/(ASCE)0899-1561(2009)21:10(553).
Archilla, A. R.; P. S. Ooi and K. G. Sandefur (2007) Estimation of a resilient modulus model for cohesive soils using joint estimation and mixed effects. Journal of Geotechnical and Geoenvironmental Engineering, v.133, n.8, p. 984–994. DOI: 10.1061/(ASCE)1090-0241(2007)133:8(984).
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 6459: Solo – Determinação do Limite de Liquidez. Rio de Janeiro.: Associação Brasileira de Normas Técnicas. Rio de Janeiro.
ABNT (2016) NBR 9895: Solo - Índice de suporte Califórnia (ISC) - Método de ensaio. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.
ASTM D2488-00 (2000) Standard Practice for Description and Identification of Soils (Visual-Manual Procedure). West Conshohocken, PA.: American Society for Testing and Materials.
Bastos, J.B.S. (2013) Influência da variação da umidade no comportamento de pavimentos da região metropolitana de Fortaleza. Dissertação (mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Ceará. Fortaleza, Brazil. Disponível em :<https://repositorio.ufc.br/handle/riufc/5627 > (Acesso em 23/05/2022).
Bayrak, M.B.; G. Alperand C. Halil (2005) Rapid pavement back calculation technique for evaluating flexible pavement systems. In Proceedings of the August 2005 Mid-Continent Transportation Research Symposium, Ames: IA. p.1-14.
Beale, M.H.; M. T. Haganand H. B. Demuth (2010) Neural Network Toolbox 7 - User’s Guide.
Benevides, S.A.S (2000) Análise comparativa dos métodos de dimensionamento dos pavimentos asfálticos: Empírico do DNER e da Resiliência da COPPE/UFRJ em rodovias do estado do Ceará. Dissertação (mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Rio de Janeiro. Rio de Janeiro, Brazil.
Bounds, D.G., et al., 1988. A multilayer perceptron network for the diagnosis of low back pain. In Proc. of, 2nd IEEE annual int’l conference on Neural Networks, San Diego, NJ, USA, p. 481–489.
Bredenhann, S.J. and M. F. V. van de Ven (2004) Application of artificial neural networks in the back-calculation of flexible pavement layer moduli from deflection measurements. In Proceedings 8th Conference on Asphalt Pavements for Southern Africa (CAPSA ’04), Sun City, South Africa, p. 1-18.
Chaves, F. J. (2000) Caracterização geotécnica de solos da formação barreiras da região metropolitana de fortaleza para aplicação em obras rodoviárias. Dissertação (Mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Rio de Janeiro. Rio de Janeiro.
Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Mathematica. Control Signal Systems, v. 2, n. 4, p. 303-314.
Dantas Neto, S. A.; M. V. Silveira.; L. B. Amâncioand G. J. M. Anjos (2014) Pile settlement modeling with multilayer perceptrons. Electronic Journal of Geotechnical Engineering, v. 19, p. 4517-4518.
DNIT (2018) Norma DNIT 134/2018-ME: Pavimentação – Solos – Determinação do módulo de resiliência – Método de ensaio. Rio de Janeiro: Departamento Nacional de Infraestrutura de Transportes.
Erzin, Y.; B.H. Rao and D. N. Singh (2008) Artificial neural networks for predicting soil thermal resistivity. International Journal of Thermal Sciences, v.47, n.10, p.1347–1358. DOI:10.1016/j.ijthermalsci.2007.11.001.
Erzin, Y. and D. Turkoz (2016) Use of neural networks for the prediction of the CBR value of some aegean sands. Neural Computing and Applications, v. 27, n. 5, p. 1415–1426. DOI: 10.1007/s00521-015-1943-7.
George, K. (2004). Prediction of Resilient Modulus from Soil Index Properties. (Masters) thesis, Graduate Program in Transportation Engineering, University Of Mississippi, Mississipi. Available at: <https://trid.trb.org/view/753659> (Accessed 25 May 2022).
Gong, H.; S. Yiren.; B. Huang and Z. Mei (2018) Improving accuracy of rutting prediction for mechanistic-empirical pavement design guide with deep neural networks. Construction and Building Materials, v.190, n.30, p. 710–718. DOI: 10.1016/j.conbuildmat.2018.09.087.
