Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/jspui/handle/123456789/13839
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorLana, Milene Sabinopt_BR
dc.contributor.advisorPereira, Tiago Martinspt_BR
dc.contributor.authorSantos, Allan Erlikhman Medeiros-
dc.date.accessioned2021-10-06T22:51:31Z-
dc.date.available2021-10-06T22:51:31Z-
dc.date.issued2021pt_BR
dc.identifier.citationSANTOS, Allan Erlikhman Medeiros. Classificação de maciços rochosos por meio de técnicas da estatística multivariada e inteligência artificial. 2021. 195 f. Tese (Doutorado em Engenharia Mineral) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2021.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/13839-
dc.descriptionPrograma de Pós-Graduação em Engenharia Mineral. Departamento de Engenharia de Minas, Escola de Minas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractA presente pesquisa tem como objetivo a proposição de novos modelos para classificação de maciços rochosos brasileiros, baseados no sistema RMR. O banco de dados utilizado possui informações dos parâmetros básicos para obtenção do sistema Rock Mass Rating (RMR). Os modelos propostos são baseados em técnicas da estatística multivariada e técnicas de inteligência artificial. A seleção das variáveis foi feita a partir da análise fatorial. Os modelos de classificação foram treinados por meio de dois tipos de aprendizagem, a supervisionada e a não supervisionada. O processo de aprendizagem se baseia na identificação de padrões no comportamento das variáveis do banco de dados, estabelecendo modelos preditivos no processo de aprendizagem supervisionada e modelos descritivos na aprendizagem não-supervisionada. Portanto, na aprendizagem supervisionada a variável classe (target) deve ser fornecida ao algoritmo, já na aprendizagem não-supervisionada o algoritmo irá indicar os grupos (clusters) com base no comportamento das variáveis, posto isso os clusters são grupos constituídos de amostras similares, com variáveis com comportamento semelhante. Nos métodos supervisionados foram utilizadas as técnicas de redes neurais artificiais, naïve Bayes, random forest e máquinas de vetores de suporte. Para o modelo por aprendizagem não supervisionada foi utilizado o algoritmo partitioning around medoids. A utilização destes métodos quantitativos reduz a subjetividade dos sistemas propostos. O resultado da análise fatorial permitiu a identificação de três fatores comuns, Fator 1, relacionado à resistência e à alteração da rocha; Fator 3, relacionado ao grau de fraturamento do maciço rochoso e Fator 2, relacionado à condição e presença de água no maciço. Assim, a partir da análise fatorial foi feita a seleção das variáveis para o sistema de classificação. Posto isso, um número menor de variáveis foi utilizado, o que difere do sistema de classificação RMR. Os modelos treinados por aprendizagem supervisionada se adequaram à solução do problema abordado, com excelente desempenho para modelos preditivos, apresentando altas taxas de acurácia, precisão e eficácia. Os valores médios de acurácia dos modelos treinados foram de 0,81; 0,89; 0,87 e 0,89 para naïve Bayes, random forest, redes neurais artificiais e máquinas de vetores de suporte, respectivamente. Estes resultados mostraram a possibilidade de definir as classes do RMR com um número menor de variáveis, e que as variáveis selecionadas são realmente os parâmetros mais importantes para determinar a qualidade do maciço rochoso. O modelo treinado pela aprendizagem não supervisionada indicou a formação de 7 grupos, rotulados a partir da V interpretação dos valores das variáveis em cada grupo em conjunto com o valor da variável Pontuação. Os grupos formados foram a Classe A com maciços com resistência alta, pouco alterado, pouco fraturado e seco; Classe B com maciços com resistência média, pouco alterado, com fraturamento médio e seco; Classe C com maciços com resistência alta, pouco alterado, com fraturamento médio e molhado; Classe D com maciços com resistência baixa, muito alterado, pouco fraturado e seco; Classe E com maciços com resistência média, alteração média, com fraturamento médio e molhado; Classe F com maciço com resistência baixa, alteração alta, pouco fraturado e molhado; por fim a Classe G com maciço com resistência baixa, alteração alta, muito fraturado e molhado. O trabalho apresenta novas abordagens para lidar com sistemas de classificação de maciços rochosos, diminuindo a subjetividade, aumentando a seletividade dos parâmetros, reduzindo a dimensionalidade de bancos de dados geotécnicos e otimizando a aplicação de sistemas de classificação. Embora a matemática das técnicas aplicadas seja complexa, os resultados são de fácil interpretação e aplicação. Assim, acredita-se na confiabilidade dos modelos preditivos propostos, além da possibilidade de otimização por meio da utilização de bases de dados mais amplas.pt_BR
