estimativa da resistÊncia Á compressÃo do concreto ...€¦ · específicas, para que os...
TRANSCRIPT
1
ESTIMATIVA DA RESISTÊNCIA Á COMPRESSÃO DO CONCRETO
UTILIZANDO DEEP LEARNING EM REDES NEURAIS ARTIFICIAIS
PREDICTION OF COMPRESSIVE STRENGTH OF THE CONCRET USING
“DEEP LEARNING” IN ARTIFICIAL NEURAL NETWORK
Hiago Cavalcante Ribeiro1
Larissa Muniz Lemos Leal²
Michael Vinícius Martins Caldeira 3
RESUMO
A resistência do concreto é uma propriedade fundamental para utilização desse material em inúmeros tipos de empreendimentos de engenharia. Comumente, mede-se a resistência de um corpo de prova exposto a condições distintas das reais em que a peça inteira se encontra. Assim, os métodos não destrutivos de ensaio tem se destacado para prever algumas propriedades, entre elas a resistência, de acordo com a composição do concreto. A previsão é realizada empregando-se algoritmos que permitam desenvolver um modelo matemático que descreva a correlação complexa e não linear entre a propriedade e os componentes – e seus teores – do concreto. As redes neurais artificiais apresentam precisão e confiabilidade suficientes para serem empregadas na previsão das propriedades do concreto. Nesse sentido, o presente trabalho objetivou realizar um levantamento bibliográfico acerca da aplicação das redes neurais artificiais usando deep learning para prever a resistência do concreto a partir da proporção de areia, brita, água e cimento. Foi observado um consenso entre as publicações correlatas em relação à precisão, confiabilidade e flexibilidade da metodologia.
Palavras-chave: resistência do concreto, deep learning, redes neurais artificiais, ensaios de engenharia, tecnologia do concreto.
ABSTRACT
Concrete strength is a fundamental property for the use of this material in many types of engineering endeavors. Commonly, the resistance of the concrete is determined by measuring the property of a sample wich is exposed to conditions other than the actual conditions in which the entire part is found. Thus, non-destructive testing methods have stood out to predict some properties, including strength, according to concrete composition. The prediction is performed using algorithms that allow the development of a mathematical model that describes the complex and nonlinear correlation between the property and the components - and their contents - of the concrete. Artificial neural networks have sufficient accuracy and reliability to be employed in the prediction of concrete properties. In this sense, the present workstudy aimed to conduct a bibliographic review about the application of artificial neural networks using deep learning to predict the strength of concrete from the proportion of sand, gravel, water and cement.
1 Graduando em Engenharia Civil (UNIRG), e-mail: [email protected]; 2 Graduanda em Engenharia Civil (UNIRG), e-mail: [email protected]; 3 Docente do curso de Engenharia Civil (UNIRG), Engenheiro Civil, Tecnólogo em Construção de Edifícios Especialista em Projeto, Execução e Controle de Estruturas e Fundações, e-mail: [email protected].
2
There was a consensus among the related publications regarding the accuracy, reliability and flexibility of the methodology.
Keywords: concrete strength, deep learning, artificial neural networks, engeneering analysis, concrete technology.
INTRODUÇÃO
A utilização do concreto nas edificações, se confunde com a própria
história da construção civil, um exemplo clássico é o Panteão romano construído
em 27 a.C.. A utilização do concreto permitiu grandes avanços para diversas
civilizações através da substituição das construções com pedras de trabalho,
transporte e aplicação exaustivos. Ao longo dos anos a combinação do material
ao aço permitiu vencer grandes vãos e superar diversas limitações do concreto
e o mesmo passou a ter grande aceitação. Atualmente este material é
fundamental em praticamente todos os projetos de construção e assegurar sua
adequação aos parâmetros de qualidade é indispensável.
Segundo Viera Filho (2007) o concreto pode ser definido como uma
“pedra artificial”, que resulta da mistura entre um ligante e materiais pétreos.
Suas características são uma função do tempo e da umidade do ambiente, e os
ensaios de controle de qualidade devem ser realizados sob condições
específicas, para que os resultados obtidos sejam válidos (NEVILLE, 2006).
Assim, existem normas para essa padronização e controle de qualidade, como
a NBR 12655 (ABNT, 2015) que lida com a forma do preparo, controle e
aceitação do concreto, a NBR 5738 (ABNT, 2015) para os procedimentos
relativos a moldagem e cura do corpo de prova e a NBR 5739 (ABNT, 2018) que
especifica os parâmetros para o ensaio de resistência a compressão de corpos
de prova cilíndricos sendo esta, a propriedade mais importante do concreto.
Segundo Mehta e Monteiro (2008) ao se falar em concreto, a resistência
à compressão é a propriedade que mais interessa aos engenheiros,
principalmente aos projetistas de estruturas. Pacheco e Henele (2013) destacam
que a resistência à compressão indica com precisão eventuais variações da
“qualidade” do concreto, da dosagem ou dos insumos empregados, do
transporte, do lançamento, do adensamento, do controle da cura do concreto,
entre outros. Quando a resistência do concreto é insuficiente podem surgir danos
3
de elevado custo de correção, além da diminuição da vida útil e até o
desmoronamento de edificações (ÁVILA JACINTHO e GIONGO, 2005).
A resistência do concreto é a capacidade do material de suportar ações
aplicadas sem colapsar e é influenciada pela quantidade da água da mistura; os
tipos de agregados utilizados, a condição de cura empregada, a idade das
amostras no período de ruptura dos corpos de provas, entre tantas outras
variáveis (GAYARRE, PEREZ E CABO, 2014). O ensaio para determinação
desta propriedade tem sido usada como forma de controle do concreto mas sua
eficácia é questionável, principalmente porque o concreto é um material variável
e os parâmetros que influenciam na resistência são muitos.
O ensaio é realizado em corpo de prova moldado na concretagem das
estruturas e a exposição e cura deste apresenta características bastante
distintas das existentes na peça real. Dessa forma, os ensaios não destrutivos
que são aplicados na estrutura real tem se destacado para conferir maior
representatividade como o ensaio de propagação do pulso ultrassônico. Ao
procurar estabelecer relações confiáveis entre a resistência à compressão e
esse tipo de metodologia as ferramentas das redes neurais artificiais se mostras
bastante promissoras. Adicionalmente ainda tem-se a vantagem de reduzir
gastos financeiros e tempo para realização do processo (LORENZI, 2009).
Para Velloso (2014) as RNA’s se enquadram como uma inteligência
artificial, sendo capaz de aceitar comandos de leigos e, como o cérebro humano,
associam informações gravadas na memória, a partir delas desenvolvem um
raciocínio lógico. Segundo Sporl et al (2011), são muito utilizadas em resolução
de problemas complexos, onde não se conhece completamente o
comportamento das variáveis, tendo a capacidade de aprender por meio de
exemplos, bem como generalizar essas informações aprendidas, o que torna sua
aplicação na análise de dados extremamente eficiente.
Conforme Miranda et al (2009) a RNA é instituída a uma aprendizagem,
por meio de processos iterativos de ajustes aplicados aos pesos sinápticos, o
chamado treinamento. De tal modo, treinar uma rede é ajustar a sua matriz de
pesos sinápticos de modo que o vetor de saída coincida com um valor desejado
para cada vetor de entrada.
Segundo Fernandes (2003) existem duas formas principais de
aprendizados de redes neurais: aprendizado supervisionado e aprendizado não
4
supervisionado. No supervisionado, o indivíduo expõe à rede neural á alguns
conjuntos de padrões de entrada e seus correspondentes padrões de saída,
sendo imprescindível conhecimento prévio do comportamento que se deseja ou
se espera da rede. Já no não supervisionado, não existe a parte humana para
acompanhar o processo de aprendizado, sendo assim, nesse caso, somente os
padrões de entrada estão disponíveis para a rede neural.
Mediante a escolha do melhor método de treinamento da rede, através
de algoritmo de aprendizado, é alimentada a RNA, após dados obtidos e
comprovados, para determinar a resistência à compressão de um corpo de prova
de concreto. Velloso (2014) define algoritmo como etapas de resoluções de
problemas ou sequência de ações bem definidas a serem executadas. Existem
vários métodos de aprendizagem para as redes neurais artificiais, como:
algoritmo backpropagation, Gradiente Descendente com Momentum, Levenberg
– Marquardt e Aprendizagem Profunda (Deep Learning).
Nesse sentido, o presente estudo objetivou, através de uma revisão da
literatura, analisar a viabilidade do uso de redes neurais artificiais através do
método de aprendizagem profunda para estimar resistência à compressão do
concreto, usando dados secundários.
5
1. METODOLOGIA
Esta pesquisa trata-se de uma revisão sistemática com objetivo de
analisar a viabilidade do uso de redes neurais artificiais para estimar resistência
à compressão do concreto, usando dados secundários. As revisões sistemáticas
são consideradas estudos secundários, que têm nos estudos primários sua fonte
de dados. Essa forma de investigação disponibiliza evidências relacionadas a
uma estratégia de determinada intervenção, mediante a aplicação de métodos
sistematizados de busca, apreciação crítica e síntese da informação (SAMPAIO;
MANCINI, 2007).
Segundo Galvão e Pereira (2014), os métodos para elaboração de
revisões sistemáticas preveem: elaboração da pergunta de pesquisa; busca na
literatura; seleção dos artigos e extração dos dados; avaliação da qualidade
metodológica dos artigos analisados; síntese dos dados e análise e redação dos
resultados. De acordo com Tasca (2010), o ato de analisar um contexto definindo
uma problemática e as questões relacionadas, dão início a um processo de
pesquisa científica, fazendo com que os pesquisadores busquem diferentes
informações em bases de dados.
A primeira etapa da revisão sistemática consistiu em definir uma pergunta
sobre o que se investiga.
o Como se aplica a rede neural artificial para prever a resistência do
concreto?
Em seguida, buscou-se evidências, através da definição das palavras-
chave:
o Artificial neural networks
o Concrete
o Artificial neural networks
o Concrete compressive strength
Posteriormente a esta definição, traçaram-se as estratégias de busca:
definição das bases de dados a serem pesquisadas. Na atual pesquisa, foram
utilizadas as bases de dados eletrônicas ScienceDirect e Springerlink, de ano
indefinido ao ano 2021, no idioma inglês, usando as palavras-chaves
anteriormente definidas. Em seguida, realizadas a revisão e seleção dos
estudos, escolheu-se aqueles que se adequaram ao objetivo da pesquisa. Na
6
quarta fase da revisão, foi avaliada a qualidade metodológica do material
selecionado, afim de utilizar adequadamente o material na pesquisa sobre
estimativas da resistência à compressão do concreto, utilizando redes neurais
artificiais. Por fim, os resultados estão apresentados na revisão a seguir.
