Banca de QUALIFICAÇÃO: STEPHANO DANIEL SANTOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: STEPHANO DANIEL SANTOS
DATA: 23/08/2024
HORA: 16:00
LOCAL: https://meet.google.com/vft-diyj-fwb
TÍTULO:

Inteligência Artificial e Machine Learning aplicada a Otimização de Propriedades de Materiais do Cimento Portland 

 

PALAVRAS-CHAVES:

Machine Learning; Cimento Portland; Quimiometria

PÁGINAS: 47
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Química
SUBÁREA: Físico-Química
RESUMO:

O cimento Portland é um dos materiais mais utilizados na construção civil, sendo essencial para a produção de concreto, a base estrutural de muitas edificações e infraestruturas modernas. Desde sua invenção no século XIX, o cimento Portland possibilitou a construção de estruturas mais duráveis e complexas. A resistência à compressão do concreto após 28 dias é uma das características mais críticas para garantir a integridade e longevidade das construções. Essa resistência depende de diversos fatores, como a composição do cimento, as proporções dos componentes, o processo de cura e as condições ambientais durante a cura. A previsão precisa da resistência do cimento é fundamental para otimizar o processo de produção e garantir a qualidade do concreto. Métodos tradicionais de previsão envolvem ensaios laboratoriais que requerem tempo e recursos significativos. Com o advento da inteligência artificial e das técnicas de aprendizado de máquina, novos métodos baseados em dados estão sendo explorados para fornecer previsões mais rápidas e precisas. Redes neurais artificiais têm se mostrado promissoras para modelar a complexa relação entre os componentes do cimento e sua resistência final. O objetivo deste trabalho foi desenvolver um modelo de rede neural artificial (RNA) para prever a resistência à compressão do cimento Portland aos 28 dias. A motivação para esta pesquisa reside na necessidade de um método de previsão que seja não apenas preciso, mas também eficiente em termos de tempo e custo. Ao utilizar uma RNA, espera-se capturar as complexas interações entre os vários componentes e processos que influenciam a resistência do cimento, proporcionando uma ferramenta poderosa para a indústria da construção. Redes neurais artificiais são sistemas computacionais inspirados no funcionamento do cérebro humano. Elas são compostas por unidades de processamento interconectadas, chamadas neurônios, que trabalham em conjunto para resolver problemas complexos. Cada neurônio realiza operações simples, mas quando combinados em grandes redes, eles são capazes de aprender padrões a partir de grandes conjuntos de dados. As redes neurais são particularmente eficazes em tarefas de previsão e classificação, onde as relações entre as variáveis são não lineares e complexas. Dentro do campo das redes neurais, o Perceptron Multicamadas (MLP, do inglês Multilayer Perceptron) é um dos modelos mais utilizados para problemas de regressão. Um MLP consiste em múltiplas camadas de neurônios: uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. Cada neurônio nas camadas ocultas e de saída aplica uma função de ativação aos seus inputs, permitindo ao MLP modelar relações não lineares complexas. Neste trabalho, um MLP regressor foi treinado para prever a resistência à compressão do cimento Portland aos 28 dias, utilizando dados históricos sobre a composição e as condições de cura do cimento. A implementação do modelo de RNA envolveu a coleta e pré-processamento de dados, a escolha da arquitetura da rede, a seleção de hiperparâmetros e o treinamento e validação do modelo. Os resultados foram favoráveis para a RNA, com um coeficiente de determinação (R²) de 0,987, erro quadrático médio (MSE) de 0,013, raiz do erro quadrático médio (RMSE) de 0,115 e erro absoluto médio percentual (MAPE) de 30,501%. Esses resultados indicam que a RNA foi capaz de fornecer previsões precisas da resistência do cimento, permitindo uma melhor otimização do processo de produção e controle de qualidade. A validação do modelo foi realizada utilizando um conjunto de dados de teste independente, e a precisão das previsões foi comparada com métodos tradicionais de previsão, como PLS e MLR, que não apresentaram bons resultados.

MEMBROS DA BANCA:
Presidente - TEODORICO DE CASTRO RAMALHO (Membro)
Externo à Instituição - NATHÁLIA CRISTINA GOMES SILVEIRA - UFOP (Membro)
Interno - MATHEUS PUGGINA DE FREITAS (Membro)
Interno - ELAINE FONTES FERREIRA DA CUNHA (Suplente)