COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

Análise das Relações entre o Módulo de Resiliência e as

Propriedades dos Solos Grossos à Luz das Redes Neurais
Artificiais
Helio Marcos Fernandes Viana
Faculdade de Tecnologia e Ciências, Vitória da Conquista - BA, Brasil, E-mail:
hmfviana@bol.com.br

Alexandre Benetti Parreira

Escola de Engenharia de São Carlos - Universidade de São Paulo, São Carlos - SP, Brasil, E-mail:
parreira@usp.br

Glauco Túlio Pessa Fabbri

Escola de Engenharia de São Carlos - Universidade de São Paulo, São Carlos - SP, Brasil, E-mail:
glauco@sc.usp.br

RESUMO: Alguns métodos de dimensionamento de pavimentos são baseados no módulo de

resiliência, o que torna indispensável conhecer o seu comportamento e as suas relações com outras
propriedades do solo. O principal objetivo deste trabalho é verificar, estatisticamente, o
desempenho de 7 (sete) redes neurais artificiais (RNAs) usadas na previsão do módulo de
resiliência; e também verificar se as variáveis: RCS (resistência à compressão simples), IP (índice
de plasticidade), %Arg. (porcentagem de partículas com diâmetro menor que 0,005 mm) e WOT
(umidade ótima) se relacionam com módulo de resiliência de forma consistente. Ainda, apresenta-
se o erro médio relativo (EMR) das previsões do módulo de resiliência para os solos usados no teste
das redes de forma individual, cujo objetivo final é explicar o motivo da boa ou má performance
das redes neurais para os materiais testados de forma individual. No estudo foram utilizados 39
(trinta e nove) solos grossos do interior do Estado de São Paulo, e este trabalho é fruto de uma tese
de doutorado.

PALAVRAS-CHAVE: Resiliência, Módulo de Resiliência e Redes Neurais Artificiais.

1 INTRODUÇÃO dimensionamento, que correspondem

Os métodos para o dimensionamento de
pavimentos flexíveis, como o proposto por
Motta e Medina (1991), o Guide for Design of
Pavement Structures da AASHTO (1993) e o
Guide For Mechanistic - Empirical Design of
New and Rehabilitated Pavement Structures
(NCHRP 1-37A, 2004), recomendam que os
materiais das camadas do pavimento e do
subleito sejam caracterizados mecanicamente
considerando o módulo de resiliência.
A determinação alternativa do módulo de
resiliência, através de relações com
propriedades do solo, é permitida pelo método
de dimensionamento de pavimentos da NCHRP
1-37A (2004), para os níveis 2 e 3 de
respectivamente às situações relacionadas ao
projeto de rodovias de tráfego pesado, onde os
equipamentos de ensaios, em laboratório ou em
campo, não são disponíveis; e ao projeto de
rodovias de baixo volume de tráfego. Assim
sendo, já existem na literatura diversas relações
para avaliar o módulo de resiliência, nas quais
se utilizam: o índice CBR, os limites de
consistência (LL, LP), os parâmetros de ruptura
do solo (ângulo de atrito e coesão) e o módulo
tangente inicial; Tais relações podem ser
encontradas, respectivamente, nos trabalhos de:
Helkelom e Foster (1960), Rada e Witczak
(1981), Visser, Queiroz e Hudson (1994),
Zaman, Chen e Laguros (1994) e Parreira et al.
(1998). Todavia, até então, as relações

1
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.
desenvolvidas, ou são restritivas, por não
considerarem os solos das regiões tropicais de
comportamento laterítico e não laterítico da
classificação MCT, ou são de baixa eficiência.
A AASHTO (1986) e a NCHRP 1-37A
(2004) indicam que as tensões atuantes no solo
devem ser consideradas no desenvolvimento de
uma relação com o módulo de resiliência do
solo. Tal constatação é ratificada pelos
resultados de Mota, Aranovich e Cerrati (1985),
Jorenby e Hicks (1986), Drumm, Poku e Pierce
(1990) e Bezerra Neto (2004).
Atualmente, as redes neurais artificiais
(RNAs) têm sido usadas, com frequência, para
mapear funções e estabelecer relações entre
variáveis explicativas e variáveis resposta em
diversos tipos de problemas e áreas do
conhecimento. Além disso, sabe-se que os
modelos fundamentados em redes neurais
artificiais têm demonstrado resultados
satisfatórios no campo da Engenharia Civil
(Rodgher, Fabbri e Carvalho, 1997; Shahin,
Maier e Jaksa, 2002; Freitas, 2003; Dyminski et
al., 2006).
Diante do exposto, neste trabalho foram
desenvolvidas 7 redes neurais artificiais que
relacionam as propriedades dos solos: RCS
(resistência à compressão simples), IP (índice
de plasticidade), %Arg. (porcentagem de
partículas com diâmetro menor que 0,005 mm)
e WOT, e também a tensão de confinamento (σ3)
e a tensão de desvio (σd) com o módulo de
resiliência. Ainda foi avaliado, estatisticamente,
o desempenho de 7 redes neurais usadas na
previsão do módulo de resiliência, e também foi
explicado o motivo da boa ou má performance
das redes neurais na previsão do módulo de
resiliência para os materiais testados de forma
individual.
2 MATERIAIS E MÉTODOS
2.1 O Campo de Amostragem, os Solos, os
Ensaios e o Programa
Para realização deste trabalho foram coletadas
76 amostras de solos no interior do Estado de
São Paulo, dentre as quais foram selecionadas
39 amostras de solos grossos (ou materiais com
2
mais de 50% retidos na peneira n.o 200). Assim
sendo, foram realizados ensaios de
compactação na energia modificada de Proctor,
de caracterização (granulometria, LL e LP), de
compressão simples e triaxiais cíclicos em todas
as 39 amostras de solo selecionadas para o
estudo. A quantidade de cada amostra de solo
colhida no campo pesava cerca de 90 kg. A
Figura 1 indica a posição geográfica
aproximada das 76 amostras no mapa do Estado
de São Paulo. Convém enfatizar que os solos
utilizados neste estudo são oriundos de uma
região tropical.
Figura 1. Mapa do Estado de São Paulo com indicação
aproximada dos locais de coleta.
Os corpos-de-prova dos ensaios de
compressão simples e triaxiais cíclicos
apresentavam grau de compactação (GC) de
100% ± 2% e umidade de ensaio de ± 0,50%
em torno da umidade ótima (WOT). Ainda, as
dimensões do molde usado para os corpos-de-
prova dos ensaios triaxiais cíclicos eram 71 mm
x 142 mm.
Os valores dos módulos de resiliência
utilizados neste trabalho foram obtidos através
do modelo composto da eq.(1). Assim sendo,
foram gerados para cada solo estudado 100
valores do módulo de resiliência, considerando
a variação do estado de tensão de forma
aleatória entre os valores máximos e mínimos
da norma AASHTO T307-99 para materiais de
base de pavimentos, uma vez que estavam
sendo analisados solos compactados na energia
modificada. Observa-se ainda que, para as 39
amostras estudadas, o coeficiente de
determinação médio dos modelos para o
módulo de resiliência foi R2médio = 0,93.
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.
M R = k1.σ .σ
k2
3
k3
d (1)
em que:
MR = módulo de resiliência;
k1, k2 e k3 = constantes de regressão do
modelo;
σ1 = tensão axial cíclica;
σ3 = tensão de confinamento; e
σd = σ1 - σ3 = tensão de desvio.
Para desenvolver as redes neurais artificiais
(RNAs) foi empregado o programa
EASYNNplus V6.0h (2005), que permite criar
redes neurais com diversas arquiteturas,
monitorar o erro médio de treinamento da rede
em tempo real, avaliar a importância que cada
variável explicativa tem na composição da
variável resposta e, finalmente, obter um
arquivo texto com as respostas, fornecidas pela
rede, que podem ser comparadas aos valores
dos ensaios.
2.2 Características das Redes Neurais
Utilizadas no Trabalho
As redes neurais desenvolvidas neste trabalho
foram do tipo Múltiplas Camadas (Multilayer
Perceptron - MLP) com a utilização do
algoritmo backpropagation para o treinamento
da rede.
Destaca-se que, inicialmente, através das
redes neurais, o módulo de resiliência dos solos
estudados foram relacionado com 10 (dez)
propriedades dos solos, as quais foram: % Arg.
(% de partículas com diâmetro menor que 0,005
mm), % de solo passante na # 0,075 mm
(peneira n.o 200), % de solo passante na # 0,42