2. REVISÃO
A busca por termos relacionados a estimativas da resistência à
compressão do concreto, utilizando redes neurais artificiais, e posterior
compilação do banco de dados utilizando os termos "Artificial neural networks" e
“concrete” totalizou 5159 resultados no Science Direct e 4407 no Springer Link,
respectivamente. Em relação aos termos "Artificial neural networks" e "concrete
compressive strength" foram encontrados 249 resultados no Science Direct e
111 no Springer Link, respectivamente. Posteriormente a essas buscas foram
“refinados” os trabalhos de modo a compilar uma base de dados de trabalhos
selecionando assim aqueles que se adequaram ao objetivo desta pesquisa, isto
é, resultados secundários obtidos utilizando redes neurais artificiais em
detrimento ao ensaio de resistência à compressão convencional. O desempenho
dos estudos é analisado e discutido a seguir.
2.1. Concreto
A utilização do concreto como material na construção civil é remota e se
confunde com a história da própria construção por suas características ímpares
como a resistência à água, baixo custo, facilidade de uso e disponibilidade em
todo o mundo. Ao longo do tempo o material evoluiu e se consolidou como
essencial (MEHTA e MONTEIRO, 2008).
A história do concreto se inicia com o cimento, o primeiro cimento utilizado
pelo homem foi o chamado “cimento natural” resultante da reação química entre
o calcário e a argila xistosa durante combustão espontânea (LORENZI, 2009).
Além do cimento outros materiais foram utilizados em funções em que,
atualmente, se emprega concreto, como a argamassa, pedra, madeira, tijolo de
barro e cimento hidráulico. Esse materiais apresentavam limitações sérias em
relação à impossibilidade de contato constante com a água, baixa resistência
mecânica e incapacidade de cobrir grandes vãos (KAEFER, 1998).
7
Um cidade romana inovou no século IV a.C. ao empregar o concreto na
construção de seus muros e no século II a.C. o material “novo” começou a ser
usado nas edificações romanas. Esse concreto romano utilizava cal como
material cimentíceo e tem-se registros de uma argamassa com proporção 1:4
cal/areia e 1:5 cal/pozolana. O concreto era comumente aditivado com materiais
como gordura animal, leite e sangue. Com a intenção de construir edificações
maiores e mais robustas os romanos desenvolveram uma série de soluções
técnicas que permitiram ampliar a aplicação do concreto romano. A inovação
mais significativa nas fundações romanas foram as plataformas de concreto. Só
foi possível emprega-lo na construção devido à capacidade hidráulica do cimento
pozolânico que permitia que as fundações fossem lançadas sob a água
(KAEFER, 1998).
O concreto pozolânico foi utilizado ainda em construções
importantíssimas em Roma como o Panteão (Pantheon) cuja cúpula de 43 m de
diâmetro foi apoiada num cilindro composto por concreto pozolânico revestido
com tijolos e mármore. Em Roma o concreto ainda foi utilizado nas estradas que
resistem até hoje e foram essenciais para o fortalecimento da economia do
império romano. Durante a idade média não foram feitos grandes avanços na
composição do concreto. Depois diversos estudiosos contribuíram para evolução
da composição do cimento e melhoria das suas propriedades (KAEFER, 1998).
Na década de 1830, segundo Kaefer (1998), observou um avanço no uso
do concreto, principalmente em fundações. O termo concreto era empregado
para designar uma massa sólida resultante da combinação de cimento, areia,
água e pedras. Em 1850 o francês Lambot publicou o resultado de suas
experiências com concreto armado no qual ele estudou os efeitos de se introduzir
ferragens à uma massa de concreto.
Atualmente o concreto é utilizado numa vasta diversidade de projetos
inclusive em ambientes agressivos graças aos diferentes tipos de concretos
elaborados a partir de distintos cimentos, agregados, aditivos e formas de
aplicação (armado, protendido, projetado, etc.). O maior desafio é o aumento da
durabilidade das estruturas, a recuperação das estruturas danificadas e o
entendimento do mecanismo químico e mecânico dos cimentos e concretos
(KAEFER, 1998).
8
Isaia (2005) descreve como os componentes do concreto a água e
cimento, essa mistura é denominada pasta, que poderá ser adicionando
agregado miúdo, obtendo assim a argamassa, por fim sendo nesta adicionado
agregado graúdo, chegando assim ao concreto propriamente dito. Assim, pode-
se dizer que o concreto é um material composto de um meio contínuo
aglomerante no qual estão inseridas partículas de agregados. No Brasil
predomina o uso do cimento Portland como aglomerante. Já os agregados são
classificados em grupos a partir de seus tamanhos, as britas – partículas maiores
que 4,8 mm – são denominados agregados graúdos enquanto a areia constitui
o agregado miúdo (O USO DO..., 2019).
Algumas propriedades do concreto são modificadas com aditivos afim de
melhorar a trabalhabilidade. Segundo Salgado (2009), essas modificações
ocorrem com incremento de aditivos, que são produtos químicos adicionados
além da mistura convencional. Desse modo precisa cautela no seu manuseio,
pois há casos que podem trazer malefícios e até mesmo prejuízos inimagináveis.
É importante observar algumas propriedades essenciais para possibilitar
o uso do concreto com segurança como resistência, abatimento, agregado
graúdo, quantidade de cimento e de cada componente, cor e atendimento aos
requisitos da utilização. Assim, um concreto é definido como “de boa qualidade”
quando apresenta facilidade de transporte, mistura e adensamento;
uniformidade na aplicação e nas características em toda obra; não pode
segregar e precisa apresentar acabamento adequado na superfície das formas
(O USO DO..., 2019).
