Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/44886
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_RuanDeAlencarCarvalho_tcc.pdf1,8 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorEvangelista Júnior, Francisco-
dc.contributor.authorCarvalho, Ruan de Alencar-
dc.identifier.citationCARVALHO, Ruan de Alencar. Uso de técnicas de machine learning para análise da resistência de cantoneiras de aço. 2022. 75 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Civil) — Universidade de Brasília, Brasília, 2022.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2022.pt_BR
dc.description.abstractO aço é um dos principais materiais de função estrutural na construção civil, assim sendo importante entender suas propriedades mecânicas e mecanismos de ruptura. Cantoneiras são elementos de aço laminado em formato de L comumente parafusadas em outras peças metálicas para realizar conexões. Quando esses elementos são parafusados em apenas uma das abas e estão sob esforço de tração, o rompimento da cantoneira pode ser por meio de ruptura da seção onde estão os furos. Nesse caso, há influência de fenômenos complexos como shear lag, gerando redução de eficiência de resistência da seção. Esse trabalho consiste na implementação de técnicas de Machine Learning como abordagem ao estudo da capacidade de carga de cantoneiras parafusadas de aço laminado a frio sob esforço de tração axial. Três técnicas são empregadas criando modelos de regressão capazes de predizer tal capacidade de carga, sendo elas: Gaussian Process Regression, Random Forest Regression e Multi-layer Perceptron Regression. Para criação dos modelos, foi necessário montar uma base de dados, a qual foi obtida a partir de cinco outros trabalhos, um numérico e quatro experimentais. Após treinamento, otimização de hiperparâmetros e validação de tais modelos, foram feitos testes para remover variáveis preditoras desnecessárias e, assim, obter modelos finais simples e de menor custo computacional. Os modelos finais são comparados entre si, com o objetivo de analisar se todas as técnicas apresentaram boa performance e qual obteve melhores resultados. Com o melhor dos modelos de Machine Learning desenvolvido, o modelo de Multi layer Perceptron Regression, é feita uma comparação entre suas predições e os valores calculados pela equação sugerida por uma norma do Instituto Americano de Ferro e Aço, Especificações Norte Americanas para Projeto de Elementos Estruturais de Aço formado a frio. A comparação mostra resultados muito superiores no modelo de Machine Learning, comprovando a competitividade e eficácia de suas técnicas.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordAço - estruturaspt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.titleUso de técnicas de machine learning para análise da resistência de cantoneiras de açopt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2026-07-08T10:37:34Z-
dc.date.available2026-07-08T10:37:34Z-
dc.date.submitted2022-09-29-
dc.identifier.urihttps://bdm.unb.br/handle/10483/44886-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Steel is one of the main structural materials in civil engineering, so it is important to understand its mechanical properties and failure mechanisms. L-shaped laminated steel elements, known as angles, are commonly bolted to other metal elements to make connections in steel structures. When these elements are connected by only one of its legs and are under tension, the failure of the angle can be caused by rupture of the section where the holes are located. In this case, there is influence of complex phenomena such as shear lag, generating a reduction in the resistance efficiency of the section. The present work consists of an implementation of Machine Learning techniques as an approach to the study of load capacity of cold-formed steel bolted angles under axial tension. Three techniques are used to create regression models capable of predicting such load capacity, namely: Gaussian Process Regression, Random Forest Regression and Multi-layer Perceptron Regression. To create the regression models, it was necessary to set up a database, which was obtained from five different works, one numerical and four experimental. After training, hyperparameter optimization and validation of such models, tests were carried out to remove unnecessary predictor variables and, thus, obtain simple final models with a lower computational cost. The final models are compared with each other, in order to analyze whether all the techniques presented good performance and which one obtained better results. With the best one of the models developed, the one that used Multi-layer Perceptron Regression, a comparison is made between their predictions and the values calculated using the equation of the North American Specifications for the Design of Structural Elements of Cold Formed Steel, developed by the American Iron and Steel Institute. The comparison shows much superior results in the Machine Learning model, proving the competitiveness and effectiveness of Machine Learning-based techniques.pt_BR
Aparece na Coleção:Engenharia Civil



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.