APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ENGENHARIA DE PAVIMENTAÇÃO

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Rocket clouds
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ENGENHARIA DE PAVIMENTAÇÃO por Mind Map: APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA ENGENHARIA DE PAVIMENTAÇÃO

1. Resumo

1.1. Especialistas Acreditam que AI será a regra do mundo

1.2. ANN tem apresentado convenientes soluções para problemas nos mais diversos campos

1.3. A aplicação de ANN em projetos de pavimentos mecânico - empiricos é um sinal claro do sucesso dessas redes

2. Introdução

2.1. Inteligência Artificial e Aprendizado de Máquina

2.1.1. O mundo está silenciosamente sendo remodelado pelo aprendizado de máquina

2.1.2. A forma mais poderosa usada hoje é chamada de “aprendizado profundo” ou "Deep Learning"

2.1.2.1. Constrói uma complexa estrutura matemática chamada Rede Neural Artificial (RNA) baseada em vastas quantidades de dados

2.2. Definição de Inteligência Artificial - AI

2.2.1. Pensando Humanamente

2.2.1.1. Automação de Atividades Associadas com o Pensamento Humano

2.2.1.2. Automação de Tomada de Decisão

2.2.1.3. Automação de Soluções de Problemas

2.2.1.4. Automação de Aprendizados

2.2.2. Pensando Racionalmente

2.2.2.1. É o estudo das computações que possibilitam

2.2.2.1.1. Perceber

2.2.2.1.2. Raciocinar

2.2.2.1.3. Agir

2.2.3. Agindo Humanamente

2.2.3.1. É o estudo de como fazer os computadores fazerem coisas em que, pelo menos por enquanto, as pessoas são melhores

2.2.4. Agindo Racionalmente

2.2.4.1. O estudo da concepção de agentes inteligentes

2.3. Aprendizado

2.3.1. Programar computadores com todas as regras é inviável

2.3.2. O aprendizado automático é crucial

2.4. Aprendizado de Máquina - Machine Learning

2.4.1. É um conjunto de ferramentas que, em termos gerais, permitem “ensinar” os computadores a executar tarefas, fornecendo exemplos de como eles devem ser feitos

2.4.2. O sistema aprende com a experiência

3. APLICAÇÕES EM ENGENHARIA CIVIL

3.1. Análises Estruturais

3.1.1. Previsão de Capacidade de Cargas e Flambagens

3.1.2. Confiabilidade Estrutural

3.1.3. Otimização

3.1.4. Monitoramento Estrutural

3.2. Engenharia de Transportes

3.2.1. Projetos de Pavimentos Baseados em ANN

4. OBJETIVO

4.1. Apresentar o estado da arte de várias aplicações de ANN em Gerenciamento de pavimentos

5. ÁREAS ESTUDADAS

5.1. Defeitos em Pavimentos

5.1.1. Irregularidades (Roughness)

5.1.1.1. Roberts and Attoh-Okine (1998)

5.1.1.1.1. Comparam o uso de dois modelos de RNA para prever irregularidades com base nas características das condições do pavimento e no tráfego.

5.1.1.2. Yildirim and Uzmay (2001)

5.1.1.2.1. Empregaram uma rede neural Basal Function (RBFNN) usando funções de transferência Gaussianas para a previsão das amplitudes de aceleração do veículo.

5.1.1.3. Choi et al. (2004)

5.1.1.3.1. Desenvolveram uma RNA para a previsão de valores de IRI usando uma rede 6-10-1 MLP baseada em BP.

5.1.1.4. Yousefzadeh et al. (2010)

5.1.1.4.1. Desenvolveram um RNN x-6-6-4 baseado em LM para a previsão dos deslocamentos de pavimento nas quatro rodas de um veículo.

5.1.1.5. Solhmirzaei et al. (2012)

5.1.1.5.1. Desenvolveu um modelo verdadeiramente preciso para a previsão de perfis de pavimentos utilizando uma Rede Neural Wavelet x-15-4 baseada em BP (WNN).