2.2. Resistência do concreto
Até pouco tempo acreditava-se que as estruturas de concreto seriam
praticamente “eternas” caso fossem feitas com o devido cuidado e ética durante
as fases de projeto e execução. Entretanto, desde meados da década de 90 a
comunidade internacional passou a dar mais atenção à deterioração das
estruturas de concreto e foram desenvolvidos procedimentos, conceitos e
ferramentas de cálculo e quantificação da vida útil das estruturas de concreto
(HELENE, 2005). Em consonância com essa tendência o assunto também é
tratado por norma brasileira a NBR 6118-2003 – “Projeto de estruturas de
concreto” que entrou em vigor em março de 2004 e apresentou bastante rigor
9
nos requisitos de durabilidade no projeto das estruturas de concreto (VIEIRA
FILHO, 2007; ASSOCIAÇÃO BRASILEIRA..., 2003).
Devido às limitações na durabilidade das estruturas de concreto é
necessário a realização de intervenções periódicas (medidas preventivas) para
manter a edificação devidamente conservada, além da análise do concreto na
aplicação. Nesse contexto, na etapa de avaliação estrutural do projeto
precedente às intervenções estima-se a resistência do concreto que constitui
parâmetro essencial à tomada de decisões. Os ensaios de resistência são
realizados com corpos de prova sob condições padronizadas cujos resultados
orientam a aceitação ou rejeição de acordo com a finalidade da estrutura (VIEIRA
FILHO, 2007).
A capacidade do material de suportar ações aplicadas sem entrar em
colapso é designada “resistência do concreto” conforme Avila Jacintho e Giongo
(2005). A falta de atendimento a este parâmetro acarreta em prejuízos
significativos com as medidas corretivas e , dependendo da gravidade e do tipo
de edificação, até no desmoronamento da estrutura edificada (NEVILLE, 2013).
Para Helene e Pacheco (2013), por meio da Figura 1, é apresentado
representativo da resistência efetiva e resistência potencial do concreto.
Figura 1 - Resistência efetiva e resistência potencial do concreto
Fonte: Adaptado de Helene e Pacheco (2013).
Helene e Pacheco (2013) destacam que a resistência real do concreto
está empregada com todas as variações encontradas nas obras, como
diferenças de temperatura, formas de adensamento, cura e manuseio do
Resistência do concreto
Aditivos
Agregados
dosagem
equipamentos
mão de obra
Betoneira
Operações de
execução da estrutura
Resistência real do
concreto na obra
Operações de ensio e controle
Resistência potencial de controle do
concreto
Água
Cimento
10
concreto. Considerando que existe possibilidade de não se ter o adensamento,
a temperatura ou tempo de cura desejados é possível que a resistência real seja
diferente da resistência potencial. Por exemplo, nos casos em que a cura é
interrompida, por fontes naturais ou não, antes que se obtenha a resistência
requerida verifica-se ganhos em resistência mas inferiores ao obtido através de
processos contínuos (BAUER, 1991). Neville (2013) afirma que para idade de 28
dias é suficiente para obtenção da resistência característica à compressão do
concreto.
Além do tempo de cura a resistência depende, essencialmente, de acordo
com a Associação Brasileira de Cimento Portlando (ABCP, 2002), da relação
água cimento para um mesmo grau de hidratação. Neville e Brooks (2013)
estabelecem a forte correlação entre a relação água cimento e os diferentes
tempos de cura. Cada grau de hidratação demanda tempos de cura distintos
para evitar a propagação de poros capilares uma vez que esse fenômeno
aumenta os vazios e, consequentemente, diminui a resistência.
2.2.1. Normas para determinação da resistência do concreto
A norma brasileira mais diretamente relacionada à determinação da
resistência é a ABNT NBR 5738 (2015) que preconiza o emprego de
procedimentos para moldagem e cura de corpos de prova, e especifica
detalhadamente esse procedimento para definir a sua resistência. Como
exemplo a moldagem cilíndrica, deverá ter uma altura igual ao dobro do
diâmetro. O diâmetro deve ser de 10 cm, 15 cm, 20 cm, 25 cm, 30 cm ou 45 cm.
As medidas diametrais têm tolerância de 1 % e a altura, 2 %. Os planos das
bordas circulares extremas do molde devem ser perpendiculares ao eixo
longitudinal do molde.
A ABNT 5739:2018 especifica, por outro lado, como deve ser realizado o
ensaio de resistência. O corpo de prova moldado e curado segundo
especificações da ABNT 5738 (2015) deve ser disposto na mesma direção em
que foi moldado em posição centralizada no prato inferior da prensa (na qual o
ensaio será realizado). A amostra deve ser posicionada de maneira tal que o seu
eixo coincida com o eixo da prensa. O carregamento de ensaio é aplicado,
então, continuamente e sem choques com velocidade de 0,45 ± 0,15 MPa/s até
11
a ruptura do corpo de prova quando é interrompido. A carga máxima aplicada
que provocou a ruptura é registrada como a força máxima alcançada, expressa
em Newtons. Obtido este dado é possível calcular a resistência à compressão
utilizando a área do corpo de prova em mm2, a resistência é registrada em MPa
(megapascals).
Nesse procedimento, observa-se que o corpo de prova é exposto a
condições ambientais e cura muito distintas das existentes na peça real e,
conforme exposto anteriormente estes constituem fatores decisivos para a
resistência do concreto. Dessa forma, os corpos de prova apresentam
resistência potencial muito distinta da resistência real da peça acarretando em
perda de precisão da medida. O fato de medir-se erroneamente a resistência do
concreto pode levar a erros também na tomada de decisão quanto a medidas
preventivas, corretivas em relação à deterioração e até mesmo na provação de
peças que não deveriam ser aprovadas e comprometem a segurança e
qualidade da edificação.
