Estimativa da profundidade de carbonatação do concreto com o uso de redes neurais

• Main Author: Carlos Alberto Cavalcanti Martins
• Other Authors: Eliana Cristina Barreto Monteiro
• Format: Others
• Language: Portuguese
• Published: Universidade Católica de Pernambuco 2011
• Subjects: carbonatação; concreto armado - corrosão; redes neurais (computação); dissertações; reinforced concrete - corrosion; neural networks (computer science); dissertations; ENGENHARIA CIVIL
• Online Access: http://www.unicap.br/tede//tde_busca/arquivo.php?codArquivo=626

O fenômeno da carbonatação, como agente desencadeador do processo de corrosão de armaduras, assume especial importância quando as estruturas de concreto armado estão expostas a ambientes urbanos e à atmosfera poluída de gases como o CO2. O controle da profundidade de carbonatação do concreto exige o uso de ferramentas (modelos matemáticos) que representem o comportamento das variáveis que interagem no processo da carbonatação do concreto de forma clara e objetiva no sentido de auxiliar a compreensão do fenômeno. Nessa perspectiva, desenvolveram-se modelos computacionais que conjugam problemas complexos de modo simples. Entre esses modelos, citam-se as redes neurais artificiais, que têm inspiração no cérebro humano e que possuem a habilidade de aprender e generalizar possibilitando a resolução de problemas complexos. Neste trabalho é estudada a aplicação de redes neurais artificiais do tipo Perceptron multicamadas, com base no algoritmo de aprendizado supervisionado backpropagation, com o objetivo de obter um mapeamento entre as variáveis de entrada do problema relação água/cimento, distância do corpo de prova do mar e idade do corpo de prova e a variável de saída de interesse profundidade de carbonatação do concreto. Os resultados obtidos validam que os modelos de redes neurais artificiais se constituem numa importante ferramenta de avaliação da profundidade de carbonatação do concreto armado === The phenomenon of carbonation as the triggering agent in the process of reinforcement corrosion is particularly important when concrete structures are exposed to urban environments and the atmosphere contamination with gases such as CO2. The concrete carbonation depth control requires the use of tools (mathematical models) that represent the behavior of the variables that interact in the process of concrete carbonation in a clear and objective way to help understand the phenomenon. In this perspective, computer models have been developed to combine complex problems in a simple way. Among those models are the artificial neural networks, which have been inspired on human nervous system and have the ability to learn and generalize, making it possible to solve complex problems. This work studied the application of artificial neural networks like multilayer perceptron, based on backpropagation, supervised learning algorithm in order to obtain a mapping between the input variables of the problem ─ the water/cement (w/c) ratio, body of proof distance from the sea and age of the body of proof ─ and the output variable of interest ─ the depth of concrete carbonation. The results validate that the use of artificial neural networks is an important tool to evaluate concrete carbonation