5.1.1.6. Ziari et al (2016)

5.1.1.6.1. Propuseram uma RNA para prever valores de IRI a curto e longo prazo para pavimentos flexíveis.

5.1.2. Aderência (Skid Resistence)

5.1.2.1. Owusu-Ababio (1995)

5.1.2.1.1. Implementou uma RNA para prever a resistência à derrapagem de pavimentos flexíveis, a fim de avaliar as necessidades futuras de reabilitação.

5.1.2.2. Bosurgi and Trifirò (2005)

5.1.2.2.1. Desenvolveram um modelo de previsão de "Coeficiente de Atrito Lateral" a ser aplicado em uma rodovia

5.1.3. Trincamento (Cracking)

5.1.3.1. Kaseko et al (1993)

5.1.3.1.1. Propuseram uma RNA para detecção, classificação e quantificação automática de trincas superficiais do pavimento,

5.1.3.2. Owusu-Ababio (1998)

5.1.3.2.1. Desenvolveu uma RNA para a previsão de fissuração em pavimento flexível

5.1.3.3. Mei et al. (2004)

5.1.3.3.1. Propuseram uma RNA para abordagem de testes para a determinação de profundidades de trincas por fadiga iniciadas na superfície de rolamento

5.1.3.4. Lee (2004)

5.1.3.4.1. Apresentou três RNAs para classificar tipos de trincas a partir de imagens digitais do pavimento

5.1.3.5. Ceylan et al. (2011)

5.1.3.5.1. Usaram com sucesso RNAs para modelar o fator de intensidade de tensão (SIF) conforme as trilhas crescem para cima através do revestimento asfáltico misturados quente devido aos efeitos térmicos.

5.1.3.6. Thube (2012)

5.1.3.6.1. sugeriu RNAs apropriadas para prever a progressão de diferentes problemas de pavimento.

5.1.3.7. Wu et al. (2014)

5.1.3.7.1. Desenvolveram modelos de rede neural para estimar Fatores de Intensidade de Tensões para fadiga e trincas reflexivas

5.1.3.8. Gajewski and Sadowski (2014)

5.1.3.8.1. Propuseram um sistema FEA-ANN, baseado na rede 4-7-2 MLP baseada em BP e 4-5-2 RBFNN para a previsão da sensibilidade à trinca em uma camada de subleito.

5.1.3.9. Yoo and Kim (2016)

5.1.3.9.1. Propuseram uma rede 8-12-8-2 MLP baseada em BP para distinguir trincas de pavimento em imagens

5.1.4. Falhas nas Juntas (Joint Faulting) - Pavmento de Concreto

5.1.4.1. Saghafi et al. (2009)

5.1.4.1.1. Aplicaram uma RNA para estimar o efeito das condições da camada de base e da idade do pavimento na falha da junta transversal.

5.2. Índices de Condições de Pavimento

5.2.1. PSI / PSR

5.2.1.1. Banan and Hjelmstad (1996)

5.2.1.1.1. Propuseram um algoritmo chamado Particionamento Aleatório Adaptativo Hierárquico Monte Carlo (MC-HARP) que produz um modelo que pode ser classificado como uma rede neural.

5.2.1.2. Terzi (2007)

5.2.1.2.1. Desenvolveu uma RNA para a estimativa de valores de PSR (Taxa de Servicibilidade Presente)

5.2.1.3. Tabatabaee et al. (2013)

5.2.1.3.1. Propuseram um modelo de computação leve de dois estágios para classificar adequadamente e prever com precisão o desempenho do pavimento

5.2.2. Avaliação da Condição

5.2.2.1. Pant et al. (1993),

5.2.2.1.1. Propuseram um modelo de rede neural para prever valores de índice de condição de corte de utilidade (UCCI) considerando nove tipos de problemas predominantes, como couro de jacaré, trincamento de borda, trincas transversais, buracos, sulcos e desmoronamentos, descida de pavimento, separação de borda e quebras de canto

5.2.2.2. Eldin and Senouci (1995a)

5.2.2.2.1. Desenvolveram uma RNA para classificação de condição de pavimento