Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/35422
Título: | Estudo numérico do problema de arrancamento direto utilizando redes neurais |
Título(s) alternativo(s): | Numerical study of the direct pullout problem using neural networks |
Autor(es): | Bertoncello, Luana Claudia |
Orientador(es): | Gomes, Francisco Augusto Aparecido |
Palavras-chave: | Redes neurais (Computação) Otimização matemática Método dos elementos finitos Neural networks (Computer science) Mathematical optimization Finite element method |
Data do documento: | 30-Ago-2024 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Pato Branco |
Citação: | BERTONCELLO, Luana Claudia. Estudo numérico do problema de arrancamento direto utilizando redes neurais. 2024. Dissertação (Mestrado em Programa de Pós-Graduação em Engenharia Civil) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2024. |
Resumo: | A aplicação da simulação computacional utilizando os métodos de elementos finitos (MEF) tem se intensificado na contemporaneidade na solução de problemas de engenharia. Conhecendo os dados de entrada e as condições de contorno do problema físico, é possível fazer uso da combinação de técnicas computacionais para otimizar a solução. A otimização é um recurso numérico que pode ser utilizado na solução de um problema inverso. O deep learning é um subconjunto da inteligência artificial que tem como objetivo aprender determinada tarefa e apresentar evolução em seu desempenho a cada interação. É conhecido também por ser uma rede neural que atua simulando o neurônio humano, devido ao uso de neurônios artificiais interligados por sinapses artificiais. A proposta deste trabalho é aplicar a técnica de deep learning para otimizar parâmetros de engenharia em um problema envolvendo a aderência entre aço e concreto. A metodologia consiste na resolução numérica do problema físico utilizando o MEF pelo solver ANSYS, com a otimização realizada no MATLAB. A pesquisa investiga a aplicação de redes neurais profundas para ajustar os parâmetros e minimizar discrepâncias entre simulações e dados experimentais, focando no sistema de arrancamento e na aderência aço-concreto. A função ReLU no MATLAB foi utilizada para introduzir não-linearidades e aprimorar a precisão dos resultados. A metodologia foi validada com base em resultados experimentais do teste de arrancamento em barras de aço-concreto. |
Abstract: | The application of computational simulation using Finite Element Methods (FEM) has intensified in contemporary engineering problem-solving. By understanding the input data and boundary conditions of the physical problem, it is possible to use a combination of computational techniques to optimize the solution. Optimization is a numerical resource that can be applied to solving an inverse problem. Deep learning is a subset of artificial intelligence aimed at learning specific tasks and improving performance with each iteration. It is also known for being a neural network that simulates the human neuron, due to the use of artificial neurons connected by artificial synapses.The goal of this work is to apply deep learning techniques to optimize engineering parameters in a problem involving the adhesion between steel and concrete. The methodology involves numerically solving the physical problem using FEM with the ANSYS solver, and performing optimization in MATLAB. The research investigates the application of deep neural networks to adjust parameters and minimize discrepancies between simulations and experimental data, focusing on the pull-out system and steel-concrete adhesion. The ReLU function in MATLAB was used to introduce non-linearities and enhance the precision of the results. The methodology was validated based on experimental results from pull-out tests on steel-concrete bars. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/35422 |
Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia Civil |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
estudonumericoarrancamentredesneu.pdf | 5,97 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons