Avaliação de parâmetros de ensaios de compactação a partir de propriedades índices do solo usando técnicas de machine learning
| dc.contributor.advisor1 | ANJOS, Gérson Jacques Miranda dos | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4839640002001074 | |
| dc.contributor.advisor1ORCID | https://orcid.org/0000-0001-7260-8873 | |
| dc.creator | LEÃO, Max Cantão de | |
| dc.creator.Lattes | http://lattes.cnpq.br/6549763893000217 | |
| dc.date.accessioned | 2026-10-20T17:59:13Z | |
| dc.date.available | 2026-10-20T17:59:13Z | |
| dc.date.issued | 2026-06-09 | |
| dc.description.abstract | The determination of soil compaction parameters, specifically optimum moisture content (wót) and maximum dry unit weight (γd,máx), through the Proctor test is crucial for technological control in earthworks and paving. However, this laboratory method is costly and time-consuming, posing challenges in large-scale projects. Therefore, this study proposes an innovative predictive model, based on the Extreme Gradient Boosting (XGBoost) machine learning technique, to estimate these parameters from easily obtainable soil index properties, aiming for greater agility and efficiency. The choice of XGBoost is justified by its ability to model complex non-linear relationships and multidimensional interactions between variables, overcoming the limitations of traditional statistical models. For its development, a robust consolidated database of 2,730 soil samples was used (74% Brazilian and 26% international), covering Atterberg limits (LL and PL) and grain size composition (coarse and fine fractions). The methodology followed a rigorous data science workflow in Python, including data preparation with DMatrix, hyperparameter tuning via grid search, and 5-fold cross-validation, ensuring the model's robustness and generalization, while mitigating the risk of overfitting. The results demonstrated high predictive performance of the XGBoost model. For (γd,máx), the coefficient of determination (R2) reached 0.870, while for (wót), the (R2) was 0.891. These values indicate that the model explains most of the data variability with a reduced error margin, providing high reliability. Feature importance analysis revealed that the Plastic Limit (PL) and Liquid Limit (LL) are the most influential predictors, corroborating the fundamental principles of soil mechanics. It is concluded that XGBoost is a promising and effective tool for pre-design and quality control in geotechnical engineering, optimizing processes, reducing operational costs, and aligning geotechnics with modern artificial intelligence approaches. | |
| dc.description.resumo | A 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. | |
| dc.identifier.citation | LEÃO, Max Cantão de. Avaliação de parâmetros de ensaios de compactação a partir de propriedades índices do solo usando técnicas de machine learning. Orientador: Gérson Jacques Miranda dos Anjos. 2026. 49 f. Trabalho de Curso (Bacharelado em Engenharia Civil) – Faculdade de Engenharia Civil, Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/10398. Acesso em:. | |
| dc.identifier.uri | https://bdm.ufpa.br/handle/prefix/10398 | |
| dc.rights | Acesso Aberto | pt_BR |
| dc.rights.license | Attribution-NonCommercial-NoDerivs 3.0 Brazil | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.source | 1 CD-ROM | pt_BR |
| dc.source.uri | Disponível na internet via correio elétrônico: bibliotecaitec@ufpa.br | |
| dc.subject | Compactação do Solo | |
| dc.subject | Parâmetros de compactação | |
| dc.subject | Machine Learning | |
| dc.subject | XGBoost | |
| dc.subject | Geotecnia | |
| dc.subject | Engenharia Civil | |
| dc.subject | Modelagem Preditiva | |
| dc.subject | Soil Compaction | |
| dc.subject | Compaction Parameters | |
| dc.subject | Machine Learning | |
| dc.subject | Geotechnics | |
| dc.subject | Civil Engineering | |
| dc.subject | Predictive Modeling | |
| dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA CIVIL | |
| dc.title | Avaliação de parâmetros de ensaios de compactação a partir de propriedades índices do solo usando técnicas de machine learning | |
| dc.title.alternative | Evaluation of compaction test parameters from soil index properties using machine learning techniques | |
| dc.type | Trabalho de Curso - Graduação - Monografia | pt_BR |