Вы находитесь на странице: 1из 8

COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

Análise das Relações entre o Módulo de Resiliência e as


Propriedades dos Solos Grossos à Luz das Redes Neurais
Artificiais
Helio Marcos Fernandes Viana
Faculdade de Tecnologia e Ciências, Vitória da Conquista - BA, Brasil, E-mail:
hmfviana@bol.com.br

Alexandre Benetti Parreira


Escola de Engenharia de São Carlos - Universidade de São Paulo, São Carlos - SP, Brasil, E-mail:
parreira@usp.br

Glauco Túlio Pessa Fabbri


Escola de Engenharia de São Carlos - Universidade de São Paulo, São Carlos - SP, Brasil, E-mail:
glauco@sc.usp.br

RESUMO: Alguns métodos de dimensionamento de pavimentos são baseados no módulo de


resiliência, o que torna indispensável conhecer o seu comportamento e as suas relações com outras
propriedades do solo. O principal objetivo deste trabalho é verificar, estatisticamente, o
desempenho de 7 (sete) redes neurais artificiais (RNAs) usadas na previsão do módulo de
resiliência; e também verificar se as variáveis: RCS (resistência à compressão simples), IP (índice
de plasticidade), %Arg. (porcentagem de partículas com diâmetro menor que 0,005 mm) e WOT
(umidade ótima) se relacionam com módulo de resiliência de forma consistente. Ainda, apresenta-
se o erro médio relativo (EMR) das previsões do módulo de resiliência para os solos usados no teste
das redes de forma individual, cujo objetivo final é explicar o motivo da boa ou má performance
das redes neurais para os materiais testados de forma individual. No estudo foram utilizados 39
(trinta e nove) solos grossos do interior do Estado de São Paulo, e este trabalho é fruto de uma tese
de doutorado.

PALAVRAS-CHAVE: Resiliência, Módulo de Resiliência e Redes Neurais Artificiais.

1 INTRODUÇÃO dimensionamento, que correspondem


respectivamente às situações relacionadas ao
Os métodos para o dimensionamento de projeto de rodovias de tráfego pesado, onde os
pavimentos flexíveis, como o proposto por equipamentos de ensaios, em laboratório ou em
Motta e Medina (1991), o Guide for Design of campo, não são disponíveis; e ao projeto de
Pavement Structures da AASHTO (1993) e o rodovias de baixo volume de tráfego. Assim
Guide For Mechanistic - Empirical Design of sendo, já existem na literatura diversas relações
New and Rehabilitated Pavement Structures para avaliar o módulo de resiliência, nas quais
(NCHRP 1-37A, 2004), recomendam que os se utilizam: o índice CBR, os limites de
materiais das camadas do pavimento e do consistência (LL, LP), os parâmetros de ruptura
subleito sejam caracterizados mecanicamente do solo (ângulo de atrito e coesão) e o módulo
considerando o módulo de resiliência. tangente inicial; Tais relações podem ser
A determinação alternativa do módulo de encontradas, respectivamente, nos trabalhos de:
resiliência, através de relações com Helkelom e Foster (1960), Rada e Witczak
propriedades do solo, é permitida pelo método (1981), Visser, Queiroz e Hudson (1994),
de dimensionamento de pavimentos da NCHRP Zaman, Chen e Laguros (1994) e Parreira et al.
1-37A (2004), para os níveis 2 e 3 de (1998). Todavia, até então, as relações

1
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

desenvolvidas, ou são restritivas, por não mais de 50% retidos na peneira n.o 200). Assim
considerarem os solos das regiões tropicais de sendo, foram realizados ensaios de
comportamento laterítico e não laterítico da compactação na energia modificada de Proctor,
classificação MCT, ou são de baixa eficiência. de caracterização (granulometria, LL e LP), de
A AASHTO (1986) e a NCHRP 1-37A compressão simples e triaxiais cíclicos em todas
(2004) indicam que as tensões atuantes no solo as 39 amostras de solo selecionadas para o
devem ser consideradas no desenvolvimento de estudo. A quantidade de cada amostra de solo
uma relação com o módulo de resiliência do colhida no campo pesava cerca de 90 kg. A
solo. Tal constatação é ratificada pelos Figura 1 indica a posição geográfica
resultados de Mota, Aranovich e Cerrati (1985), aproximada das 76 amostras no mapa do Estado
Jorenby e Hicks (1986), Drumm, Poku e Pierce de São Paulo. Convém enfatizar que os solos
(1990) e Bezerra Neto (2004). utilizados neste estudo são oriundos de uma
Atualmente, as redes neurais artificiais região tropical.
(RNAs) têm sido usadas, com frequência, para
mapear funções e estabelecer relações entre
variáveis explicativas e variáveis resposta em
diversos tipos de problemas e áreas do
conhecimento. Além disso, sabe-se que os
modelos fundamentados em redes neurais
artificiais têm demonstrado resultados
satisfatórios no campo da Engenharia Civil
(Rodgher, Fabbri e Carvalho, 1997; Shahin,
Maier e Jaksa, 2002; Freitas, 2003; Dyminski et
al., 2006).
Diante do exposto, neste trabalho foram
desenvolvidas 7 redes neurais artificiais que
relacionam as propriedades dos solos: RCS Figura 1. Mapa do Estado de São Paulo com indicação
(resistência à compressão simples), IP (índice aproximada dos locais de coleta.
de plasticidade), %Arg. (porcentagem de
partículas com diâmetro menor que 0,005 mm) Os corpos-de-prova dos ensaios de
e WOT, e também a tensão de confinamento (σ3) compressão simples e triaxiais cíclicos
e a tensão de desvio (σd) com o módulo de apresentavam grau de compactação (GC) de
resiliência. Ainda foi avaliado, estatisticamente, 100% ± 2% e umidade de ensaio de ± 0,50%
o desempenho de 7 redes neurais usadas na em torno da umidade ótima (WOT). Ainda, as
previsão do módulo de resiliência, e também foi dimensões do molde usado para os corpos-de-
explicado o motivo da boa ou má performance prova dos ensaios triaxiais cíclicos eram 71 mm
das redes neurais na previsão do módulo de x 142 mm.
resiliência para os materiais testados de forma Os valores dos módulos de resiliência
individual. utilizados neste trabalho foram obtidos através
do modelo composto da eq.(1). Assim sendo,
foram gerados para cada solo estudado 100
2 MATERIAIS E MÉTODOS valores do módulo de resiliência, considerando
a variação do estado de tensão de forma
2.1 O Campo de Amostragem, os Solos, os aleatória entre os valores máximos e mínimos
Ensaios e o Programa da norma AASHTO T307-99 para materiais de
base de pavimentos, uma vez que estavam
Para realização deste trabalho foram coletadas sendo analisados solos compactados na energia
76 amostras de solos no interior do Estado de modificada. Observa-se ainda que, para as 39
São Paulo, dentre as quais foram selecionadas amostras estudadas, o coeficiente de
39 amostras de solos grossos (ou materiais com determinação médio dos modelos para o
módulo de resiliência foi R2médio = 0,93.

2
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

neurais e na eliminação de variáveis correlatas.


M R = k1.σ .σ
k2
3
k3
d (1) Ainda, para obtenção da rede ideal, considerou-
se a variação do momento, da taxa de
em que: aprendizagem e das propriedades do solo, que
MR = módulo de resiliência; compunham as entradas das redes. Finalmente,
k1, k2 e k3 = constantes de regressão do a rede considerada ideal, que foi utilizada para
modelo; dar continuidade ao trabalho apresentava uma
σ1 = tensão axial cíclica; arquitetura de 6-12-12-1, momento de 0,7 e taxa
de aprendizagem de 0,7, sendo as entradas da
σ3 = tensão de confinamento; e
rede ideal: RCS (resistência à compressão
σd = σ1 - σ3 = tensão de desvio.
simples), IP (índice de plasticidade), %Arg.
(porcentagem de argila ou porcentagem de
Para desenvolver as redes neurais artificiais
partículas com diâmetro menor que 0,005 mm),
(RNAs) foi empregado o programa
WOT (umidade ótima). σ3 (tensão de
EASYNNplus V6.0h (2005), que permite criar
redes neurais com diversas arquiteturas, confinamento) e tensão de desvio (σd); quanto à
monitorar o erro médio de treinamento da rede saída da rede ideal, era módulo de resiliência
em tempo real, avaliar a importância que cada (MR) do solo.
variável explicativa tem na composição da A Tabela 1 mostra a influência das variáveis
variável resposta e, finalmente, obter um de entrada da rede neural considerada ideal, que
arquivo texto com as respostas, fornecidas pela foi utilizada para previsão do módulo de
rede, que podem ser comparadas aos valores resiliência de solos grossos, compactados na
dos ensaios. energia modificada.

Tabela 1. Influência das variáveis de entrada da rede


2.2 Características das Redes Neurais neural considerada ideal para solos grossos, compactados
Utilizadas no Trabalho na energia modificada.

As redes neurais desenvolvidas neste trabalho Entradas da RNA Importância (%)


foram do tipo Múltiplas Camadas (Multilayer
RCS 25,33
Perceptron - MLP) com a utilização do
IP 24,89
algoritmo backpropagation para o treinamento
da rede. %Arg. 21,35
Destaca-se que, inicialmente, através das WOT 15,74
redes neurais, o módulo de resiliência dos solos σ3 6,78
estudados foram relacionado com 10 (dez) σd 5,92
propriedades dos solos, as quais foram: % Arg.
(% de partículas com diâmetro menor que 0,005 Pode-se observar, na Tabela 1, que as
mm), % de solo passante na # 0,075 mm propriedades dos solos: resistência à
(peneira n.o 200), % de solo passante na # 0,42 compressão simples (RCS), índice de
mm (peneira n.o 40), % de solo passante na # plasticidade (IP), porcentagem de argila (%Arg.
0,15 mm (peneira n.o 100), LL (limite de ou porcentagem de partículas com diâmetro
liquidez), IP (índice de plasticidade), ρdmáx menor que 0,005 mm) e umidade ótima (WOT)
(massa específica seca máxima do solo), WOT influenciam mais na rede neural ideal, usada na
(umidade ótima), Eo (módulo tangente inicial) e previsão do módulo de resiliência, do que as
RCS (resistência à compressão simples), e tensões de confinamento (σ3) e de desvio (σd).
ainda com tensão de confinamento (σ3) e tensão Diante do exposto, as redes desenvolvidas na
de desvio (σd). A rede neural considerada ideal, sequência deste trabalho foram similares à rede
empregada para previsão do módulo de neural ideal, e apresentavam: momento de 0,7,
resiliência do solo, foi obtida após um amplo taxa de aprendizagem de 0,7, e uma arquitetura
estudo seletivo efetuado em 128 redes neurais, 6-12-12-1; sendo as entradas das redes: RCS
com base nos erros gerados pelas 128 redes (kPa), IP (%), %Arg. (ou porcentagem de

3
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

partículas com diâmetro menor que 0,005 mm), 80% dos dados para treinar as redes de teste e
WOT (%), σ3 (kPa) e σd (kPa), e, ainda, a saída 20% dos dados para validar as redes de teste.
da rede era o MR (kPa). b) Um grupo aleatório de 7 solos (17,9% do
total de solos pesquisados), correspondendo a
2.3 Verificação das Entradas da RNA que 700 padrões, foi utilizado para testar cada uma
Influenciam no Módulo de Resiliência das 7 redes neurais de teste, sendo que os 7
solos foram escolhidos de forma aleatória do
Para verificar se de fato as propriedades físicas grupo original de 39 solos grossos.
dos solos (RCS, IP, %Arg. e WOT) e as tensões Observa-se que no estudo foram utilizadas 7
(σ3 e σd) utilizadas como entrada na rede redes neurais de teste, porque o número de
considerada ideal, apresentadas na Tabela 1, solos testados em cada rede foram 7, e também
efetivamente influenciavam no módulo de para permitir uma análise estatística com as
resiliência do solos, foi feito um estudo redes neurais.
estatístico, com base no erro médio relativo
(EMR) obtido através dos resultados de 7 redes 2.5 Características do Processo de
neurais testadas com solos não usados na Aprendizagem das Redes Neurais
calibração (ou treinamento) das 7 redes.
Posteriormente, foi feito um outro estudo Cada uma das 7 RNAs (redes neurais artificiais)
baseado na semelhança das propriedades físicas de teste deste trabalho foi submetida a um
dos solos e no erro médio relativo, em que cada aprendizado de 7 horas (25.200 segundos), com
solo testado pela rede de forma individual era um erro médio de treinamento alvo de 0,01%
comparado com os solos utilizados na (0,0001), e então, era avaliado o erro médio
calibração da rede, sendo que o objetivo desta relativo (EMR) de previsão de cada rede de
comparação era explicar a boa ou má teste com base nos dados do módulo de
performance da rede neural na previsão do resiliência do conjunto de teste. O erro médio
módulo de resiliência. relativo foi calculado pela seguinte equação:

2.4 Características dos Conjuntos de ⎡⎛ M RReal − M RRNA ⎞ ⎤


Treinamento, Validação e Teste ⎢⎜⎜ ∑ ⎟.100⎥

⎢⎝ M RReal ⎠ ⎦⎥
EMR = ⎣ (2)
No estudo, um padrão (ou dado) para uma rede n
neural era formado pelos valores das variáveis
de entrada da rede neural (RCS, IP, %Arg., em que:
WOT, σ3 e σd), e por um valor de saída da rede EMR = erro médio relativo;
neural, que correspondia a um valor do MR. MRReal = valor do módulo de resiliência
Assim sendo, para cada solo utilizado em uma (modelo composto);
rede neural era gerado 100 padrões distitos, MRRNA = valor do módulo de resiliência
uma vez que a variação aleatória de 100 estados (previsto pela RNA); e
de tensão no modelo permitia obter 100 valores n = número de dados utilizados para avaliar a
distintos do MR. RNA = 700.
Quanto às características dos conjuntos de
treinamento, validação e teste utilizados no Destaca-se que foi utilizado um tempo de 7
estudo para cada uma das 7 redes neurais horas de aprendizado das redes, porque se
desenvolvidas, tem-se que: observou que, após este tempo, o erro médio de
a) Um grupo aleatório de 32 solos (82,1% do treinamento das redes neurais estudadas,
total de solos pesquisados), correspondendo a praticamente, não sofria mais variações.
3200 padrões (ou dados), foi utilizado para
treinar e validar cada uma das 7 redes neurais
de teste, sendo que os 3200 padrões foram 3 RESULTADOS E ANÁLISES
divididos de forma aleatória da seguinte forma:

4
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

Os resultados dos erros médios relativos (EMR) Buscando-se explicar a performance das
das previsões do módulo de resiliência, para redes neurais usadas na previsão do módulo de
cada uma das 7 redes neurais de teste utilizadas resiliência, levou-se em conta a possibilidade
neste estudo, são apresentados na Tabela 2. do fato de uma rede apresentar no seu conjunto
de treinamento um solo com propriedades
Tabela 2. Desempenho das 7 redes de teste e suas físicas similares ao solo que foi testado pela
características (arquitetura, momento e taxa de rede neural, pois isso poderia favorecer o
aprendizagem).
aprendizado da rede neural. Diante disso, para
Número das amostras Taxa de
cada uma das 7 redes de teste, realizaram-se
Rede EMR (%) Arquitetura Momento

1
utilizadas no teste
57, 63, 75, 52, 60, 66 e 76 127,46 6-12-12-1 0,7
aprendizagem
0,7
diversas comparações entre os solos testados e
2
3
42, 50, 57, 17, 43, 54, e 63
27, 60, 84, 24, 56, 82 e 85
296,90
29,81
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
os solos que constituíam as redes de teste (ou
4
5
50, 27, 81, 26, 28, 54 e 82
11, 44, 76, 1, 29, 66 e 79
45,02
92,27
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
solos que faziam parte do conjunto de
6
7
14, 46, 80, 11, 42, 54 e 82
54, 66, 81, 27, 62, 72 e 56
22,13
30,30
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
treinamento ou calibração da rede).
Média
Desvio padrão
91,98
98,32
Na realização das comparações entre os
Coeficiente de variação 1,07
solos de teste e os solos que constituíam o
conjunto de treinamento das redes, é importante
Ainda, pode-se observar, na Tabela 2, em destacar que o critério para definir o solo do
questão, o número de cada amostra de solo conjunto de treinamento, que foi usado na
utilizada no teste da rede, as arquiteturas, os comparação com o solo de teste foi o da maior
momentos e as taxas de aprendizagem de cada semelhança entre os solos, com base nas
rede, e também a média, o desvio padrão e propriedades físicas RCS, IP, %Arg. e WOT.
coeficiente de variância para as 7 redes de teste. Assim sendo, obrigatoriamente, o solo do
A princípio, estatisticamente, com base na conjunto de treinamento da rede selecionado
média do erro médio relativo da Tabela 2, as para a comparação com o solo usado no teste da
redes neurais parecem não conseguir relacionar rede deveria apresentar um desvio máximo de
as propriedades do solo (RCS, IP, % Arg. e teor de umidade ótima (∆WOT) de no máximo ±
WOT) e as tensões (σ3 e σd ) com o módulo de 0,50%, em relação ao solo de teste, e além
resiliência de maneira satisfatória. Contudo, disso, os solos comparados deveriam apresentar
pode-se observar que os resultados dos erros valores da resistência à compressão simples
médios relativos das redes 1, 2 e 5 contribuíram (RCS) o mais próximo possível. Observa-se que
de forma significativa para o aumento da média a resistência à compressão simples foi escolhida
do erro médio relativo. Todavia, os erros como base para comparação, pois na rede
médios relativos das redes 3, 4, 6 e 7 indicam neural considerada ideal esta propriedade foi a
uma ligeira capacidade das redes neurais em que apresentou a maior influência na rede
prever o módulo de resiliência dos solos a partir neural do módulo de resiliencia; também, os
das propriedades dos solos (RCS, IP, %Arg. e solos comparados deveriam apresentar um
WOT) e das tensões (σ3 e σd ) o que está em desvio de umidade ótima (∆WOT) de no máximo
harmonia com a rede considerada ideal descrita ± 0,50%, porque se sabe que variações de
anteriormente. umidade causam mudanças significativas no
Tendo em vista o fato de algumas redes módulo de resiliência (Elliot e Thornton, 1988).
neurais (3, 4, 6 e 7) apresentarem ligeira Para definir os graus de semelhança entre os
capacidade em prever o módulo de resiliência solos comparados, utilizados no treinamento e
através das propriedades dos solos (RCS, IP, no teste das 7 redes neurais, foram estabelecidas
%Arg. e WOT) e das tensões (σ3 e σd), buscou- escalas baseadas no desvio (∆) do valor das
se analisar a capacidade das redes neurais em propriedades físicas: resistência à compressão
prever os módulos de resiliência de cada solo de simples (RCS), índice de plasticidade (IP),
teste de maneira individual, e então tentar porcentagem de argila (%Arg. ou porcentagem
explicar o motivo do bom ou mau desempenho de partículas com diâmetro menor que 0,005
das redes nas previsões do módulo de mm) e umidade ótima (WOT) dos solos
resiliência. comparados (solo de treinamento da rede e solo

5
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

de teste da rede). Assim sendo, os graus de desenvolvidas neste trabalho foram oriundos do
semelhança entre os solos comparados das 7 modelo e não diretamente dos valores dos testes
redes neurais de teste foram 4, e designados de laboratório.
como: muito semelhantes (MS), semelhantes Outro aspecto interessante que pode ser
(S), quase semelhantes (QS) e não semelhantes verificado, com base na Tabela 4, é que os solos
(NS). de teste com IP, %Arg. e WOT muito
A Tabela 3 mostra as escalas empregadas semelhantes (MS) e RCS quase semelhantes
com base no desvio (∆) do valor das (QS) em relação ao solo usado no conjunto de
propriedades fisicas (RCS, IP, %Arg. e WOT), treinamento, que estava sendo comparado,
que serviu como referência para definição dos apresentou uma tendência consistente para
graus semelhança entre os solos comparados, apresentar baixos valores de EMR, pois a média
que foram usados no teste e no treinamento dos erros médios relativos foi de 22,55%.
(constituição ou calibração) das 7 redes neurais. Portanto, as redes neurais aprenderam a
relacionar o módulo de resiliência com as
Tabela 3. Graus de semelhança dos solos comparados, propriedades do solo (RCS, IP, %Arg. e WOT)
que foram utilizados no treinamento e no teste das redes mesmo quando os solos são quase semelhantes
neurais.
(QS) em relação à RCS.
Solos
Os baixos valores do erro médio relativo,
Muito
Semelhantes
Quase Não como EMR = 7,74% para amostra 56 da rede de
semelhantes semelhantes semelhantes
teste 3, e como EMR = 8,89% para amostra 79
(MS) (S) (QS) (NS)
∆RCS = ± 44 kPa ∆RCS = ± 70 kPa ∆RCS = ± 270 kPa ∆RCS > ± 270 kPa
da rede de teste 5, indicam que a rede ideal de
∆%Arg. = ± 2% ∆%Arg. = ± 4% ∆%Arg. = ± 6% ∆%Arg. > ± 6% arquitetura 6-12-12-1 com momento de 0,7 e
∆IP = ± 3% ∆IP = ± 6% ∆IP = ± 12% ∆IP > ± 12%
∆W OT = ± 0,50% ∆W OT = ± 0,50% ∆W OT = ± 0,50% ∆W OT = ± 0,50%
taxa de aprendizagem de 0,7 é adequada para
ser usada no estudo da previsão do módulo de
A Tabela 4 mostra os resultados, em termos resiliência a partir das propriedades do solo
de erro médio relativo (EMR), das previsões do RCS, IP, %Arg. e WOT, e das tensões σd e σ3.
módulo de resiliência para cada solo testado de Ainda, é importante destacar que a média
forma individual. Na mesma tabela, também é dos erros médios relativos de previsão do
feita uma comparação, com base nos graus de módulo de resiliência para os 10 materiais não
semelhança entre o solo utilizado para testar a semelhantes (NS) da Tabela 4 é de 196,09%,
rede e o solo mais semelhante presente no este fato indica que quando uma rede possui em
conjunto de treinamento (ou calibração) da seu conjunto de treinamento apenas materiais
rede. Pode-se observar, na Tabela 4, que as não semelhantes ao que está sendo testado,
propriedades físicas comparadas, entre o solo então a rede tende a fazer previsões
usado no teste da rede e o solo mais semelhante inadequadas do módulo de resiliência.
usado no treinamento da rede, foram RCS, IP,
%Arg. e WOT. Tabela 4. Desempenho das redes para cada solo de teste,
e comparação entre o solo de teste e o solo mais
As comparações feitas com base na Tabela 4, semelhante presente no treinamento da rede.
entre os solos de teste e de treinamento muito
semelhantes (MS), as quais correspondem às 13
(treze) comparações sombreadas na Tabela 4,
apresentou uma média para o erro médio
relativo (EMR) de 26,69% na previsão do
módulo de resiliência. Este valor mostra que
existe uma tendência das propriedades RCS, IP,
%Arg. e WOT, e também das tensões de desvio
(σd) e de confinamento (σ3) se relacionarem
com o módulo de resiliência através das redes
neurais, sobretudo quando se leva em conta que
os módulos de resiliência empregados nas redes

6
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

Comparação: amostras de Amostra do


de treinamento da rede) pelo menos 1 (um)

Condição
teste e treinamento conjunto de
Número Amostra EMR RCS IP %Arg. W OT treinamento material muito semelhante (MS) ao solo que
da rede de teste
está sendo testado.
(%) (kPa) (%) (%) (%) comparada
57 505,22 QS QS MS MS 72 QS
63 275,05 MS S QS MS 79 QS

1
75
52
20,60
29,67
QS
S
QS
MS
S
MS
MS
MS
26
83
QS
S
iv) Quando uma rede neural possui, em seu
60
66
23,47
21,30
MS
QS
MS
QS
MS
S
MS
MS
54
61
MS
QS conjunto de treinamento (ou calibração), apenas
76
42
43
16,89
18,49
1657,02
MS
QS
NS
S
MS
NS
QS
MS
NS
MS
MS
MS
83
41
44
QS
QS
NS
materiais não semelhantes ao que está sendo
2
50
54
13,88
23,21
MS
MS
MS
MS
MS
MS
MS
MS
14
60
MS
MS
testado, então a rede neural tende a fazer
57
63
37,54
293,76
QS
MS
QS
S
MS
QS
MS
MS
72
79
QS
QS previsões inadequadas do módulo de resiliência.
v) As relações entre o módulo de resiliência e
17 34,38 NS MS MS MS 27 NS
27 44,18 NS MS MS MS 44 NS
60 20,92 MS MS MS MS 54 MS

