Escolar Documentos
Profissional Documentos
Cultura Documentos
I. I NTRODUC ÃO
A estabilidade das encostas naturais tem um impacto significativo nas infra-estruturas de engenharia
civil (por exemplo, barragens de terra, estradas e edificações) que ficam perto delas. Esse problema pode
ser considerado para diferentes tipos de taludes, como taludes artificiais e naturais [1].
Os escorregamentos de taludes são fenômenos de grande complexidade e constituem sérios riscos em
áreas de encostas. Muitas variáveis estão envolvidas na avaliação da estabilidade de taludes e o cálculo
do fator de segurança requer dados geométricos, dados fı́sicos do solo e seus parâmetros de resistência,
informações sobre pressões da água e da chuva. Atualmente, a avaliação para determinar a suscetibilidade
de falhas de engenharia da estabilidade dos taludes, de forma geral, é realizada usando diferentes
técnicas computacionais, como equilı́brio limite, análise de limite, método de elementos finitos, método
de diferenças finitas e método de elementos de contorno. Devido à variabilidade do material, informações
insuficientes sobre o local e a incompleta compreensão do mecanismo de falha, é quase impossı́vel
modelar o problema de maneira exata. Pressupostos e simplificações são realizados na modelagem para
que as soluções sejam tratáveis. Contudo, a precisão dos modelos na previsão do comportamento dos
problemas depende muito das suposições e simplificações. Alternativamente, a mineração de dados tem
sido uma opção para desenvolver relações de entrada e saı́da para análise de estabilidade de taludes,
desde que se tenha uma quantidade suficientemente grande de dados [2] [3] [4].
Neste contexto, este trabalho busca realizar um levantamento bibliográfico sobre a utilização das
técnicas de mineração de dados como ferramentas alternativas no estudo e previsão da estabilidade
de taludes. Além disso, busca-se verificar quais são as técnicas mais eficientes e utilizadas na resolução
destes problemas de considevável grau de complexidade.
• Mineração de dados é o nome dado ao conjunto de técnicas que permite a extração de conhecimentos
a partir de grandes volumes de dados [7].
2
• Previsão da estabilidade de taludes usando regressão linear múltipla (MLR) e rede neural artificial
(RNA) [13].
• Previsão da estabilidade de taludes usando rede neural artificial (Estudo de caso: Noabad, mazan-
daran, iran) [14].
3
• A previsão do fator crı́tico de segurança de declives finitos homogêneos usando redes neurais e
regressões múltiplas [15]
• Aplicação de redes neurais artificiais para análise de estabilidade de taludes na prática geotécnica
[16]
• Estudo dos modelos de previsão de estabilidade de taludes com mineração de dados [2]
[16] desenvolveu um modelo de previsão para o fator de segurança dos taludes. Para isso, supôs
sete fatores que predertemina a estabilidade da inclinação: altura, ângulo de inclinação do talude, massa,
coesão, ângulo de atrito do solo, coeficiente de pressão, profundidade da rocha. Para este modelo realizou-
se a análise de 57 taludes. Após os experimentos tanto [16] quanto [14] concluiram que as redes neurais
artificiais são capazez de fornecer resultados confiáveis para a análise de estabilidade de talude, sem
a perda da confiabilidade estatı́stica e alto nı́vel de precisão da estimativa. Porém, [16] enfatiza que o
modelo proposto, representa um modelo simplificado para estimativa do fator de segurança de taludes.
D. Algoritmos Genéticos
A ideia dos algoritmos genéticos segue a teoria da evolução. Geralmente, no estágio inicial uma
população é definida de forma aleatória. Seguindo a lei do mais forte (evolução), uma nova população é
gerada com base na atual, porém, os indivı́duos passam por processos de troca genética e mutação. Este
processo continua até que populações com indivı́duos mais fortes sejam geradas ou que atinga algum
critério de parada [5]. As técnicas de computação evolutiva fornecem alternativas robustas. Essa técnica
tenta obter a melhor solução realizando otimização global. Para isso, utilizam codificação adequada para
representar possı́veis soluções para um problema e orientam a pesquisa usando operadores genéticos e
o princı́pio da ”sobrevivência do teste de adaptação”. [3] A utilização de algoritmos genéticos têm sido
amplamente aplicadas em engenharia civil e na geotecnia. Várias pesquisadores utilizaram algoritmos
genéticos para procurar superfı́cies crı́ticas de escorregamento de taludes. Porém, algoritmos genéticos são
extremamente simples e eficientes, contudo, não podem ser usados para desenvolver modelos complexos,
como equações. Portanto, a programação genética foi desenvolvida para superar essa limitação. Uma das
vantagens é que suposições e conhecimento prévio sobre a estrutura e o tamanho da solução não sejam
necessários. Além disso, essa técnica pode selecionar automaticamente as entradas do sistema para gerar
4
uma estrutura de modelo que se ajuste com precisão à resposta de entrada e saı́da do sistema e forneça
uma solução descritiva [3].
[3] desenvolveu um algoritmo evolutivo em duas etapas, combinando programação genética e al-
goritmos genétivos Para problemas de engenharia altamente não-lineares e extremamente complexos,
um algoritmo evolutivo em duas etapas, combinando programação genética e algoritmos genéticos.
Utilizando este método, foi estabelecido uma equação empı́rica para estimar o fator de segurança dos
taludes a partir dos dados de entrada. Os resultados mostraram que há uma boa concordância entre os
os fatores de segurança obtidos pelo presente método e o método equilı́bri limite (Método comumente
utilizado para determinar fator de segurança de taludes).
F. Regressão Logı́stica
A Regressão Logı́stica, também conhecida como regressão logit, é um tipo de modelo linear generali-
zado usado para estimar a probabilidade de uma resposta binária com base em uma ou mais variáveis
independentes. Ela permite estabelecer um modelo de regressão multivariado entre uma variável de saı́da
e múltiplas variáveis de entrada.
No estudo comparativo estabelecido por [11] ficou claro à incompetência da técnica de Regreção
Logistı́ca em lidar com a modelagem de relacionamento não-linear. Com isso, os resultados obtidos não
foram satisfatórios para a resolução de problemas de estabilidade de taludes, visto que são problemas
complexos e de natureza não-linear.
III. M ETODOLOGIA
Para o desenvolvimento deste trabalho realizou-se uma pesquisa bibliográfica de artigos cientı́ficos
sobre o tema supracitado. Para isso, realizou-se buscas nas seguintes bases bibliográficas: IEEE, Google
Acadêmico, Scopus e Science Direct. Durante a pesquisa foram fornecidas diversas palavras-chaves, no
qual podem-se destacar: “Slope”, “Data mining”, “Stability” e “Prediction”. Desta forma, ao encontrar
um artigo com tı́tulo dentro do tópico de pesquisa definido, realizou-se a leitura do seu resumo com
a finalidade de separar o artigo para leitura detalhada. Nesta etapa, realizou-se a leitura de resumos,
selecionando-se alguns para realizar uma leitura aprofundada. Por meio das referências de dois artigos
encontrou-se mais artigos, totalizando 11 artigos para leitura detalhada. Neste universo, foram selecio-
nados 5 artigos publicados nos últimos 5 anos e 6 publicados a mais de 5 anos. Os critérios de seleção
5
adotado para a escolha dos artigos foram os seguintes: número de citações, ano de publicação e ı́ndices
bibliométricos.
Além da leitura dos artigos, recorreu-se a livros conceituados com o objetivo de compreender conceitos
não abordados de forma clara nos artigos cientı́ficos.
Para auxiliar no processo de gerenciamento de bibliografia, obtenção de referências e documentação
de comentários utilizou-se a ferramenta Mendeley. O Mendeley ajuda o pesquisador a gerenciar, com-
partilhar e descobrir conteúdo para sua pesquisa.
Além disso, foi elaborada uma planilha em Excel com o objetivo de organizar de forma sistemática os
artigos, separando-os por técnica de mineração de dados, ano de publicação e número de citações.
R EFER ÊNCIAS
[1] D. T. Bui, H. Moayedi, M. Gör, A. Jaafari, and L. K. Foong, “Predicting slope stability failure through machine learning
paradigms,” ISPRS International Journal of Geo-Information, vol. 8, no. 9, 2019.
[2] J. Li and F. Wang, “Study on the forecasting models of slope stability under data mining,” Earth and Space 2010: Engineering,
Science, Construction, and Operations in Challenging Environments, pp. 765–776, 2010.
[3] C. X. Yang, L. G. Tham, X. T. Feng, Y. J. Wang, and P. K. Lee, “Two-stepped evolutionary algorithm and its application to
stability analysis of slopes,” Journal of Computing in Civil Engineering, vol. 18, no. 2, pp. 145–153, 2004.
[4] S. K. Das, R. K. Biswal, N. Sivakugan, and B. Das, “Classification of slopes and prediction of factor of safety using differential
evolution neural networks,” Environmental Earth Sciences, vol. 64, no. 1, pp. 201–210, 2011.
[5] C. Camilo and J. Silva, “Mineração de Dados: Conceitos, tarefas, métodos e ferramentas,” Universidade Federal de Goiás
(UFC), p. 29, 2009.
[6] S. D. C. Côrtes, R. M. Porcaro, and S. Lifschitz, “Mineração de Dados – Funcionalidades, Técnicas e Abordagens,”
PUC-Rio Informática, p. 35, 2002. [Online]. Available: ftp://ftp.inf.puc-rio.br/pub/docs/techreports/02{\ }10{\ }cortes.pdf
[7] U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledge discovery in databases,” AI Magazine,
vol. 17, no. 3, p. 37, Mar. 1996. [Online]. Available: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1230
[8] S. Weiss and N. Indurkhya, Predictive Data Mining: A Practical Guide, ser. The Morgan Kaufmann Series in Data Management
Systems. Elsevier Science, 1998. [Online]. Available: https://books.google.com.br/books?id=xzVD8C2YpnQC
[9] B. Thuraisingham, Data Mining: Technologies, Techniques, Tools, and Trends. CRC Press, 2014. [Online]. Available:
https://books.google.com.br/books?id=F0JZDwAAQBAJ
[10] J. Han and M. Kamber, Data mining : concepts and techniques. San Francisco [u.a.]: Kaufmann, 2005. [Online]. Available:
http://www.amazon.com/Data-Mining-Concepts-Techniques-Management/dp/1558604898
[11] C. Qi and X. Tang, “Slope stability prediction using integrated metaheuristic and machine learning approaches:
A comparative study,” Computers and Industrial Engineering, vol. 118, pp. 112–122, 2018. [Online]. Available:
https://doi.org/10.1016/j.cie.2018.02.028
[12] “A study of slope stability prediction using neural networks,” Geotechnical and Geological Engineering, vol. 23, no. 4, pp.
419–445, 2005.
[13] A. Chakraborty and D. Goswami, “Prediction of slope stability using multiple linear regression (MLR) and artificial neural
network (ANN),” Arabian Journal of Geosciences, vol. 10, no. 17, pp. 1–11, 2017.
[14] A. J. Choobbasti, F. Farrokhzad, and A. Barari, “Prediction of slope stability using artificial neural network (Case study:
Noabad, mazandaran, iran),” Arabian Journal of Geosciences, vol. 2, no. 4, pp. 311–319, 2009.
[15] Y. Erzin and T. Cetin, “The prediction of the critical factor of safety of homogeneous finite slopes using neural
networks and multiple regressions,” Computers and Geosciences, vol. 51, pp. 305–313, 2013. [Online]. Available:
http://dx.doi.org/10.1016/j.cageo.2012.09.003
6
[16] S. Kostic, N. Vasovic, K. Todorovic, and A. Samcovic, “Application of artificial neural networks for slope stability analysis
in geotechnical practice,” 2016 13th Symposium on Neural Networks and Applications, NEUREL 2016, 2016.