dc.creator.ID |
SILVA, B. S. |
pt_BR |
dc.contributor.advisor1 |
BEZERRA, Izabelle Marie Trindade. |
|
dc.contributor.advisor1ID |
BEZERRA, I. M. T. |
pt_BR |
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/2003009506775932 |
pt_BR |
dc.contributor.advisor2 |
QUEIROZ JÚNIOR, Hélio da Silva. |
|
dc.contributor.advisor2ID |
QUEIROZ JÚNIOR, H. S. |
|
dc.contributor.advisor2Lattes |
http://lattes.cnpq.br/1612814908242211 |
|
dc.contributor.referee1 |
CHAGAS, Rodrigo Mendes Patrício. |
|
dc.contributor.referee2 |
SANTA CRUZ, Walter. |
|
dc.description.resumo |
O objetivo desse trabalho é desenvolver, aplicar e analisar os resultados de uma rede
neural artificial (RNA) desenvolvida utilizando um software de simulação de
matrizes com pacote para redes neurais artificiais, que seja capaz de realizar uma
estimativa de custo mensal em uma obra de terraplenagem nos serviços de corte e
aterro. O princípio consiste em entender a importância de cada parâmetro de entrada
e saída; organizar todos os dados coletados e normalizar esses dados para que variem
dentro do intervalo de 0 a 1. Foram estudadas várias arquiteturas, variando número
de camadas, neurônios e função de ativação, com menor percentual de erro, para
verificar a capacidade de previsão do volume de corte e aterro a ser utilizado no mês
subsequente e, com isso, chegar ao valor de desembolso mensal a partir do valor
pago por metro cúbico escavado ou compactado. Dessarte, foi escolhida uma obra de
condomínio horizontal de padrão médio a alto composta por projetos e orçamentos,
além de outros dados necessários para os parâmetros de entrada. Os parâmetros de
entrada escolhidos foram localização da estaca, distância do ponto à estaca zero
daquela localização, volume de corte de projeto, volume de aterro de projeto, mês de
execução e inclinação. Enquanto isso, os parâmetros de saída foram volume de corte
e aterro executado. Os resultados das RNA’s foram comparados aos valores reais de
duas formas: na primeira, os volumes de corte e aterro previstos foram comparados
de estaca a estaca, já na segunda, os volumes de corte e aterro previstos foram
comparados por mês e por rua, não mais por estaca. A arquitetura com melhor
desempenho foi a RNA1, constituída de 02 (duas) camadas, 10 (dez) neurônios e
função de ativação Tansig-tansig. Outra rede neural mostrou resultados parecidos aos
da RNA1, porém, com 03 (três) camadas e 15 (quinze) neurônios e, portanto,
necessitando de maior esforço da máquina para chegar ao mesmo resultado médio.
Os valores de erros médios maiores que o intervalo admitido encontrados no volume
de aterro podem ser explicados pela pouca quantidade de obras, para analisar e
comparar, bem como a pouca quantidade de parâmetros de entrada disponíveis. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
Centro de Tecnologia e Recursos Naturais - CTRN |
pt_BR |
dc.publisher.initials |
UFCG |
pt_BR |
dc.subject.cnpq |
Engenharia Civil |
pt_BR |
dc.title |
Estimativa de desembolso mensal em obras de terraplanagem com uso de rede neural artificial. |
pt_BR |
dc.date.issued |
2021 |
|
dc.description.abstract |
The objective of this work is to develop, apply and analyze the results of an artificial
neural network (ANN) developed using a matrix simulation software with a package
for artificial neural networks, which is capable of performing a monthly cost estimate
in an earthworks work. in cut and fill services. The principle is to understand the
importance of each input and output parameter; organize all collected data and
normalize these data so that they vary within the range of 0 to 1. Several
architectures were studied, varying the number of layers, neurons and activation
function, with a lower percentage of error, to verify the volume prediction capacity
of cut and fill one to be used in the following month and, with this, reach the monthly
disbursement value from the amount paid per cubic meter excavated or compacted.
Thus, a medium to high standard horizontal condominium project was chosen,
consisting of projects and budgets, in addition to other data provided for the input
parameters. The chosen input parameters were stake location, distance from point to
stake zero location, design cut volume, design backfill volume, month of execution,
and large. Meanwhile, the output parameters were cut volume and landfill conducted.
The results of the ANNs were compared to the actual values in two ways: in the first,
the cut volumes and predicted landfill were compared from pile to pile, in the
second, the compared volume was separated into months and by street, no longer by
pile. The best performing architecture for RNA1, discovery of 02 (two) layers, 10
(ten) neurons and Tansig activation function. Another neural network showed results
similar to those of RNA1, however, with 03 (three) layers and 15 (fifteen) neurons
and, therefore, requiring a greater effort from the machine to reach the same average
result. The average error values greater than the admitted range found in the landfill
volume can be explained by the small amount of works to analyze and compare, as
well as the small amount of input parameters available. |
pt_BR |
dc.identifier.uri |
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/23730 |
|
dc.date.accessioned |
2022-02-24T18:48:05Z |
|
dc.date.available |
2022-02-24 |
|
dc.date.available |
2022-02-24T18:48:05Z |
|
dc.type |
Trabalho de Conclusão de Curso |
pt_BR |
dc.subject |
Movimentação de terra |
pt_BR |
dc.subject |
Terraplanagem |
pt_BR |
dc.subject |
Inteligência artificial |
pt_BR |
dc.subject |
Orçamento de obras |
pt_BR |
dc.subject |
Construção Civil |
pt_BR |
dc.subject |
Redes neurais artificiais |
pt_BR |
dc.subject |
Gestão de terraplanagem |
pt_BR |
dc.subject |
Desenvolvimento de redes neurais artificiais |
pt_BR |
dc.subject |
Earthworks |
pt_BR |
dc.subject |
Landscaping |
pt_BR |
dc.subject |
Artificial intelligence |
pt_BR |
dc.subject |
Works budget |
pt_BR |
dc.subject |
Construction |
pt_BR |
dc.subject |
Artificial neural network |
pt_BR |
dc.subject |
Earthworks management |
pt_BR |
dc.subject |
Development of artificial neural networks |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.creator |
SILVA, Bruno Sousa da. |
|
dc.publisher |
Universidade Federal de Campina Grande |
pt_BR |
dc.language |
por |
pt_BR |
dc.title.alternative |
Estimate of monthly disbursement in earthworks using artificial neural network. |
pt_BR |
dc.identifier.citation |
SILVA, Bruno Sousa da. Estimativa de desembolso mensal em obras de terraplanagem com uso de rede neural artificial. 2021. 50f. Trabalho de Conclusão de Curso (Monografia), Curso de Bacharelado em Engenharia Civil, Centro de Tecnologia e Recursos Naturais, Universidade Federal de Campina Grande - Campina Grande - Paraíba - Brasil, 2021. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/23730 |
pt_BR |