3
84
24
18,17
26,36
MS
S
S
QS
MS
MS
MS
MS
79
63
S
QS
as propriedades dos solos são muito
56
82
7,74
57,30
QS
QS
MS
MS
MS
MS
MS
MS
29
1
QS
QS promissoras para os solos, principalmente
85 34,02 MS MS NS MS 11 NS
27
50
19,73
5,24
NS
MS
MS
MS
MS
MS
MS
MS
44
14
NS
MS
quando o banco de dados utilizado na
4
81
26
47,58
62,99
MS
QS
MS
QS
MS
S
MS
MS
80
75
MS
QS construção da rede neural que estabelece esta
28
54
82
110,91
14,76
53,94
MS
MS
QS
MS
MS
MS
MS
MS
NS
MS
MS
MS
61
60
11
MS
MS
NS
relação é robusto (composto de muitas
11
44
54,77
54,20
MS
QS
MS
MS
NS
S
MS
MS
85
42
NS
QS
amostras).
5
76
1
378,92
12,49
MS
QS
S
MS
S
MS
MS
MS
83
82
S
QS vi) Antes de se utilizar uma rede neural para
prever o módulo de resiliência de um
29 19,99 QS MS MS MS 56 QS
66 116,61 S S S MS 28 S
79 8,89 MS MS MS MS 83 MS
14
46
9,73
38,92
MS
S
MS
S
MS
MS
MS
MS
50
28
MS
S
determinado solo, a partir de propriedades do
6
80
11
32,75
35,04
MS
MS
MS
MS
S
NS
MS
MS
23
85
S
NS solo: RCS, IP, %Arg. e WOT, é importante
42 22,44 QS MS MS MS 41 QS
54
82
5,43
10,68
MS
QS
MS
MS
MS
MS
MS
MS
60
1
MS
QS
verificar se no conjunto de treinamento da rede
54
66
35,67
26,07
MS
S
MS
S
MS
S
MS
MS
60
28
MS
S neural existe pelo menos um solo muito
7
81
27
62
27,23
13,44
14,36
MS
NS
MS
MS
MS
QS
MS
MS
NS
MS
MS
MS
80
44
80
MS
NS
NS
semelhante (MS) ao solo que se deseja
72
56
62,24
31,23
QS
QS
QS
MS
MS
MS
MS
MS
57
29
QS
QS
determinar o módulo de resiliência.

4 CONCLUSÕES AGRADECIMENTOS

As principais conclusões obtidas deste trabalho Os mais elevados agradecimentos aos


são: professores, técnicos, funcionários e colegas da
i) As redes neurais similares à rede ideal com Escola de Engenharia de São Carlos da
arquitetura 6-12-12-1 com momento de 0,7 e Universidade de São Paulo, que contribuíram
taxa de aprendizagem de 0,7 se mostram úteis para o desenvolvimento deste trabalho.
na previsão do módulo de resiliência a partir Por fim, agradecimento ao Conselho
das propriedades do solo RCS, IP, %Arg. e Nacional de Desenvolvimento Científico e
WOT, e das tensões σd e σ3. Tecnológico (CNPq) pela bolsa de estudos.
ii) Existe uma tendência consistente das
propriedades físicas — resistência à
compressão simples (RCS); índice de REFERÊNCIAS
plasticidade (IP); porcentagem de argila
AMERICAN ASSOCIATION OF STATE HIGHWAY
(%Arg.), e umidade ótima (WOT) — se
AND TRANSPORTATION OFFICIALS. (1986)
relacionarem com o módulo de resiliência dos Guide for design of pavement structures. Washington,
solos grossos (ou arenosos), compactados na D.C.
energia modificada. AMERICAN ASSOCIATION OF STATE HIGHWAY
iii) Quando uma rede neural que relaciona o AND TRANSPORTATION OFFICIALS. (1993)
módulo de resiliência com as propriedades do Guide for design of pavement structures. Washington,
D.C.
solo: RCS, IP, %Arg. e WOT, e com as tensões AMERICAN ASSOCIATION OF STATE HIGHWAY
σd e σ3 é testada com solos não usados em sua AND TRANSPORTATION OFFICIALS. AASHTO
calibração (ou treinamento), a rede tende a T307-99. Determining the resilient modulus of soil
apresentar baixo erro médio de relativo (EMR), and aggregate materials. Washington, D.C..
Bezerra Neto, R. S. (2004) Análise comparativa de
se existir na constituição da rede (ou conjunto
pavimentos dimensionados através dos métodos