2.2.2. Ensaios não destrutivos para determinação da resistência do
concreto
Conforme Almeida (2002) para se obter concreto resistente, durável,
econômico e de bom aspecto, é necessário levar em consideração as
propriedades de cada um dos materiais componentes; fatores que podem alterá-
las; a execução cuidadosa da mistura, transportado, lançados nas fôrmas e
adensado corretamente; bem como uma cura cuidadosa.
Como dados prévios já pesquisados tem-se alguns fatores cruciais que
influenciam no resultado de resistência à compressão, tais como, relação
água/cimento, idade do concreto, forma e dimensões dos corpos de prova,
duração do carregamento do concreto até ser levado para local de molde,
aditivos entre outros.
Realizado esse levantamento de causalidades que influenciam no
resultado para determinar a resistência, serão fornecidas informações para a
rede neural artificial, bem como os traços e materiais utilizados onde será feita a
aprendizagem da rede. Assim pretende-se que a rede neural artificial se alinhe
12
com as variáveis expostas de modo a servir de parâmetro de entrada na
estimação da resistência à compressão do concreto.
A busca por ferramentas mais confiáveis para controle de qualidade mais
preciso do concreto levou ao desenvolvimento de métodos de ensaios não
destrutivos (END), que são aplicados na estrutura real. Dentre esses, Vieira Filho
(2007) destaca o ensaio de velocidade de propagação de pulso ultra-sônico,
rápido, simples e de baixo custo.
Deng et al. (2018), destaca que inúmeras investigações foram realizadas
nas últimas duas décadas na busca por métodos para predizer as propriedades
do concreto com diferentes componentes. O autor destaca a forte relação entre
a resistência e à proporção de areia, razão água/cimento, tipo de agregado,
aditivos e dosagem. A grande limitação é que essa relação é complexa, não
linear e não há fórmula teórica definida que pode refletir essa relação com
precisão.
Atualmente inúmeros algoritmos de inteligência artificial como redes
neurais e máquinas vetorialmente suportadas são mais usualmente empregadas
para determinar a resistência do concreto. As redes neurais artificiais – foco de
estudo deste trabalho – permitem prever a relação ente os diferentes fatores e a
resistência do concreto. A habilidade de mapeamento não linear da propagação
de fundo da rede neural é adotada para estabelecer um modelo não linear entre
as variáveis intrínsecas e extrínsecas. Apesar da habilidade da rede neural de
propagação de fundo em resolver problemas não lineares, existem algumas
desvantagens como a baixa convergência, excesso de aprendizagem e
otimização local que afetam a acurácia e eficiência da medida. Outros algoritmos
são as redes neurais e o sistema de inferências neuro-fuzzy adaptativas
combinados, as redes neurais artificiais e as técnicas de regressão, regressão
multivariada e outros (DENG et al., 2018).
2.3. Rede neural artificial
Segundo Haykin (2001) a rede neural é um sistema que realiza tarefas
particulares como o cérebro, que utiliza componentes eletrônicos ou é simulada
por propagação em um computador digital. Com o objetivo de alcançarem bom
desempenho, essas redes empregam uma interligação maciça de células
13
computacionais simples, designadas de “neurônios” ou unidades de
processamento.
Conforme Spörl et al. (2011) as RNAs são empregadas na busca de
resolubilidade de problemas complexos, de forma que não se conhece
rigorosamente o comportamento das variáveis. Tendo como característica
principal a competência de aprender por meio de exemplos e de generalizar a
informação instruída, na qual sua aplicação na análise espacial é excepcional.
São algoritmos computacionais que exibem um modelo matemático inspirado na
estrutura de organismos inteligentes. Sendo assim capaz de aprender e a partir
de então tomar decisões. Correspondendo um plano de processamento possível
de armazenar informação e disponibilizar estes dados para a aplicação à qual
se destina.
Segundo Miranda et al. (2009) o aprendizado da RNA é um método
iterativo de ajustes aplicados aos pesos sinápticos, sendo denominado de
treinamento. Só é possível esse treinamento quando a rede neural, a partir de
um problema atinge solução generalizada. Sendo assim, habilitar uma rede é
ajustar a sua matriz de pesos sinápticos, de modo que o vetor de saída coincida
com um valor almejado para o vetor de entrada específico.
Segundo Deng (2018) a rede neural multicamadas são camadas linhadas
de neurônios. A primeira camada é de entrada, que distribuirá as informações
para a(s) camada(s) escondida(s), onde é feita a maior parte do processamento,
através das conexões ponderadas. A camada de saída resulta na solução do
problema. Não existe comunicação unidirecional nem mesmo conexões entre
neurônios da mesma camada, porém as camadas são completamente
conectadas. Exemplificando esse processo na Figura 1.
Para Fleck (2016) a qualidade das RNAs depende da arquitetura
adequada, processo de treinamento e validação eficiente, obtendo então bons
resultados. Para isso é necessário que se forneça à rede os dados
representativos da dinâmica do processo, de forma que a determinação dos
valores seja executada de modo a propiciar uma rede capaz de fornecer
resultados satisfatórios sem esforço computacional excessivo.
2.4. Método de deep learning
14
Segundo Bengio et al. (2015) o Deep Learning abrange vários graus de
aprendizado de características, de forma que compreende diferentes níveis de
abstração. Para o entendimento das características usa aprendizado de máquina
não só para descobrir como a particularidade está mapeada, como também para
entender o que é a própria da mesma. Códigos de aprendizado de características
que são adicionadas ao sistema, permite distinguir um conjunto de atributos para
uma tarefa simples ou complexa em questão de minutos, sendo que da forma
tradicional poderia levar de horas a meses.