mm (peneira n.o 40), % de solo passante na #
0,15 mm (peneira n.o 100), LL (limite de
liquidez), IP (índice de plasticidade), ρdmáx
(massa específica seca máxima do solo), WOT
(umidade ótima), Eo (módulo tangente inicial) e
RCS (resistência à compressão simples), e
ainda com tensão de confinamento (σ3) e tensão
de desvio (σd). A rede neural considerada ideal,
empregada para previsão do módulo de
resiliência do solo, foi obtida após um amplo
estudo seletivo efetuado em 128 redes neurais,
com base nos erros gerados pelas 128 redes
3
neurais e na eliminação de variáveis correlatas.
Ainda, para obtenção da rede ideal, considerou-
se a variação do momento, da taxa de
aprendizagem e das propriedades do solo, que
compunham as entradas das redes. Finalmente,
a rede considerada ideal, que foi utilizada para
dar continuidade ao trabalho apresentava uma
arquitetura de 6-12-12-1, momento de 0,7 e taxa
de aprendizagem de 0,7, sendo as entradas da
rede ideal: RCS (resistência à compressão
simples), IP (índice de plasticidade), %Arg.
(porcentagem de argila ou porcentagem de
partículas com diâmetro menor que 0,005 mm),
WOT (umidade ótima). σ3 (tensão de
confinamento) e tensão de desvio (σd); quanto à
saída da rede ideal, era módulo de resiliência
(MR) do solo.
A Tabela 1 mostra a influência das variáveis
de entrada da rede neural considerada ideal, que
foi utilizada para previsão do módulo de
resiliência de solos grossos, compactados na
energia modificada.
Tabela 1. Influência das variáveis de entrada da rede
neural considerada ideal para solos grossos, compactados
na energia modificada.
Entradas da RNA Importância (%)
RCS 25,33
IP 24,89
%Arg. 21,35
WOT 15,74
σ3 6,78
σd 5,92
Pode-se observar, na Tabela 1, que as
propriedades dos solos: resistência à
compressão simples (RCS), índice de
plasticidade (IP), porcentagem de argila (%Arg.
ou porcentagem de partículas com diâmetro
menor que 0,005 mm) e umidade ótima (WOT)
influenciam mais na rede neural ideal, usada na
previsão do módulo de resiliência, do que as
tensões de confinamento (σ3) e de desvio (σd).
Diante do exposto, as redes desenvolvidas na
sequência deste trabalho foram similares à rede
neural ideal, e apresentavam: momento de 0,7,
taxa de aprendizagem de 0,7, e uma arquitetura
6-12-12-1; sendo as entradas das redes: RCS
(kPa), IP (%), %Arg. (ou porcentagem de
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.
partículas com diâmetro menor que 0,005 mm),
WOT (%), σ3 (kPa) e σd (kPa), e, ainda, a saída
da rede era o MR (kPa).
2.3 Verificação das Entradas da RNA que
Influenciam no Módulo de Resiliência
Para verificar se de fato as propriedades físicas
dos solos (RCS, IP, %Arg. e WOT) e as tensões
(σ3 e σd) utilizadas como entrada na rede
considerada ideal, apresentadas na Tabela 1,
efetivamente influenciavam no módulo de
resiliência do solos, foi feito um estudo
estatístico, com base no erro médio relativo
(EMR) obtido através dos resultados de 7 redes
neurais testadas com solos não usados na
calibração (ou treinamento) das 7 redes.
Posteriormente, foi feito um outro estudo
baseado na semelhança das propriedades físicas
dos solos e no erro médio relativo, em que cada
solo testado pela rede de forma individual era
comparado com os solos utilizados na
calibração da rede, sendo que o objetivo desta
comparação era explicar a boa ou má
performance da rede neural na previsão do
módulo de resiliência.
2.4 Características dos Conjuntos de
Treinamento, Validação e Teste
No estudo, um padrão (ou dado) para uma rede
neural era formado pelos valores das variáveis
de entrada da rede neural (RCS, IP, %Arg.,
WOT, σ3 e σd), e por um valor de saída da rede
neural, que correspondia a um valor do MR.
Assim sendo, para cada solo utilizado em uma
rede neural era gerado 100 padrões distitos,
uma vez que a variação aleatória de 100 estados
de tensão no modelo permitia obter 100 valores
distintos do MR.
Quanto às características dos conjuntos de
treinamento, validação e teste utilizados no
estudo para cada uma das 7 redes neurais
desenvolvidas, tem-se que:
a) Um grupo aleatório de 32 solos (82,1% do
total de solos pesquisados), correspondendo a
3200 padrões (ou dados), foi utilizado para
treinar e validar cada uma das 7 redes neurais
de teste, sendo que os 3200 padrões foram
divididos de forma aleatória da seguinte forma:
4
80% dos dados para treinar as redes de teste e
20% dos dados para validar as redes de teste.
b) Um grupo aleatório de 7 solos (17,9% do
total de solos pesquisados), correspondendo a
700 padrões, foi utilizado para testar cada uma
das 7 redes neurais de teste, sendo que os 7
solos foram escolhidos de forma aleatória do
grupo original de 39 solos grossos.
Observa-se que no estudo foram utilizadas 7
redes neurais de teste, porque o número de