7
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

enpírico do DNER e mecanístico e proposta de um Shahin, M. A.; Maier H. R.; Jaksa M. B. (2002)
catálogo simplificado de pavimentos para a região de Predicting settlement of shallow foundations using
Campo Grande (MS). Dissertação de mestrado, neural networks. Journal of Geotechnical and
Programa de Pós-Graduação em Transportes, Geoenvironmental Engineering, ASCE, Vol. 128, n.
Departamento de Engenharia Civil, Escola de 9, p. 785-793.
Engenharia de São Carlos, Universidade de São Visser, A. T.; Queiroz, C.; Hudson, W. R. (1994) A study
Paulo, São Carlos, 169p. of resilient characteristics of tropical soils for use in
Drumm, E. C.; Boateng-Poku, Y.; Pierce, J. (1990) low-volume pavement design. SYMPOSIUM ON
Estimation of subgrade resilient modulus from PAVEMENT MANAGEMENT SYSTEMS, Belo
standard tests. Journal of the Geotechnical Horizonte, Brasil. Proceedings... Belo Horizonte,
Engineering, ASCE, Vol. 116, n. 5, p. 774-789. Brasil: D.E.R. Minas Gerais, p. 1-25.
Dyminski, A. S.; Andrioni, M.; Soares, H. C.; Chaves Zaman, M.; Chen, D.; Laguros, J. (1994) Resilient
Neto, A.; Romanel, C. (2006) Modelos neurais de moduli of granular materials. Journal of
previsão de séries temporais piezométricas com Transportation Engineering, [s.n], Vol. 120, n. 6, p.
acoplamento de dados pluviométricos. Solos e 967-988.
Rochas, [S.I.], Vol. 29, n. 2, p. 189-198.
EASYNNplus V6.0h (2005) The easy way to build
neural networks. Artificial neural network computer
program.
Elliot, R. P.; Thornton, S. I. (1988) Simplification of
subgrade resilient modulus testing. Transportation
Research Record, [s.n], n. 1192, p. 1-7.
Freitas, K. M. (2003) Investigação da produção e
dispersão de poluentes do ar no ambiente urbano:
determinação empírica e modelagem em rede neural
da concentração de CO. Tese de Doutorado, Escola
de Engenharia de São Carlos, Universidade de São
Paulo, São Carlos, “Paginação irregular”.
Helkelom, W.; Foster, C. R. Dynamic testing of
pavements. (1960) Journal of the Soil Mechanics and
Foundations Divions, ASCE, Vol. 86, n. SM1, p. 1-
27.
Motta, L. M. G.; Aranovich, L. A. S.; Cerrati, J. A. P.
(1985) Comportamento resiliente de solos utilizados
em pavimentos de baixo custo. Solos e Rochas, [s.n],
Vol. 8, n. 3, p. 15-41.
Motta, L. M. G.; Medina, J. (1991) Um método de
dimensionamento de pavimentos flexíveis
desenvolvido no Brasil. RAPv, 25a, São Paulo, SP.
Anais... São Paulo, SP: ABPv, p. 1117-1206.
NATIONAL COOPERATIVE HIGHWAY RESEARCH
PROGRAM (2004). NCHRP 1-37A - Guide for
mechanistic-empirical design of new rehabilitated
pavement structures - Final Report. Transportation
Research Board. Illinois.
Parreira, A. B.; Cunto, F. J. C.; Carmo, C. T.; Rodrigues,
J. K. G. O (1998) Módulo de resiliência de alguns
materiais de pavimentação e a sua estimativa a partir
de ensaios de compressão simples. COBRAMSEG,
XI, Brasília, DF. Anais... Brasília, DF: ABMS, Vol..1,
p. 149-155.
Rada, G.; Witczak, M. W. (1981) Comprehensive
evaluation of laboratory resilient moduli results for
granular materials. Transportation Research Record,
[s.n], n. 810, p. 23-33.
Rodgher, S. F.; Fabbri, G. T. P.; Carvalho, A. C. P. L.
(1997) A utilização de redes neurais artificiais para
classificação de solos tropicais. ANPET, XI, Rio de
Janeiro, RJ. Anais... Rio de Janeiro, RJ: [s.n], Vol. 1,
p. 51-59.