Gunaydin, O.; A. Gokoglu, and M. Fener (2010) Prediction of artificial soil’s unconfined compression strength test using statistical analyses and artificial neural networks. Advances in Engineering Software, v. 41, n.9, p. 1115–1123.
Hanittinan, W (2007) Resilient Modulus Prediction Using Neural Network Algorithm. (Doctoral) dissertation.Graduate Program in Civil Engineering, Ohio State University. Ohio. Available at: <http://rave.ohiolink.edu/etdc/view?acc_num=osu1190140082> (Accessed 27 May 2022).
Haykin, S.O. (2007) Neural Networks, A Comprehensive Foundation (2ª ed.). Ontario: Pearson Education.
Hecht-Nelsen, R. (1990) Neurocomputing. Massachusetts, United States: Addison-Wesley Publishing Company, Reading.
Hecht-Nelson, R. (1989). Neurocomputing. Boston, United States: Addison- Wesley Longman Publishing Co. Inc.
Johari, A.; A. A. Javadiand G. Habibagahi (2011) Modelling the mechanical behavior of unsaturated soils using a genetic algorithm-based neural network. Computers and Geotechnics, v. 38, n. 1, p. 2-13. DOI: 10.1016/j.compgeo.2010.08.011.
Kayadelen, C.; O. Gunaydin.; M. Fener.; A. Demir and 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.
Kim, D.G. (2004) Development of a Constitutive Model for Resilient Modulus of Cohesive Soils, (Doctoral) dissertation. Graduate Program in Civil Engineering, Ohio State University. Ohio. Available at: <https://etd.ohiolink.edu/apexprod/rws_etd/send_file/send?accession=osu1078246971&disposition=inline> (Accessed 27 May 2022).
Kim, S.H.;J. Yangandand J. H. Jeong (2014) Prediction of Subgrade Resilient Modulus Using Artificial Neural Network.KSCE Journal of Civil Engineering, v.18, n.1, p.1372–1379. DOI: 10.1007/s12205-014-0316-6.
Li, M. and H. Wang (2019) Development of ANN-GA program for back calculation of pavement moduli under FWD testing with viscoelastic and nonlinear parameters. International Journal of Pavement Engineering, v.20, n.4, p. 490-498. DOI: 10.1080/10298436.2017.1309197.
Maia, C.L. (2016) Análise comparativa de módulos de resiliência obtidos com o Geogauge para o controle de qualidade de camadas granulares dos pavimentos. Dissertação (mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Ceará. Fortaleza. Disponı́vel em: <https://repositorio.ufc.br/handle/riufc/22640> (Acesso em: 23/05/2022).
Malla, R. and S. Joshi (2007) Resilient modulus prediction models based on analysis of LTPP data for subgrade soils and experimental verification. Journal of Transportation Engineering, 133 (9), 491–504. DOI: 10.1061/(ASCE)0733-947X(2007)133:9(491).
Minke, G. (2006) Building with earth: design and technology of a sustainable architecture (2ª ed.). Basel: Birkhaeuser.
Nazzal, M. D. and 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.
Pal, M. and S. Deswal (2014) Extreme learning machine based modeling of resilient modulus of subgrade soils. Geotechnical and Geological Engineering, v.32, p. 287–296.
Park, H. I.; G. C. Kweon and 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.
Park, H.M.; M. K. Chung.; Y. A. Lee and E. B. Kim (2013) A study on the correlation between soil properties and subgrade stiffness using the long-term pavement performance data. International Journal of Pavement Engineering, v.14, n. 2, p.146-153.
Patel, R.S. and M. D. Desai (2010) CBR predicted by index properties for alluvial soils of South Gujarat. In Indian Geotechnical Conference, GEOtrendz. IGS Mumbai Chapter & IIT Bombay, 4.
Pezo R. F (1993) A general method of reporting resilient modulus tests of soils: a pavement engineer’s point of view. In Proceedings of the 72nd annual meeting of the transportation research board. Washington, DC.
Pinheiro, S.T. (2018) Cartografia geotécnica para a cidade de Palmas-TO: descrição táctil visual do solo da região sudeste, entre as avenidas lo-03 e lo-27. Monografia (iniciação científica), Universidade Federal do Tocantins.
Pinto, C.S. (2006) Curso básico de mecânica dos solos em 16 aulas (3ª ed.). São Paulo: Oficina textos.
Rahin, A.M. and K. P. George (2005) Models to estimate subgrade resilient modulus for pavement design. The International Journal of Pavement Engineering, v. 6, n. 2, p. 89–96. DOI: 10.1080/10298430500131973.
Rakesh, N.; A. K. Jaind.; M. Amaranatha Reddy and K. Sudhakar Reddy (2006) Artificial neural networks-genetic algorithm based model for back calculation 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 and 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. (2016). Um Modelo de Previsão do Módulo de Resiliência dos Solos no Estado do Ceará para Fins de Pavimentação. Tese (Doutorado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Ceará. Fortaleza. Disponı́vel em: <https://repositorio.ufc.br/handle/riufc/18958 > (Acesso em: 23/05/2022).
Ribeiro, A. J. A.; C. A. U. Da Silva and 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.
Sabat, A.K. (2013) Prediction of California bearing ratio of a soil stabilized with lime and quarry dust using artificial neural network. Electronic Journal of Geotechnical Engineering, v.18, p. 3261–3272.
Sadrossadat, E.; H. Ali and 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 and 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.
Singh, D.; M. Zaman and S. Commuri (2012) Artificial neural network modeling for dynamic modulus of hot mix asphalt using aggregate shape properties. Journal of Materials in Civil Engineering, v.25, n.1, p. 54–62. DOI: 10.1061/(ASCE)MT.1943-5533.0000548.
Sitton, J. D.; Y. Zeinali and B.A. Story (2017) Rapid soil classification using artificial neural networks for use in constructing compressed earth blocks. Construction and Building Materials, v. 138, p. 214-221. DOI: 10.1016/j.conbuildmat.2017.02.006.
Souza Junior, J.D (2005) O Efeito da energia de compactação em propriedades dos solos utilizados na pavimentação do Estado do Ceará. Dissertação (mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Ceará. Fortaleza. Disponı́vel em: <https://repositorio.ufc.br/handle/riufc/4860> (Acesso em: 23/05/2022).
Souza, W.M.; A. J. A. Ribeiro and C. A. U. Da Silva (2020) Use of ANN and visual-manual classification for prediction of soil properties for paving purposes. International Journal of Pavement Engineering, v. 23, n. 5. DOI: 10.1080/10298436.2020.1807546.
Tenpe, A. R. and 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.
Tseng, K.H. and R. L. Lytton (1989) Prediction of permanent deformation in flexible pavement materials. American Society for Testing and Materials. p. 154–172. DOI: 10.1520/STP24562S.
Turk, G.; J. Logar and B. Majes (2001) Modeling soil behavior in uniaxial strain conditions by neural networks, Advances in Engineering Software, v.32 n.10-11, p. 805-812. DOI: 10.1016/S0965-9978(01)00032-1.
Yau, A and H. Von Quintus (2002) Study of LTPP laboratory resilient modulus test data and response characteristics. Report no. FHWA-RD-02-051. Washington, DC: FHWA, US Department of Transportation.
Zeghal, M. and W. Khogali (2005) Predicting the resilient modulus of unbound granular materials by neural networks. In Proceedings Seventh International Conference on the Bearing Capacity of Roads, Railways and Airfields (7th BCRRA).Trondheim, Norway, p. 1-9.
Zhang, H. and 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.
Zumrawi, M (2012) Prediction of CBR from index properties of cohesive soils. In Annual Conference of Postgraduate Studies and Scientific Research (Basic and Engineering Studies Board). Friendship Hall, Khartoum, p.1-9.
Zurada J.M. (1992) Introduction to Artificial Neural Systems. (1ª ed). New York: West Publishing Company.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Wana Maria de Souza , Antonio Júnior Alves Ribeiro, Suelly Helena de Araújo Barroso
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.
