Uma abordagem alternativa para obtenção da classificação de solos da AASHTO usando redes neurais artificiais

Autores

DOI:

https://doi.org/10.14295/transportes.v29i1.2176

Palavras-chave:

Classificação da AASHTO, Rodovias de Baixo Volume de Tráfego, Perceptron, Prospecção de Solos.

Resumo

A prospecção e análise preliminar de solos para identificar a sua tendência de comportamento como subleito através da classificação da AASHTO, gera custos iniciais altos aos projetos rodoviários, os quais, muitas vezes, oneram o seu valor final, tendo em vista que o custo da geotecnia em projetos rodoviários é estimado em 30% na média, no âmbito do Ceará. Uma forma de otimizar a identificação preliminar do comportamento do material seria muito positiva para área rodoviária. Assim, o objetivo deste trabalho é desenvolver um modelo de previsão da classificação da AASHTO de solos, por meio de Redes Neurais Artificiais (RNA) do tipo Perceptron de Múltiplas Camadas (MLP). Para tanto, utilizou-se como variáveis explicativas os dados da classificação tátil-visual de solos, a qual possibilita verificar de forma expedita a granulometria e a cor do material. Assim, elaborou-se um banco de dados geotécnico com 1790 amostras extraídas de projetos rodoviários já executados no estado do Ceará. O modelo proposto apresentou uma taxa de acerto de 94,5%, na média das estimativas para a classificação da AASHTO e um erro da ordem de 0,04, considerando o quadrado médio dos erros (MSE).

Downloads

Não há dados estatísticos.

Referências

AASHTO (2004) Mechanistic-Empirical pavement design guide: of new and rehabilitated pavement structures – final report. Washington D.C.: American Association of State Highway and Transportation Officials.

AASHTO (2008) Mechanistic-Empirical pavement design guide-a manual of practice. Washington D.C.: American Association of State Highway and Transportation Officials.

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 9895: Solo - Índice de suporte Califórnia (ISC) - Método de ensaio. Rio de Janeiro.: Associação Brasileira de Normas Técnicas.

Alawi, M. e M. Rajab (2013) Prediction of Califórnia 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.

ASTM D2488-00 (2000) Standard Practice for Description and Identification of Soils (Visual-Manual Procedure). West Conshohocken, PA.: American Society for Testing and Materials.

Barroso, S. H. A. (2002) Estudo dos solos da região metropolitana de Fortaleza para aplicação na engenharia rodoviária. Tese (Doutorado). Programa de Pós-graduação em Engenharia de Transportes, Universidade de São Paulo. São Paulo. DOI:10.11606/T.18.2016.tde-01062016-112348.

Bhargavi, P. e J. Jyothi (2009) Applying naive bayes data mining technique for

classification of agricultural land soils, IJCSNS International Journal of Computer Science and Network Security, v. 9, n. 8, p.117–122.

Bhargavi, P. e S. Jyothi (2010) Soil classification using GATREE. International Journal of Computer Science & Information Tech-nology, v. 2, n. 5, p. 184-191. DOI: 10.5121/ijcsit.2010.2514.

Boruvka, L. e V. Penizek (2007) A test of an artificial neural network allocation procedure using the czech soil Survey of agri-cultural land data. In Lagacherie, P.; A.B. Mcbratney e M. Voltz (eds). Digital Soil mapping: an introductory perspective. Am-sterdam: Elsevier, p. 415-424. DOI: 10.1007/978-1-4020-8592-5_1.

Chaves, F. J. (2000) Caracterização geotécnica de solos da formação barreiras da região metropolitana de fortaleza para aplica-ção em obras rodoviárias. Dissertação (Mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universi-dade Federal do Rio de Janeiro. Rio de janeiro.

Cybenko, G. (1989) Approximation by superposition of a sigmoidal function. Matemática. Control Signal Systems, v. 2, n. 4, p. 303-314.

Erzin, Y. e D. Turkoz (2016) Use of neural networks for the prediction of the CBR value of some aegean sands. Neural Compu-ting and Applications, v. 27, n. 5, p. 1415–1426. DOI: 10.1007/s00521-015-1943-7.

Guilherme, A. T. P. (2016) Análise comparativa de modelos para previsão e mapeamento de propriedades geotécnicas dos solos da microrregião de Mossoró-RN. Dissertação (Mestrado). Programa de Pós-graduação em Engenharia de Transportes, Uni-versidade Federal do Ceará. Fortaleza. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/23174> (Acesso em 25/07/2019).

Gunaydin, O.; A. Gokoglu e M. Fener (2010) Prediction of artificial soil’s unconfined compression strength test using statisti-cal analyses and artificial neural networks. Advances in Engineering Software, v. 41, p. 1115-1123. DOI: 10.1016/j.advengsoft.2010.06.008.

