Örgüt Yapısı

Segundo Velloso e Lopes (2011), a previsão do recalque é um dos exercícios mais difíceis da Geotecnia e os resultados dos cálculos, por mais sofisticados que sejam, devem ser encarados como uma estimativa.

Existem muitos métodos na literatura geotécnica, teórica e experimental, para prever recalques em fundações profundas. Devido à dificuldade de obtenção de amostras indeformadas para determinação de parâmetros, como Módulo de Elasticidade (E) e coeficiente de Poisson (, muitos métodos de previsão se concentraram em correlações com ensaios in situ, como a sondagem à percussão do tipo SPT (NEJAD et. al, 2009).

O fenômeno do recalque em estacas caracteriza-se como um problema complexo, não-linear, envolvendo diversas variáveis. As redes neurais artificiais são comprovadamente ferramentas poderosas para resolução deste tipo de problema. Após a realização do treinamento e da validação, a aplicação de um modelo utilizando redes neurais é simples e rápida. Dada sua capacidade de generalização e fácil aplicação, as RNA vem sem utilizadas na resolução de problemas complexos na área da engenharia, inclusive a Geotecnia.

As RNA não são uma ferramenta substitutiva das ferramentas computacionais tradicionais, elas podem ser consideradas uma ferramenta complementar. Muitos pesquisadores estão utilizando sistemas híbridos que integram RNA com sistemas especialistas ou códigos de elementos finitos, de tal forma a potencializar as vantagens de cada um dos métodos (MARTÍNEZ-CARVAJAL, 2006).

Nejad et. al (2009), Amâncio (2013) e Silveira (2014) utilizaram as RNA para previsão do comportamento de estacas quando sujeitas a carregamentos, de forma a realizar a previsão da curva carga x recalque.

Nejad et. al (2009) empregaram as redes neurais para estimar o recalque em estacas, a partir de dados do ensaio de sondagem à percussão (SPT). O banco de dados era composto por 1.013 registros de casos de medições de campo, referentes a 76 estacas isoladas executadas em diversos países (Iraque, Suécia, Estados Unidos, etc.).

O modelo considerou 16 variáveis na camada de entrada da RNA: tipo de prova de carga, material da estaca, método de execução da estaca, ponta da estaca (aberta ou fechada), rigidez axial da estaca, área da seção transversal da ponta da estaca, perímetro da estaca em contato com o solo, comprimento da estaca, comprimento da estaca embutido, os Nspt médios e

corrigidos ao longo de cinco partes do comprimento embutido da estaca (N1, N2, N3, N4, N5), o

NSPT na ponta da estaca e carga aplicada. A variável de saída é o recalque da estaca.

Dentre as diversas arquiteturas treinadas utilizando o algoritmo de retropropagação do erro, a melhor arquitetura encontrada foi a de quatro camadas ocultas com 15 neurônios na primeira camada intermediária, 13 na segunda intermediária, 5 na terceira camada intermediária e 2 na quarta intermediária (A:16-15-13-5-2-1). Nesse modelo foi obtida uma correlação entre os valores reais e os valores modelados na validação de 0,972.

Nejad et. al (2009) verificou que das variáveis de entrada utilizadas no modelo, a carga aplicada, o comprimento de embutimento da estaca e as propriedades do solo (o valor de Nspt médio) foram as que possuem efeito mais significativo sobre o recalque no seu modelo.

De acordo com os resultados obtidos, as previsões feitas pelo modelo das RNA são mais precisas do que as previsões feitas pelos métodos tradicionais Poulos e Davis (1980) apud Nejad et. al (2009), Vesic (1977) apud Nejad et. al (2009), Das (1995) apud Nejad et. al (2009), e o método não-linear t–z de Reese et. al (2006) apud Nejad et. al (2009). Na Figura 2.15 é feita a comparação entre as curvas carga x recalques reais e previstos pelos métodos analisados. A estaca analisada é do tipo escavada, com comprimento de 11,4 metros e 966 mm de diâmetro.

Mesmo Nejad et. al obtendo bons resultados, no trabalho publicado não foram disponibilizados os pesos sinápticos e bias para que seu modelo pudesse ser testado por outros pesquisadores, ou mesmo para a aplicação do modelo na prática da engenharia de fundações.

Figura 2.15 - Curvas carga aplicada x recalques reais e previstos pelo modelo RNA de Nejad et. al (2009), Poulos e Davis (1980), Vesic (1977), Das (1995), e o método não-linear t–z de Reese et. al (2006)

Fonte: Nejad et. al, 2009

Amâncio (2013) utilizou as RNA para realizar a previsão dos recalques em fundações profundas do tipo estacas hélice contínua, cravada metálica e escavada. Para modelagem foram coletadas informações dos ensaios de sondagem à percussão (SPT) e provas de cargas estáticas.

O banco de dados utilizado na modelagem apresentava 1.748 registros de casos de medição de campo referentes a 199 estacas isoladas. Foram consideradas sete variáveis na camada de entrada da RNA: tipo da estaca, comprimento da estaca, diâmetro da estaca, somatório do NSPT ao longo do fuste da estaca, o NSPT na base da estaca, estratigrafia por meio

da consideração do solo ao longo do fuste da estaca e carga aplicada na estaca. A variável de saída foi o recalque da estaca. No trabalho foram estudadas três configurações diferentes das variáveis de entrada (C1, C2 e C3) com várias arquiteturas.

O modelo que melhor representou a previsão de recalques foi o que utilizou apenas seis das sete variáveis listadas, a variável que considera o solo ao longo do fuste da estaca não foi utilizada. A arquitetura do modelo possuía três camadas ocultas com 10 neurônios na primeira camada intermediária, 6 na segunda camada intermediária e 4 na terceira camada intermediária (A6:10:6:4:1), com uma correlação na validação de 0,89.

Amâncio (2013) verificou que dentre as variáveis de entrada utilizadas, o tipo, o comprimento e o diâmetro da estaca foram as que possuem efeito mais significativo sobre o recalque em fundações profundas no seu modelo.

O modelo de Amâncio (2013) apesar de ter apresentado uma boa correlação entre os valores reais e os valores modelados, foram gerados para algumas estacas modeladas recalques negativos, conforme apresentado na Figura 2.16. Outra limitação do modelo é que não leva em consideração a estratigrafia do solo, e as respostas geradas pelo modelo recebem maior contribuição das características do elemento estrutural. Desta forma, uma das principais partes do sistema, no caso o solo, acaba sendo de menor significância.

Figura 2.16 – Resultados dos recalques obtidos na prova de carga real e através do modelo de Amâncio (2013) para a Estaca 190 do tipo escavada

Fonte: Adaptado de Amâncio, 2013

Silveira (2014) utilizou a mesma base de dados de Amâncio (2013) para realizar a modelagem da previsão de recalques utilizando as RNA. Ao conjunto de dados foram incorporados os exemplos referentes a carga igual a zero e recalque nulo. Com isto, o conjunto de Silveira (2014) ficou com 1.947 exemplos. Todas as 199 estacas utilizadas no trabalho foram executadas em território brasileiro, sendo sua localização por região distribuídas da seguinte forma: região sul (33,2%), região sudeste (38,7%), região centro-oeste (0,5%), região nordeste (7,5%) e região norte (0,5%). Algumas estacas (19,6%) não apresentavam informação quanto a sua localização.

As variáveis de entrada utilizadas em seu modelo foram: tipo de estaca, comprimento da estaca, diâmetro da estaca, somatório do NSPT ao longo do fuste, NSPT na base

da estaca, distância entre a ponta da estaca e a camada incompressível, porcentagem de argila 0 50 100 150 200 250 300 350 400 450 500 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 C ar ga (k N ) Recalque (mm) Estaca 190 Prova de Carga Amâncio (2013)

ao longo do comprimento da estaca, porcentagem de silte ao longo do comprimento da estaca, porcentagem de areia ao longo do comprimento da estaca e a carga aplicada. E a única variável de saída foi o recalque. Foram incorporadas quatro novas variáveis ao modelo proposto por Amancio (2013), são elas: a distância entre a ponta da estaca e a camada incompressível, as porcentagens de argila, silte e areia ao longo do comprimento da estaca.

A arquitetura A10:14:8:4:2:1 (arquitetura que possui 10 nós na camada de entrada, 4 camadas intermediárias somando 28 neurônios no total e 1 neurônio na camada de saída) foi a que melhor modelou os recalques em estacas para o banco de dados usado na modelagem no trabalho de Silveira (2014). A correlação entre o recalque medido e o recalque calculado na fase de validação foi de 0,94.

A Figura 2.17 mostra a curva carga x recalque para as cargas aplicadas x recalques da prova de carga estática e os recalques calculados pelo modelo proposto por Silveira (2014), pelo modelo de Amâncio (2013) e pelo modelo elasto-plástico para uma estaca, denominada estaca-teste, que não fazia parte do conjunto de treinamento e validação do modelo. Observa- se que todos os modelos geraram curvas com comportamentos bem distintos, enquanto que o modelo proposto por Silveira (2014) se portou de maneira menos rígida, o modelo de Amâncio (2013) se comportou de maneira mais rígida. O modelo proposto por Silveira (2014) foi o que chegou fisicamente mais perto do comportamento real conseguindo prever a mudança do comportamento elástico para o elastoplástico.

Figura 2.17 - Comparação entre modelos de previsão de recalque de Amâncio (2013), Silveira (2014) e modelo elastoplástico para a estaca teste

O modelo de Silveira (2014) apresentou melhores resultados que o modelo de Amâncio (2013), mas algumas estacas apresentaram comportamento como indicado na Figura 2.18. O sistema estaca-solo apresenta aumento da rigidez ao invés de uma diminuição.

Figura 2.18 - Resultados dos recalques obtidos na prova de carga real e através do modelo de Silveira (2014) para a Estaca 194 do tipo escavada

Fonte: Adaptado de Silveira, 2014

Amâncio (2013) e Silveira (2014) disponibilizaram os valores dos pesos sinápticos e bias de seus modelos propostos, permitindo prever o recalque em estacas, de maneira simples e rápida, utilizando uma planilha de cálculo.

Os resultados apresentados demonstraram que as RNA são capazes de entender o comportamento do recalque nas fundações profundas, porém novos modelos devem ser estudados de forma a melhorar o entendimento das RNA em relação aos mecanismos que influenciam os recalques, conseguindo assim melhores desempenhos.