Este trabalho consiste na realização de uma análise comparativa entre duas metodologias de avaliação funcional de pavimentos flexíveis, as quais foram executadas ao longo de um trecho da BR-116 no Estado do Ceará. Os métodos utilizados baseiam-se na execução de um inventário de patologias existentes na superfície da rodovia, com o objetivo de calcular índices que atribuem ao pavimento conceitos de degradação, são eles: o Índice de Gravidade Global (IGG) e o Índice do Estado da Superfície (IES). Enquanto o IGG é obtido mediante a classificação e contagem das ocorrências e a medição das flechas nas trilhas de roda, em superfícies de avaliação, o IES é obtido por meio de um Levantamento Visual Contínuo (LVC), em toda a extensão do trecho. Ao comparar os resultados obtidos para os dois índices, considerando segmentos aproximados, verificou-se divergência de conceitos em várias seções. Através do IES foi atribuída ao pavimento uma pior condição de degradação. Enquanto o IGG considerou 48% da extensão avaliada em estado Regular, 47% em estado Ruim e somente 5% em estado Péssimo; o IES considerou 51,6% em estado Ruim, 48,3% em estado Péssimo e apenas 0,1 em estado Regular. Esse fato pode estar relacionado à maior subjetividade do método LVC.
RESUMO A determinação da condutividade hidráulica em solos não saturados é essencial ao realizar análises de fluxo transiente nesses meios porosos. No entanto, a execução de ensaios de laboratório e de campo para a determinação dessa propriedade hidráulica não é prática corrente no âmbito da geotecnia, por se tratar de procedimentos demorados e dispendiosos. As redes neurais artificiais (RNA) têm sido bastante empregadas em Mecânica dos Solos, permitindo a estimativa de uma forma fácil e simples de fenômenos complexos e multivariados. Desse modo, este artigo tem como objetivo apresentar um modelo de estimativa da condutividade hidráulica em solos não saturados desenvolvido a partir de um tipo de RNA conhecido como perceptron multicamadas (MLP). As variáveis de entrada do modelo são: índice de vazios inicial, teor de umidade gravimétrico inicial, percentuais de areia, silte e argila, índice de plasticidade, coeficiente de permeabilidade saturado e sucção matricial. Durante a modelagem, um total de 275 exemplos foram utilizados, dos quais 85% foram empregados na fase de treinamento, e 15% na fase de teste. O modelo proposto possui uma arquitetura A: 8-4-2-1 e apresentou coeficiente de correlação de 0,97 após 500 mil iterações em ambas as fases de treinamento e de teste. Os resultados do modelo se ajustaram satisfatoriamente aos dados experimentais utilizados nas fases de treinamento e de teste, e a rede neural proposta foi capaz de representar a influência das variáveis de entrada no comportamento hidráulico de diferentes tipos de solo.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.