solos testados em cada rede foram 7, e também
para permitir uma análise estatística com as
redes neurais.
2.5 Características do Processo de
Aprendizagem das Redes Neurais
Cada uma das 7 RNAs (redes neurais artificiais)
de teste deste trabalho foi submetida a um
aprendizado de 7 horas (25.200 segundos), com
um erro médio de treinamento alvo de 0,01%
(0,0001), e então, era avaliado o erro médio
relativo (EMR) de previsão de cada rede de
teste com base nos dados do módulo de
resiliência do conjunto de teste. O erro médio
relativo foi calculado pela seguinte equação:
⎡⎛ M RReal − M RRNA ⎞ ⎤
⎢⎜⎜ ∑ ⎟.100⎥
⎟
⎢⎝ M RReal ⎠ ⎦⎥
EMR = ⎣ (2)
n
em que:
EMR = erro médio relativo;
MRReal = valor do módulo de resiliência
(modelo composto);
MRRNA = valor do módulo de resiliência
(previsto pela RNA); e
n = número de dados utilizados para avaliar a
RNA = 700.
Destaca-se que foi utilizado um tempo de 7
horas de aprendizado das redes, porque se
observou que, após este tempo, o erro médio de
treinamento das redes neurais estudadas,
praticamente, não sofria mais variações.
3 RESULTADOS E ANÁLISES
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.
Os resultados dos erros médios relativos (EMR)
das previsões do módulo de resiliência, para
cada uma das 7 redes neurais de teste utilizadas
neste estudo, são apresentados na Tabela 2.
Tabela 2. Desempenho das 7 redes de teste e suas
características (arquitetura, momento e taxa de
aprendizagem).
Número das amostras
Rede EMR (%)
1
utilizadas no teste
57, 63, 75, 52, 60, 66 e 76 127,46
2
3
42, 50, 57, 17, 43, 54, e 63
27, 60, 84, 24, 56, 82 e 85
296,90
29,81
4
5
50, 27, 81, 26, 28, 54 e 82
11, 44, 76, 1, 29, 66 e 79
45,02
92,27
6
7
14, 46, 80, 11, 42, 54 e 82
54, 66, 81, 27, 62, 72 e 56
22,13
30,30
Média
Desvio padrão
91,98
98,32
Coeficiente de variação 1,07
Ainda, pode-se observar, na Tabela 2, em
questão, o número de cada amostra de solo
utilizada no teste da rede, as arquiteturas, os
momentos e as taxas de aprendizagem de cada
rede, e também a média, o desvio padrão e
coeficiente de variância para as 7 redes de teste.
A princípio, estatisticamente, com base na
média do erro médio relativo da Tabela 2, as
redes neurais parecem não conseguir relacionar
as propriedades do solo (RCS, IP, % Arg. e
WOT) e as tensões (σ3 e σd ) com o módulo de
resiliência de maneira satisfatória. Contudo,
pode-se observar que os resultados dos erros
médios relativos das redes 1, 2 e 5 contribuíram
de forma significativa para o aumento da média
do erro médio relativo. Todavia, os erros
médios relativos das redes 3, 4, 6 e 7 indicam
uma ligeira capacidade das redes neurais em
prever o módulo de resiliência dos solos a partir
das propriedades dos solos (RCS, IP, %Arg. e
WOT) e das tensões (σ3 e σd ) o que está em
harmonia com a rede considerada ideal descrita
anteriormente.
Tendo em vista o fato de algumas redes
neurais (3, 4, 6 e 7) apresentarem ligeira
capacidade em prever o módulo de resiliência
através das propriedades dos solos (RCS, IP,
%Arg. e WOT) e das tensões (σ3 e σd), buscou-
se analisar a capacidade das redes neurais em
prever os módulos de resiliência de cada solo de
teste de maneira individual, e então tentar
explicar o motivo do bom ou mau desempenho
das redes nas previsões do módulo de
resiliência.
Buscando-se explicar a performance das
redes neurais usadas na previsão do módulo de
resiliência, levou-se em conta a possibilidade
do fato de uma rede apresentar no seu conjunto
de treinamento um solo com propriedades
físicas similares ao solo que foi testado pela
rede neural, pois isso poderia favorecer o
aprendizado da rede neural. Diante disso, para
Taxa de
cada uma das 7 redes de teste, realizaram-se
Arquitetura Momento
6-12-12-1 0,7
aprendizagem
0,7
diversas comparações entre os solos testados e
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
os solos que constituíam as redes de teste (ou
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
solos que faziam parte do conjunto de
6-12-12-1
6-12-12-1
0,7
0,7
0,7
0,7
treinamento ou calibração da rede).
Na realização das comparações entre os
solos de teste e os solos que constituíam o
conjunto de treinamento das redes, é importante
destacar que o critério para definir o solo do
conjunto de treinamento, que foi usado na
comparação com o solo de teste foi o da maior
semelhança entre os solos, com base nas
propriedades físicas RCS, IP, %Arg. e WOT.
Assim sendo, obrigatoriamente, o solo do
conjunto de treinamento da rede selecionado
para a comparação com o solo usado no teste da
rede deveria apresentar um desvio máximo de
teor de umidade ótima (∆WOT) de no máximo ±
0,50%, em relação ao solo de teste, e além
disso, os solos comparados deveriam apresentar
valores da resistência à compressão simples
(RCS) o mais próximo possível. Observa-se que
a resistência à compressão simples foi escolhida
como base para comparação, pois na rede
neural considerada ideal esta propriedade foi a
que apresentou a maior influência na rede
neural do módulo de resiliencia; também, os
solos comparados deveriam apresentar um
desvio de umidade ótima (∆WOT) de no máximo
± 0,50%, porque se sabe que variações de
umidade causam mudanças significativas no
módulo de resiliência (Elliot e Thornton, 1988).
Para definir os graus de semelhança entre os
solos comparados, utilizados no treinamento e
no teste das 7 redes neurais, foram estabelecidas
escalas baseadas no desvio (∆) do valor das
propriedades físicas: resistência à compressão
simples (RCS), índice de plasticidade (IP),
porcentagem de argila (%Arg. ou porcentagem
de partículas com diâmetro menor que 0,005
mm) e umidade ótima (WOT) dos solos
comparados (solo de treinamento da rede e solo
5
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.
de teste da rede). Assim sendo, os graus de
semelhança entre os solos comparados das 7
redes neurais de teste foram 4, e designados
como: muito semelhantes (MS), semelhantes
(S), quase semelhantes (QS) e não semelhantes
(NS).
A Tabela 3 mostra as escalas empregadas
com base no desvio (∆) do valor das
propriedades fisicas (RCS, IP, %Arg. e WOT),
que serviu como referência para definição dos
graus semelhança entre os solos comparados,
que foram usados no teste e no treinamento
(constituição ou calibração) das 7 redes neurais.
Tabela 3. Graus de semelhança dos solos comparados,
que foram utilizados no treinamento e no teste das redes
neurais.
Solos
Muito
Semelhantes
Quase
semelhantes semelhantes
(MS) (S) (QS)
∆RCS = ± 44 kPa ∆RCS = ± 70 kPa ∆RCS = ± 270 kPa
∆%Arg. = ± 2% ∆%Arg. = ± 4% ∆%Arg. = ± 6%
∆IP = ± 3% ∆IP = ± 6% ∆IP = ± 12%
∆W OT = ± 0,50% ∆W OT = ± 0,50% ∆W OT = ± 0,50%
A Tabela 4 mostra os resultados, em termos
de erro médio relativo (EMR), das previsões do
módulo de resiliência para cada solo testado de
forma individual. Na mesma tabela, também é
feita uma comparação, com base nos graus de
semelhança entre o solo utilizado para testar a
rede e o solo mais semelhante presente no
conjunto de treinamento (ou calibração) da
rede. Pode-se observar, na Tabela 4, que as
propriedades físicas comparadas, entre o solo
usado no teste da rede e o solo mais semelhante
usado no treinamento da rede, foram RCS, IP,
%Arg. e WOT.
As comparações feitas com base na Tabela 4,
entre os solos de teste e de treinamento muito
semelhantes (MS), as quais correspondem às 13
(treze) comparações sombreadas na Tabela 4,
apresentou uma média para o erro médio
relativo (EMR) de 26,69% na previsão do
módulo de resiliência. Este valor mostra que
existe uma tendência das propriedades RCS, IP,
%Arg. e WOT, e também das tensões de desvio
(σd) e de confinamento (σ3) se relacionarem
com o módulo de resiliência através das redes
neurais, sobretudo quando se leva em conta que
os módulos de resiliência empregados nas redes
desenvolvidas neste trabalho foram oriundos do
modelo e não diretamente dos valores dos testes
de laboratório.
Outro aspecto interessante que pode ser
verificado, com base na Tabela 4, é que os solos
de teste com IP, %Arg. e WOT muito
semelhantes (MS) e RCS quase semelhantes
(QS) em relação ao solo usado no conjunto de
treinamento, que estava sendo comparado,
apresentou uma tendência consistente para
apresentar baixos valores de EMR, pois a média
dos erros médios relativos foi de 22,55%.
Portanto, as redes neurais aprenderam a
relacionar o módulo de resiliência com as
propriedades do solo (RCS, IP, %Arg. e WOT)
mesmo quando os solos são quase semelhantes
(QS) em relação à RCS.
Os baixos valores do erro médio relativo,
Não como EMR = 7,74% para amostra 56 da rede de
semelhantes
teste 3, e como EMR = 8,89% para amostra 79
(NS)
∆RCS > ± 270 kPa
da rede de teste 5, indicam que a rede ideal de
∆%Arg. > ± 6% arquitetura 6-12-12-1 com momento de 0,7 e
∆IP > ± 12%
∆W OT = ± 0,50%
taxa de aprendizagem de 0,7 é adequada para
ser usada no estudo da previsão do módulo de
resiliência a partir das propriedades do solo
RCS, IP, %Arg. e WOT, e das tensões σd e σ3.
Ainda, é importante destacar que a média
dos erros médios relativos de previsão do
módulo de resiliência para os 10 materiais não
semelhantes (NS) da Tabela 4 é de 196,09%,
este fato indica que quando uma rede possui em
seu conjunto de treinamento apenas materiais
não semelhantes ao que está sendo testado,
então a rede tende a fazer previsões
inadequadas do módulo de resiliência.
Tabela 4. Desempenho das redes para cada solo de teste,
e comparação entre o solo de teste e o solo mais
semelhante presente no treinamento da rede.
6
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

Comparação: amostras de Amostra do

de treinamento da rede) pelo menos 1 (um)

Condição
teste e treinamento conjunto de
Número Amostra EMR RCS IP %Arg. W OT treinamento material muito semelhante (MS) ao solo que
da rede de teste
está sendo testado.
(%) (kPa) (%) (%) (%) comparada
57 505,22 QS QS MS MS 72 QS
63 275,05 MS S QS MS 79 QS

1
75
52
20,60
29,67
QS
S
QS
MS
S
MS
MS
MS
26
83
QS
S
iv) Quando uma rede neural possui, em seu
60
66
23,47
21,30
MS
QS
MS
QS
MS
S
MS
MS
54
61
MS
QS conjunto de treinamento (ou calibração), apenas
76
42
43
16,89
18,49
1657,02
MS
QS
NS
S
MS
NS
QS
MS
NS
MS
MS
MS
83
41
44
QS
QS
NS
materiais não semelhantes ao que está sendo
2
50
54
13,88
23,21
MS
MS
MS
MS
MS
MS
MS
MS
14
60
MS
MS
testado, então a rede neural tende a fazer
57
63
37,54
293,76
QS
MS
QS
S
MS
QS
MS
MS
72
79
QS
QS previsões inadequadas do módulo de resiliência.
v) As relações entre o módulo de resiliência e
17 34,38 NS MS MS MS 27 NS
27 44,18 NS MS MS MS 44 NS
60 20,92 MS MS MS MS 54 MS

3
84
24
18,17
26,36
MS
S
S
QS
MS
MS
MS
MS
79
63
S
QS
as propriedades dos solos são muito
56
82
7,74
57,30
QS
QS
MS
MS
MS
MS
MS
MS
29
1
QS
QS promissoras para os solos, principalmente
85 34,02 MS MS NS MS 11 NS
27
50
19,73
5,24
NS
MS
MS
MS
MS
MS
MS
MS
44
14
NS
MS
quando o banco de dados utilizado na
4
81
26
47,58
62,99
MS
QS
MS
QS
MS
S
MS
MS
80
75
MS
QS construção da rede neural que estabelece esta
28
54
82
110,91
14,76
53,94
MS
MS
QS
MS
MS
MS
MS
MS
NS
MS
MS
MS
61
60
11
MS
MS
NS
relação é robusto (composto de muitas
11
44
54,77
54,20
MS
QS
MS
MS
NS
S
MS
MS
85
42
NS
QS
amostras).
5
76
1
378,92
12,49
MS
QS
S
MS
S
MS
MS
MS
83
82
S
QS vi) Antes de se utilizar uma rede neural para
prever o módulo de resiliência de um
29 19,99 QS MS MS MS 56 QS
66 116,61 S S S MS 28 S
79 8,89 MS MS MS MS 83 MS
14
46
9,73
38,92
MS
S
MS
S
MS
MS
MS
MS
50
28
MS
S
determinado solo, a partir de propriedades do
6
80
11
32,75
35,04
MS
MS
MS
MS
S
NS
MS
MS
23
85
S
NS solo: RCS, IP, %Arg. e WOT, é importante
42 22,44 QS MS MS MS 41 QS
54
82
5,43
10,68
MS
QS
MS
MS
MS
MS
MS
MS
60
1
MS
QS
verificar se no conjunto de treinamento da rede
54
66
35,67
26,07
MS
S
MS
S
MS
S
MS
MS
60
28
MS
S neural existe pelo menos um solo muito
7
81
27
62
27,23
13,44
14,36
MS
NS
MS
MS
MS
QS
MS
MS
NS
MS
MS
MS
80
44
80
MS
NS
NS
semelhante (MS) ao solo que se deseja
72
56
62,24
31,23
QS
QS
QS
MS
MS
MS
MS
MS
57
29
QS
QS
determinar o módulo de resiliência.

4 CONCLUSÕES AGRADECIMENTOS

As principais conclusões obtidas deste trabalho Os mais elevados agradecimentos aos

são: professores, técnicos, funcionários e colegas da
i) As redes neurais similares à rede ideal com Escola de Engenharia de São Carlos da
arquitetura 6-12-12-1 com momento de 0,7 e Universidade de São Paulo, que contribuíram
taxa de aprendizagem de 0,7 se mostram úteis para o desenvolvimento deste trabalho.
na previsão do módulo de resiliência a partir Por fim, agradecimento ao Conselho
das propriedades do solo RCS, IP, %Arg. e Nacional de Desenvolvimento Científico e
WOT, e das tensões σd e σ3. Tecnológico (CNPq) pela bolsa de estudos.
ii) Existe uma tendência consistente das
propriedades físicas — resistência à
compressão simples (RCS); índice de REFERÊNCIAS
plasticidade (IP); porcentagem de argila
AMERICAN ASSOCIATION OF STATE HIGHWAY
(%Arg.), e umidade ótima (WOT) — se
AND TRANSPORTATION OFFICIALS. (1986)
relacionarem com o módulo de resiliência dos Guide for design of pavement structures. Washington,
solos grossos (ou arenosos), compactados na D.C.
energia modificada. AMERICAN ASSOCIATION OF STATE HIGHWAY
iii) Quando uma rede neural que relaciona o AND TRANSPORTATION OFFICIALS. (1993)
módulo de resiliência com as propriedades do Guide for design of pavement structures. Washington,
D.C.
solo: RCS, IP, %Arg. e WOT, e com as tensões AMERICAN ASSOCIATION OF STATE HIGHWAY
σd e σ3 é testada com solos não usados em sua AND TRANSPORTATION OFFICIALS. AASHTO
calibração (ou treinamento), a rede tende a T307-99. Determining the resilient modulus of soil
apresentar baixo erro médio de relativo (EMR), and aggregate materials. Washington, D.C..
Bezerra Neto, R. S. (2004) Análise comparativa de
se existir na constituição da rede (ou conjunto
pavimentos dimensionados através dos métodos

7
COBRAMSEG 2010: ENGENHARIA GEOTÉCNICA PARA O DESENVOLVIMENTO, INOVAÇÃO E SUSTENTABILIDADE. © 2010 ABMS.

enpírico do DNER e mecanístico e proposta de um Shahin, M. A.; Maier H. R.; Jaksa M. B. (2002)
catálogo simplificado de pavimentos para a região de Predicting settlement of shallow foundations using
Campo Grande (MS). Dissertação de mestrado, neural networks. Journal of Geotechnical and
Programa de Pós-Graduação em Transportes, Geoenvironmental Engineering, ASCE, Vol. 128, n.
Departamento de Engenharia Civil, Escola de 9, p. 785-793.
Engenharia de São Carlos, Universidade de São Visser, A. T.; Queiroz, C.; Hudson, W. R. (1994) A study
Paulo, São Carlos, 169p. of resilient characteristics of tropical soils for use in
Drumm, E. C.; Boateng-Poku, Y.; Pierce, J. (1990) low-volume pavement design. SYMPOSIUM ON
Estimation of subgrade resilient modulus from PAVEMENT MANAGEMENT SYSTEMS, Belo
standard tests. Journal of the Geotechnical Horizonte, Brasil. Proceedings... Belo Horizonte,
Engineering, ASCE, Vol. 116, n. 5, p. 774-789. Brasil: D.E.R. Minas Gerais, p. 1-25.
Dyminski, A. S.; Andrioni, M.; Soares, H. C.; Chaves Zaman, M.; Chen, D.; Laguros, J. (1994) Resilient
Neto, A.; Romanel, C. (2006) Modelos neurais de moduli of granular materials. Journal of
previsão de séries temporais piezométricas com Transportation Engineering, [s.n], Vol. 120, n. 6, p.
acoplamento de dados pluviométricos. Solos e 967-988.
Rochas, [S.I.], Vol. 29, n. 2, p. 189-198.
EASYNNplus V6.0h (2005) The easy way to build
neural networks. Artificial neural network computer
program.
Elliot, R. P.; Thornton, S. I. (1988) Simplification of
subgrade resilient modulus testing. Transportation
Research Record, [s.n], n. 1192, p. 1-7.
Freitas, K. M. (2003) Investigação da produção e
dispersão de poluentes do ar no ambiente urbano:
determinação empírica e modelagem em rede neural
da concentração de CO. Tese de Doutorado, Escola
de Engenharia de São Carlos, Universidade de São
Paulo, São Carlos, “Paginação irregular”.
Helkelom, W.; Foster, C. R. Dynamic testing of
pavements. (1960) Journal of the Soil Mechanics and
Foundations Divions, ASCE, Vol. 86, n. SM1, p. 1-
27.
Motta, L. M. G.; Aranovich, L. A. S.; Cerrati, J. A. P.
(1985) Comportamento resiliente de solos utilizados
em pavimentos de baixo custo. Solos e Rochas, [s.n],
Vol. 8, n. 3, p. 15-41.
Motta, L. M. G.; Medina, J. (1991) Um método de
dimensionamento de pavimentos flexíveis
desenvolvido no Brasil. RAPv, 25a, São Paulo, SP.
Anais... São Paulo, SP: ABPv, p. 1117-1206.
NATIONAL COOPERATIVE HIGHWAY RESEARCH
PROGRAM (2004). NCHRP 1-37A - Guide for
mechanistic-empirical design of new rehabilitated
pavement structures - Final Report. Transportation
Research Board. Illinois.
Parreira, A. B.; Cunto, F. J. C.; Carmo, C. T.; Rodrigues,
J. K. G. O (1998) Módulo de resiliência de alguns
materiais de pavimentação e a sua estimativa a partir
de ensaios de compressão simples. COBRAMSEG,
XI, Brasília, DF. Anais... Brasília, DF: ABMS, Vol..1,
p. 149-155.
Rada, G.; Witczak, M. W. (1981) Comprehensive
evaluation of laboratory resilient moduli results for
granular materials. Transportation Research Record,
[s.n], n. 810, p. 23-33.
Rodgher, S. F.; Fabbri, G. T. P.; Carvalho, A. C. P. L.
(1997) A utilização de redes neurais artificiais para
classificação de solos tropicais. ANPET, XI, Rio de
Janeiro, RJ. Anais... Rio de Janeiro, RJ: [s.n], Vol. 1,
p. 51-59.