Navegando por Assunto "Predictive Modeling"
Agora exibindo 1 - 1 de 1
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Avaliação de parâmetros de ensaios de compactação a partir de propriedades índices do solo usando técnicas de machine learning(2026-06-09) LEÃO, Max Cantão de; ANJOS, Gérson Jacques Miranda dos; http://lattes.cnpq.br/4839640002001074; https://orcid.org/0000-0001-7260-8873A determinação dos parâmetros de compactação do solo, da umidade ótima (wót) e do peso específico seco máximo (γd,máx) por meio do ensaio Proctor é crucial para o controle tecnológico em obras de terraplenagem e pavimentação. Contudo, este método laboratorial é oneroso e demorado, gerando desafios em projetos de grande escala. Diante disso, este trabalho propõe um modelo preditivo inovador, baseado na técnica de machine learning Extreme Gradient Boosting (XGBoost), para estimar esses parâmetros a partir de propriedades de índice do solo de fácil obtenção, visando maior agilidade e eficiência. A escolha do XGBoost se justifica por sua capacidade de modelar relações não lineares complexas e interações multidimensionais entre variáveis, superando as limitações de modelos estatísticos tradicionais. Para o desenvolvimento, utilizou-se um robusto banco de dados consolidado com 2.730 amostras de solos (74% brasileiras e 26% internacionais), abrangendo limites de Atterberg (LL e LP) e composição granulométrica (frações grossas e finas). A metodologia seguiu um rigoroso fluxo de ciência de dados em Python, incluindo preparação de dados com DMatrix, ajuste de hiperparâmetros via grid search e validação cruzada 5-fold, garantindo a robustez e a generalização do modelo, mitigando o risco de overfitting. Os resultados demonstraram alta performance preditiva do modelo XGBoost. Para o (γd,máx), o coeficiente de determinação (R2) alcançou 0,870, enquanto para a (wót), o (R2) foi de 0,891. Esses valores indicam que o modelo explica a maior parte da variabilidade dos dados com reduzida margem de erro, conferindo alta confiabilidade. A análise de importância das variáveis revelou que o Limite de Plasticidade (LP) e o Limite de Liquidez (LL) são os preditores mais influentes, corroborando os princípios da mecânica dos solos. Conclui-se que o XGBoost é uma ferramenta promissora e eficaz para o pré-projeto e controle de qualidade na engenharia geotécnica, otimizando processos, reduzindo custos operacionais e alinhando a geotecnia às modernas abordagens da inteligência artificial.