Segundo Ponti e Costa (2018) o uso da Deep Learning, nos últimos
tempos vem mudando o campo de aprendizado de máquina, assim como
influenciando a habilidade em entender como funciona a percepção humana. Tal
meio tem revolucionado várias áreas, como reconhecimento de voz,
compreensão de imagem, análise de sentimentos em textos e tradução
automática de textos. Diversas empresas estão se baseando em métodos que
usam essa forma de aprendizagem, como Google, Facebook, Ibm, Microsoft,
Nec, Baidu.
Ponti e Costa (2018) ainda afirmam que o aprendizado Deep Learning usa
método que guia o aprendizado, a partir de modelo utilizando um conjunto de
dados (exemplos). Por fim, o processo de aprendizado profundo tem como base,
o recebimento por entrada dos dados brutos, a fim de fornecer como saída uma
representação apropriada para o problema em questão.
Para Chollet (2017) essa técnica de Deep Learning tem alcançado
excelentes resultados. Porém existem limitações no uso de redes neurais
profundas, pois o vetor de entrada se aplica uma forma de aprender e se
transformar. Assim, essa transformação, se dá por pesos (parâmetros), que se
atualiza durante o treinamento minimizando a função de custo. Como limitação
primária ao treinamento é que as transformações precisam ser deriváveis, ou
seja, o mapa entre a entrada e saída da rede deve ser contínuo.
Por fim, para Ponti e Costa (2018). É evidente o impacto positivo de Deep
Learning em diversos seguimentos onde o aprendizado da máquina é agregado
para busca de soluções.
Sendo assim nota-se a excelência de sua aplicabilidade em análise para
determinação de resistência do concreto. Para entendimento, exemplificamos o
princípio básico de funcionamento do aprendizado Deep Learning, na qual
15
utilizando características faciais, o computado identifica formas simples até
complexas a partir de análise de traços, com objetivo final o reconhecimento
facial. A partir desse princípio será utilizado esse aprendizado para determinar
resistência do concreto referente ao traço e variáveis solicitadas.
Figura 2 - Tarefa de reconhecimento facial usando deep learning
Fonte: Jones (2014) adaptado por Pereira, J.C.
Estratégias de Deep Learning usam Redes Neurais com múltiplas
camadas onde camadas mais profundas são capazes de aprender
características mais abstratas e reconhecer padrões cada vez mais complexos.
De forma simplificada a diferença básica entre a Rede Neural e o Deep
Learning, são as camadas escondidas contidas no sistema de aprendizagem, na
RNA básica possui apenas uma camada escondida, conforme apresentando na
Figura 3.
Figura 3 - Exemplo da Rede Neural
16
Fonte: DENG, et al. (2018).
Em contrapartida o Deep Learing refere-se a ter mais de uma camada,
sendo melhor o processamento de informações para o treinamento da rede,
apresentando na Figura 4, aplicado à determinação da resistência do concreto.
Figura 4 - Método de Aprendizado Profundo (Deep Learning)
Fonte: autoria própria (2019).
2.5. Matlab
Segundo Marchetto (2016) o software MATLAB é pago, na qual é
instituído a fazer cálculos com matrizes (Matlab = MATrix LABoratory)
desenvolvido pela MatWorks. Sendo de alto nível, direcionado para cálculos
numéricos, análise de dados, cálculos com matriz, construções de gráficos e
algoritmos, assim é possível solucionar problemas. Seu manuseio é fácil, devido
os comandos serem mais próximos da forma que escrevemos as expressões
algébricas. Atualmente encontra-se na versão MATLAB (R2019a) atualizado em
2019, apresentando melhorias na sua execução, principalmente nas áreas de
Deep Learning e system engineering.
17
Marchetto (2016) ainda afirma que esse software foi adotado pela primeira
vez por engenheiros de projeto de controle, sendo rapidamente espalhado para
outros campos de aplicação, atualmente é vastamente utilizada. Matsumoto
(2002) definiu MatLab como computação técnico-científica desempenhada para
o desenvolvimento de sistemas.
Conforme Matsunaga (2012), o software apresenta diversas bibliotecas
ou ferramentas (toolboxes) para aplicações específicas, como: Redes Neurais,
Lógica Fuzzy, Otimização de Sistemas, Wavelets, Cálculo Simbólico,
Processamento de Sinais e outras. Ainda disponibiliza versões para diferentes
ambientes operacionais: Windows, Linux, UNIX, Macintosh.
Matsunaga (2012) descreve a existência da interface gráfica NNTool
(Neural Network Toolbox ), na qual possibilita importar, criar, utilizar e exportar
dados da RNA. Depois que a RNA foi criada, é necessário treina-la. Onde será
determinado cada parâmetro de treinamento, como: dados de validação e teste,
valores dos pesos ou bia. Por fim, gerando os valores de saída desejados.
Deng et al. (2018) aplicou o método deep learning usando o Mat Lab para
prever a resistência do concreto a partir da quantidade de agregados miúdos e
graúdos, quantidade de substituição por reciclados, razão água/cimento. Os
autores observaram que o modelo apresentou inúmeras vantagens como
elevada precisão, elevada eficiência e elevada generalização quando
comparada ao modelo tradicional de rede neural.
Oliveira, Neto e Tavares (2007) empregaram as redes neurais artificiais
para obter o traço e a resistência de concretos de alta resistência. Os autores
empregaram o software MATLAB® versão 7, desenvolvido pela
MATHWORKS®, para realizar a modelagem, treinamento e posterior execução
das redes neurais através do toolbox de redes neurais do software. No estudo
foram testadas várias RNA’s para determinar o traço e a resistência
empregando-se padrões variados de:
i. Número de camadas escondidas; ii. Número de elementos processadores por camada;
Os autores verificaram que a metodologia proporcionou inúmeras
vantagens, entre elas a agilidade uma vez que foi possível obter os traços ou
propriedades dos concretos rapidamente após a RNA ter sido treinada. Outra
vantagem destacada pelos autores foi a flexibilidade, dada as variadas
18
possibilidades de materiais devido às suas distinções regionais e técnicas de
dosagem as RNAs podem ser treinadas em acordo com essas variações. Assim
verificou-se a ausência de limitações à adaptação quanto às diferentes origens
do material. Finalmente, observou-se confiabilidade através das margens de
erros ínfimas – menores de 0,10% (OLIVEIRA, NETO E TAVARES, 2007).
Pinheiro e colaboradores (2011) estudaram as redes neurais artificiais
para determinar a resistência de concretos produzidos com agregados
reciclados e observaram vantagens similares a Oliveira, Neto e Tavares (2007).
Os autores realizaram ainda uma comparação com modelo multivariado e
verificaram resultados próximos mas com maior confiabilidade.
19
CONSIDERAÇÕES FINAIS
O concreto é um dos materiais mais amplamente utilizados em
edificações e sua qualidade e utilização corretas são determinantes para a vida
útil de qualquer empreendimento, Dentre as suas características, a resistência é
uma das mais importantes, trata-se da capacidade do material de suportar ações
aplicadas sem colapsar e é influenciada pela quantidade da água da mistura.
Suas características são uma função do tempo e da umidade do ambiente, e os
ensaios de controle de qualidade devem ser realizados sob condições
específicas, para que os resultados obtidos sejam válidos. De forma que
procedimentos confiáveis são indispensáveis à sua realização.
As redes neurais artificiais tem sido amplamente empregadas em vários
ensaios da engenharia com sucesso. No caso da determinação da resistência
do concreto à possível obter resultados mais confiáveis que os obtidos através
da metodologia oficial. Isso porque o método preconizado pelas NBRs não
exprime a propriedade na peça real, por distinções no método de curo e
condições de exposição.
O emprego das redes neurais artificiais se enquadra nos métodos não
destrutivos que permitem prever a propriedade sem extração do corpo de prova
e possibilita a modelagem não linear das relações empíricas entre as condições
e parâmetros de produção do concreto e suas propriedades de controle.
Para obter essa modelagem foi verificado que a literatura apresenta
variados algoritmos, o enfoque deste trabalho foi o deep learning e, segundo a
revisão da literatura, esse algoritmo reflete melhor o tipo de relação entre as
propriedades do concreto e os teores e tipos de agregados, razão água cimento
20
e tempo de cura permitindo prever a resistência antes mesmo de produzir o
concreto com elevada confiabilidade.
Assim, pode-se dizer que o algoritmo do deep learning apresenta
inúmeras vantagens como a flexibilidade em relação às variações regionais na
dosagem do concreto. Além disso, o software MATLAB mostra-se adequado
para emprego da ferramenta de controle de qualidade agregando elevada
precisão, elevada eficiência e elevada generalização quando comparada ao
modelo tradicional de rede neural.
REFERÊNCIAS BIBLIOGRÁFICAS
ALMEIDA, L. C. Concreto. Campinas: Universidade Estadual de Campinas, 2002, p. 03. Disponível em: http://www.fec.unicamp.br/~almeida/au405/Concreto.pdf. Acesso em: 12 de maio 2019
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS – ABNT. NBR 12655 Concreto de cimento Portland — Preparo, controle, recebimento e aceitação — Procedimento. Rio de Janeiro, 2015.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS – ABNT. NBR 5738 Concreto — Procedimento para moldagem e cura de corpos de prova. Rio de Janeiro, 2015.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS – ABNT. NBR 5739 Concreto - Ensaio de compressão de corpos de prova cilíndricos. Rio de Janeiro, 2018.
ASSOCIAÇÃO BRASILEIRA DE CIMENTO PORTLAND. Guia básico de
utilização do cimento Portland. 7. ed. São Paulo, 2002. 28p.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 6118:Projeto de
estruturas de concreto – Procedimento. Rio de Janeiro, 2003. 221 f.
AVILA JACINTHO, A. E.P.G., GIONGO, J.S., Resistência Mecânica do concreto. In: ISAIA, G. C. (Editor). Concreto: Ensino, pesquisa e Realizações. São Palo: IBRACON, 2005, cap20, vol1
BAUER, L. A. Falcão. A CURA DO CONCRETO: Métodos e Materiais. Boletim
nº 32, São Paulo, 1991, 33 p. Materiais da construção. 5. ed. Rio de Janeiro:
LTC, 2008. 538 p.
21
BENGIO Y, GOODFELLOW I.J, COURVILLE A. Deep learning. An mit press book in preparation draft chapters available at http://www iro umontreal ca/ bengioy/dlbook. 2015
CHOLLET, F. Deep Learning with Python. Manning, 2017
COUTO, J. A. S., et. al. O concreto como material de construção. Ciências Exatas e Tecnológicas; Sergipe;v. 1; n.17; p. 49-58; out. 2013
DENG, L.; YU, D. Deep learning. Signal Processing, Citeseer, v. 7, p. 34, 2014
FERNANDES, A. M. da R. Inteligência artificial: noções gerais. Florianópolis: Visual Books, 2003.