Haykin, S.O. (2001) Neural Networks, A Comprehensive Foundation (2ª ed.). Ontario: Pearson Education.

Johari, A.; A. A. Javadi e G. Habibagahi (2011) Modelling the mechanical behaviour of unsaturated soils using a genetic algo-rithm-based neural network. Computers and Geotechnics, v. 38, n. 1, p. 2-13. DOI: 10.1016/j.compgeo.2010.08.011.

Kaniu, M. I. e K. H. Angeyo (2015) Challenges in rapid soil quality assessment and opportunities presented by multivariate chemometric energy dispersive X-ray fluorescence and scattering spectroscopy. Geoderma, v. 241–242, p. 32-40. DOI: 10.1016/j.geoderma.2014.10.014.

Kayadelen, C.; O. Gunaydin.; M. Fener.; A. Demir e 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.

Mascarenhas, I. M. N. (2016) Caracterização geotécnica de solos na região metropolitana do Cariri/CE para uso em pavimenta-ção. Dissertação (Mestrado), Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Cea-rá. Fortaleza. Disponível em: <http://www.repositorio.ufc.br/handle/riufc/49825> (Acesso em 27/07/2019).

Minke, G. (2006) Building with earth: design and technology of a sustainable architecture (2ª ed.). Basel: Birkhaeuser.

Mollahasani. A.; A. H. Alavi.; A. H. Gandomi e A. Rashed (2010) Nonlinear neural-based modeling of soil cohesion intercept. Ksce Journal of Civil Engineering, v. 15, n. 5, p. 831-840. DOI: 10.1007/s12205-011-1154-4.

Nazzal, M. D. e 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.

Neto, L. B.; A. C. C. F. Sieira.; B. R. Danziger e J. G. S. Silva (2006) Neuro-CPT: classificação de solos usando-se Redes Neurais Artificiais. Engevista, v. 8, n. 1, p. 37-48. DOI: 10.22409/engevista.v8i1.170.

Neto, S. A. D.; M. V. Silveira.; L. B. Amâncio e G. J. M. Anjos (2014) Pile settlement modeling with multilayer perceptrons. Elec-tronic Journal of Geotechnical Engineering, v. 19, p. 4517-4518.

Nguyen, B. T. e A. Mohajerani (2017) Possible estimation of resilient modulus of fine grained soils using a dynamic light-weight cone penetrometer. International Journal of Pavement Engineering.v. 18, n. 6 p. 473-484. DOI: 10.1080/10298436.2015.1095899.

Park, H. I.; G. C. Kweon e 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.

Pavini, M. (2002) Artificial neural network modeling of pavement performance using expert judgement. Road Material and Pavement Design, v. 3, n. 4, p. 373-384. DOI: 10.1080/14680629.2002.9689931.

Pinto, C.S. (2006) Curso básico de mecânica dos solos em 16 aulas (3ª ed.). São Paulo: Oficina textos.

Rakesh, N.; A. K. Jain.; M. Amaranatha Reddy e K. Sudhakar Reddy (2006) Artificial neural networks- genetic algorithm based model for backcalculation 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 e 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.; C. A. U. Da Silva e 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.

Sadrossadat, E.; H. Ali e 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 e 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.

Sitton, J. D.; Y. Zeinali e B.A. Story (2017) Rapid soil classification using artificial neural networks for use in constructing com-pressed earth blocks. Construction and Building Materials, v. 138, p. 214-221. DOI: 10.1016/j.conbuildmat.2017.02.006.

Taskiran, T. (2010) Prediction of California bearing ratio (CBR) of fine grained soils by AI methods. Advances in Engineering Software, v. 41, n. 6, p. 886-892. DOI: 10.1016/j.advengsoft.2010.01.003.

Tenpe, A. R. e 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.

Yildirim, B. e O. Gunaydin (2011) Estimation of California bearing ratio by using soft computing systems. Expert Systems with Applications, v. 38, p. 6381-6391. DOI: 10.1016/j.eswa.2010.12.054.

Zhang, H. e 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.

Zeghal, M. e W. Khogali (2005) Predicting the resilient modulus of unbound granular materials by neural networks. In Na-tional Research Council Canada (NRCC-47704). Trondheim : BCRA, 27-29, p. 1-9.

Downloads

Publicado

2021-04-30

Como Citar

de Souza, W. M., Alves Ribeiro, A. J., & da Silva, C. A. U. (2021). Uma abordagem alternativa para obtenção da classificação de solos da AASHTO usando redes neurais artificiais. TRANSPORTES, 29(1), 41–54. https://doi.org/10.14295/transportes.v29i1.2176

Edição

Seção

Artigos