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectGeotecniapt_BR
dc.subjectAprendizagem de máquinapt_BR
dc.subjectAnálise estatística multivariadapt_BR
dc.titleClassificação de maciços rochosos por meio de técnicas da estatística multivariada e inteligência artificial.pt_BR
dc.typeTesept_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 28/09/2021 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação.pt_BR
dc.contributor.refereeLana, Milene Sabinopt_BR
dc.contributor.refereeKlen, André Monteiropt_BR
dc.contributor.refereeCabral, Ivo Eyerpt_BR
dc.contributor.refereeBacellar, Luis de Almeida Pradopt_BR
dc.contributor.refereeParizzi, Maria Giovanapt_BR
dc.description.abstractenThe objective of this research is to propose new models for the classification of Brazilian rock masses. The database used is compiled with basic parameters to obtain the Rock Mass Rating system. The proposed models are based on multivariate statistical techniques and artificial intelligence techniques. The selection of variables was done with factor analysis. Classification models were trained through two types of learning, supervised and unsupervised. The learning process is based on the identification of patterns in the database variables, establishing predictive models in the supervised learning process and descriptive models in unsupervised learning. Therefore, in supervised learning, the target variable must be provided to the algorithm, while in unsupervised learning, the algorithm will indicate clusters based on the behavior of the variables, therefore, clusters are groups made up of similar samples, with variables with similar behavior. In the methods for supervised learning, the techniques of artificial neural networks, naïve Bayes, random forest and support vector machines were used. For the model of unsupervised learning, the algorithm partitioning around medoids was used. The use of these quantitative methods reduces the subjectivity of the proposed systems. The results of the factor analysis allowed the identification of three common factors. Factor 1 represents the strength and weathering of the rock. Factor 3 represents the fracturing degree of the rock mass. Finally Factor 2 represents water flow conditions. Thus, based on the factor analysis, the variables were selected for the classification system. Fewer variables are used, comparing to the RMR system. The models trained by supervised learning were adapted to the solution of the problem addressed, with excellent performance for predictive models, presenting high rates of accuracy, precision and efficiency. The average accuracy values of the trained models were 0.81; 0.89; 0.87 and 0.89 for naïve Bayes, random forest, artificial neural networks, support vector machines, respectively. These results showed the possibility of reaching the RMR classes with a smaller number of variables, and it allows showing that the selected variables are really the important parameters to determine the quality of the rock mass. The model trained by unsupervised learning indicated the formation of 7 groups, labeled based on the interpretation of the values of the variables in each group together with the value of the Score variable. The groups formed were Class A, rock masses with high strength, low weathering, low fractured and dry; Class B, rock mass with medium strength, low weathering, with medium fracturing and dry; Class C, rock mass with high strength, low weathering, with VII medium fracturing and wet; Class D, rock mass with low strength, high weathering, low fracturing and dry; Class E, rock mass with medium strength, medium weathering, with medium fracturing and wet; Class F, rock mass with low strength, high weathering, low fracturing and wet; finally the Class G, rock mass with low strength, high weathering, high fracturing and wet. The work presents a new approach to rock mass classification, decreasing subjectivity, increasing the selectivity of parameters, reducing the dimensionality of geotechnical databases and optimizing the application of classification systems. Although the mathematics of applied techniques is complex, the results are easy to interpret and apply. Thus, we believe in the reliability of the proposed predictive models, in addition to the possibility of optimization through the use of broader databases.pt_BR
Appears in Collections:PPGEM - Doutorado (Teses)

Files in This Item:
File Description SizeFormat 
TESE_ClassificaçãoMaciçosRochosos.pdf7,95 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons