Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31514| Título: | Estimativa da quantidade de resíduos da construção civil utilizando redes neurais artificiais |
| Título(s) alternativo(s): | Estimating the amount of construction waste using artificial neural networks |
| Autor(es): | Recalcatti, Sandileia |
| Orientador(es): | Nagalli, André |
| Palavras-chave: | Gestão integrada de resíduos sólidos Aprendizado de máquina Inteligência artificial Construção civil - Estimativas - Curitiba (PR) Redes neurais (Computação) Resíduos como material de construção Integrated solid waste mangement Machine learning Artificial intelligence Building - Estimates - Curitiba (Brazil) Neural networks (Computer science) Waste products as building materials |
| Data do documento: | 5-Abr-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | RECALCATTI, Sandileia. Estimativa da quantidade de resíduos da construção civil utilizando redes neurais artificiais. 2023. Dissertação (Mestrado em Engenharia Civil) - Universidade Tecnológica Federal do Paraná, Curitiba, 2023. |
| Resumo: | A geração de resíduos é um dos impactos negativos causados pela construção civil, e enfrentado pelo poder público e por empresas construtoras. Estimar a quantidade de resíduos da construção civil (RCC) é fundamental no processo de gerenciamento, porém, essa tarefa não é simples, pois há diversos materiais e processos construtivos que podem ser utilizados no mesmo empreendimento. Os construtores estão em busca de soluções rápidas na construção civil, porém muitos dos métodos de quantificação disponíveis não atendem às suas necessidades de maneira adequada. As redes neurais artificiais (RNA’s) podem suprir essa necessidade, devido à sua capacidade de aprendizado e solução de sistemas não lineares. Nesse sentido, o objetivo geral desta pesquisa é investigar a utilização de RNA’s para estimar a geração de RCC em obras de construção civil. A pesquisa adotou como método a simulação, utilizando as amostras A e B com 5.000 e 10.000 dados fictícios, respectivamente, ambas com áreas de construção total entre 75 m² e 125.050 m², e a amostra R com dados de 360 obras, com áreas entre 906 m² a 138.824 m². Os dados fictícios foram criados com base em taxas de geração disponíveis na literatura, e os dados reais foram obtidos através de contato com empresas de construção civil localizadas em Curitiba/PR, e abrangem obras construídas entre 2006 e 2021. Para realizar as simulações, foi utilizado o software MATLAB® versão R2022a. Diferentes configurações de redes neurais foram treinadas com as amostras A e B, e foi possível verificar que o melhor resultado preditivo foi no treinamento da amostra B, com a rede neural feed-forward com duas variáveis de entrada (classificação do resíduo e área total construída), dez neurônios na camada oculta, uma variável de saída (quantidade de resíduos) e três ciclos de treinamento com o algoritmo Bayesian Regularization, apresentando valores de R² igual a 1,0, MSE igual a 42,87 kg e MAPE igual a 0,00013%. Na validação do modelo com a amostra R, o resultado de R² igual a 0,83 indicou um bom desempenho da rede neural em explicar a variação dos dados de saída com base nos dados de entrada. Além disso, modelo proposto apresentou um MSE de 4.337,69 m³ e o resultado de MAPE apontou que o modelo de rede neural apresentado é capaz de estimar com precisão mais de 60% dos casos, bem como foi verificada uma ótima estimativa apresentada pelo modelo de RNA quando comparado a outros modelos da literatura. Para essa pesquisa, o modelo de rede neural que apresentou os melhores resultados de previsão, foi a rede neural feedforward com dez neurônios na camada oculta e três ciclos de treinamento com o algoritmo Bayesian Regularization. Essa pesquisa traz uma contribuição importante para o setor da construção civil, colaborando com a quantificação de RCC de maneira ágil, além de contribuir com o gerenciamento dos resíduos dentro e fora do canteiro de obras, bem como contribui na conscientização dos profissionais da área e é útil para basear ações que minimizem a geração de resíduos. |
| Abstract: | Waste generation is one of the negative impacts caused by civil construction, and faced by the public authorities and construction companies. Estimating the amount of civil construction waste (CCW) is fundamental in the management process, however, this task is not simple, because there are several materials and construction processes that can be used in the same enterprise. Builders are in search of quick solutions in civil construction, but many of the available quantification methods do not meet their needs adequately. Artificial neural networks (ANNs) can meet this need, due to their ability to learn and solve non-linear systems. In this sense, the general objective of this research is to investigate the use of ANN’s to estimate the generation of CCW in civil construction. The research adopted the simulation method, using samples A and B with 5,000 and 10,000 dummy data, respectively, both with total construction areas between 75 m² and 125,050 m², and sample R with data from 360 construction sites, with areas between 906 m² and 138,824 m². The dummy data was created based on generation rates available in the literature, and the real data was obtained through contact with construction companies located in Curitiba/PR, and covers buildings built between 2006 and 2021. To perform the simulations, the software MATLAB® version R2022a was used. Different configurations of neural networks were trained with samples A and B, and it was possible to verify that the best predictive result was in the training of sample B, with the feed-forward neural network with two input variables (waste classification and total built-up area), ten neurons in the hidden layer, one output variable (amount of waste) and three training cycles with the Bayesian Regularization algorithm, presenting R² values equal to 1.0, MSE equal to 42.87 kg and MAPE equal to 0.00013%. In the validation of the model with the R sample, the result of R² equal to 0.83 indicated a good performance of the neural network in explaining the variation of the output data based on the input data. In addition, the proposed model presented an MSE of 4,337.69 m³ and the MAPE result pointed out that the presented neural network model is able to accurately estimate more than 60% of the cases, as well as an optimal estimation presented by the ANN model when compared to other models in the literature. For this research, the neural network model that presented the best prediction results was the feed-forward neural network with ten neurons in the hidden layer and three training cycles with the Bayesian Regularization algorithm. This research brings an important contribution to the civil construction sector, collaborating with the quantification of CCW in an agile manner, besides contributing to the management of waste inside and outside the construction site, as well as contributing to the awareness of professionals in the area and is useful to base actions that minimize waste generation. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31514 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Civil |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| estimativaresiduosredesneurais.pdf | 2,39 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