FLECK, L. et al. Redes neurais artificiais: princípios básicos. Revista Eletrônica Científica Inovação e Tecnologia, v. 7, n. 13, p. 47-57, 2016.
GALVÃO, T.F.; PEREIRA, M.G. Revisões sistemáticas da literatura passos para sua elaboração. Epidemiol. Serv. Saúde, Brasília, 23(1):183-184, jan-mar 2014.
GAYARRE, F. L., Pérez, C. L., López, M. A. S., Cabo, A. D. The effect of curing conditions on the compressive strength of recycled aggregate concrete. Construction and Building Materials, V.53, pp. 260-266; 2014
HAYKIN, S. Redes Neurais - Princípios e Práticas. BOOKMAN, São Paulo, 2ª ed. 2001. 900 p.
HELENE, P.; PACHECO, J. Controle da Resistência do Concreto. Mérida - México: Boletim técnico 09, ALCONPAT Internacional, 2013.
ISAIA, G. C. CONCRETO: Ensino, Pesquisa e Realizações. V. 01, São Paulo: IBRACON, 792 p, 2005.
KAEFER, L.F. A evolução do concreto armado. In. Concepção, Projeto e Realização das estruturas: aspectos históricos. 1998. 43 f. Disponível em: http://wwwp.feb.unesp.br/lutt/Concreto%20Protendido/HistoriadoConcreto.pdf. Acesso em: 19/10/2019.
LORENZI, A. Aplicação de redes neurais artificiais para estimativa da resistência à compressão do concreto a partir da velocidade de propagação do pulso ultra-sônico. 2010. 215 f. Tese (Doutorado em Engenharia) – Universidade Federal do Rio Grande do Sul, Porto Alegre, 2009.
MARCHETTO, R. Utilização do software MATLAB como recurso tecnológico de aprendizagem na transformação de matrizes em imagens. Revemat: Revista Eletrônica de Educação Matemática, v. 11, n. 1, p. 118-130, 2016.
MATSUMOTO, E. Y. MATLAB 6.5 - Fundamentos de Programação. São Paulo:
22
MATSUNAGA, V. Y. Curso de Redes Neurais utilizando o MATLAB. Belém do Pará, 2012.
MEHTA, P. K.; MONTEIRO, PAULO J. M. Concreto: microestrutura, propriedades e materiais. 1. ed. São Paulo: IBRACON, 2008.
MIRANDA, F. A.; FREITAS, S. R. C.; FAGGION, P. L. Integração e interpolação de dados de anomalias ar livre utilizando-se a técnica de RNA e krigagem. Boletim de Ciências Geodésicas, v.15, n.3, p. 428-443, 2009
NEVILLE, A. M.; BROOKS, J. J. Tecnologia do concreto. 2. ed. Porto Alegre: Bookman, 2013.
NEVILLE, Adam M. Propriedades do Concreto - 5ª Edição. Bookman Editora, 2016.
NEVILLE, A. M.; BROOKS, J. J. Tecnologia do concreto. 2. ed. Porto Alegre:
Bookman, 2013. 448 p.
OLIVEIRA, H.M.; NETO, L.B.; TAVARES, M.E.N. Redes neurais artificiais na
obtenção do traço e na definição da resistência à compressão de concretos de
alta resistência. In: Simpósio de pesquisa operacional e logística da marinha
– Rio de Janeiro: SPLOM, 2007. p. 1-12.
O USO DO CONCRETO NA CONSTRUÇÃO CIVIL. Resumos Unicamp. 2019. Disponível em:< http://www.fec.unicamp.br/~caxd/falcetta/_resumos/eng5.pdf>. Acesso em: 20/10/2019.
PACHECO, J.. HELENE, P. Boletim técnico 09 – controle da resistência do concreto, ALCONPAT, 2013. Disponível em< http://alconpat.org.br/wp-content/uploads/2012/09/B9-Controle-da-Resistência-do-Concreto.pdf> Acesso em 11 maio de 2019.
PINHEIRO et al. Determinação da resistência à compressão de concretos produzidos com rcd. Seminários Iniciação Científica, 2011. Disponível em:< http://www2.uefs.br/semic/upload/2011/2011XV-042JEA937-100.pdf> Acesso em: 19/10/2019.
PONTI, M. A.; DA COSTA, G. B. Paranhos. Como funciona o Deep Learning. arXiv preprint arXiv:1806.07908, 2018
SALGADO, J. Técnicas e práticas construtivas para edificação. 2. ed. São Paulo: Érica, 2009.
SAMPAIO, R.F.; MANCINI, M.C. Estudos de Revisão Sistemática: Um Guia para Síntese Criteriosa da Evidência Científica. Rev. bras. fisioter., São Carlos, v. 11, n. 1, p. 83-89, jan./fev. 2007.
23
SPÖRL, C.; CASTRO, E. G.; LUCHIARI, A. Aplicação de Redes Neurais Artificiais na construção de modelos de fragilidade ambiental. Revista do Departamento de Geografia, v. 21, n.1, p. 113-135, 2011.
TASCA, J.E. et al. Uma abordagem para selecionar uma estrutura teórica para a avaliação de programas de treinamento. Revista Europeia de Formação Industrial, v. 34, n. 7 de 2010.
VELLOSO, F. de C. Informática: conceitos básicos. 9. ed. Rio de Janeiro: ELSEVIER, 2014.
VIEIRA FILHO, J.O. Avaliação da resistência à compressão do concreto
através de testemunhos extraídos: contribuição à estimativa do coeficiente
de correção devido aos efeitos do broqueamento. 2007. 217 f. Tese
(Doutorado em engenharia civil) – Universidade de São Paulo, São Paulo, 2007.