Universidade Federal de Minas Gerais

Escola de Engenharia
Departamento de Estruturas

Ensaio sobre Elemento de Volume

Representativo (EVR) e aprendizado de máquina
por Redes Neurais Artificiais

Orientado: Júlio César Barbosa Machado

Orientador: Roque Luiz da Silva Pitangueira

Belo Horizonte
15 de novembro de 2023
Sumário

1 Introdução 2

2 Desenvolvimento 3
2.1 O concreto e suas características . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Método de Elementos Finitos e Phase-field . . . . . . . . . . . . . . . . . . 4
2.3 EVR: conceitos e desdobramentos . . . . . . . . . . . . . . . . . . . . . . . 5
2.4 O Insane® e seu ambiente integrado . . . . . . . . . . . . . . . . . . . . . 6
2.5 Representação de malhas e simulação visual . . . . . . . . . . . . . . . . . 7
2.6 Código de simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.7 Aprendizado de Máquina: o treinamento de uma IA . . . . . . . . . . . . . 10
2.8 Filtragem e refinamento das simulações para a IA . . . . . . . . . . . . . . 13

3 Conclusão 14

Referências Bibliográficas 16

1
1 Introdução
Este relatório descreve as atividades desenvolvidas durante a minha pesquisa
de iniciação científica, que teve como objetivo estudar e aplicar conceitos e técnicas re-
lacionados a materiais de construção, simulação numérica, programação e aprendizado
de máquina. Durante o período de pesquisa, foquei principalmente nos estudos sobre
o concreto - propriedades mecânicas e características -, elementos finitos, testes phase-
field, linguagem de programação Java, o método de Elemento de Volume Representativo
(EVR) e o aprendizado de máquina. O objetivo principal da IC é a construção de inúme-
ros modelos em EVR, variando as mais diversas características do material, para realizar o
treinamento de uma IA (Inteligência Artificial) que será capaz de modular representações
fiéis das propriedades do material baseado em suas caracteríticas primárias.
Inicialmente, dediquei-me ao estudo do concreto, um material de construção
amplamente utilizado em todo o mundo. Explorei suas propriedades mecânicas, bem como
as características dos diferentes tipos de concreto diante a variedade de distribuição de
agregados em sua composição. Em seguida, mergulhei no universo dos elementos finitos,
uma técnica utilizada para a análise e resolução de problemas complexos de engenharia.
Através de programas de simulação, pude compreender melhor como os elementos finitos
podem ser utilizados para modelar e analisar diferentes estruturas, permitindo simular
diferentes condições e prever o comportamento dessas estruturas em condições variáveis.
Outra técnica de estudo que me dediquei foi aos testes phase-field, que são uma
técnica de simulação que permite investigar a evolução de microestruturas em materi-
ais. Por meio dessa técnica, pude entender melhor como as microestruturas afetam as
propriedades dos materiais, permitindo, assim, simular e testar diferentes cenários.
O método de Elemento de Volume Representativo (EVR) foi outra técnica de
estudo em que me dediquei durante a minha pesquisa de iniciação científica. Trata-se de
um método utilizado para modelar materiais com microestruturas complexas, como é o
caso do concreto. O EVR divide o material em pequenos volumes representativos e utiliza
a teoria de homogeneização para obter as propriedades macroscópicas do material. Por
meio desse método, pude entender melhor como as microestruturas afetam as propriedades
do concreto, permitindo, assim, simular e testar diferentes cenários.
No âmbito da programação, a linguagem Java se mostrou essencial para o desen-
volvimento de códigos de simulação de EVR através do ambiente de desenvolvimento inte-
grado Eclipse® [1] utilizando os recursos da plataforma Insane® [3] da UFMG. Consegui
aprender bastante sobre as funções do ambiente de desenvolvimento utilizado e integrar
bastantes recursos para o Insane® no âmbito do Elemento de Volume Representativo.
Por fim, concentrei-me no estudo de aprendizado de máquina, que é uma área da
inteligência artificial que se dedica ao desenvolvimento de algoritmos capazes de aprender
e se adaptar a novos dados. Por meio do aprendizado de máquina, pude desenvolver mo-
delos que serão capazes de prever o comportamento de materiais em diferentes condições,
permitindo, assim, a realização de simulações mais precisas e eficientes.
Neste relatório, apresento as principais descobertas e aprendizados obtidos du-
rante a minha pesquisa de iniciação científica, bem como os resultados obtidos por meio
da aplicação dos conceitos e técnicas estudados.

2
2 Desenvolvimento
O desenvolvimento da iniciação científica está dividido em subseções que cor-
respondem aos temas estudados durante os meses que fiquei realizando as atividades
orientadas, em ordem cronológica de aprendizado.

2.1 O concreto e suas características

Durante o período inicial estive presente em várias reuniões com meus orienta-
dores, nessas reuniões foram apresentadas explicações importantes sobre todo o projeto,
dentre essas explicações houve um grande foco no principal material utilizado durante as
simulações: o concreto.
O concreto é um material amplamente utilizado na construção civil, sendo com-
posto por cimento, água, agregados miúdos e graúdos. Ele possui diversas propriedades,
incluindo as mecânicas, que são fundamentais para sua aplicação em estruturas.
As propriedades mecânicas do concreto são determinadas por vários fatores,
como a resistência do cimento e a quantidade e distribuição de agregados na mistura. A
resistência à compressão é uma das principais propriedades mecânicas do concreto e é
medida pela capacidade de suportar carga antes de se romper. A resistência à tração é
outra propriedade importante, que indica a capacidade do concreto em resistir a forças
de tração.
Os agregados são materiais pétreos utilizados na mistura do concreto, e podem
ser classificados em agregados miúdos e graúdos. Os agregados miúdos são aqueles com
tamanho de partículas menor ou igual a 4,8 mm, enquanto que os agregados graúdos
possuem tamanho de partículas maior do que 4,8 mm. A distribuição granulométrica dos
agregados também é um fator importante a ser considerado na mistura do concreto, uma
vez que ela afeta diretamente as propriedades mecânicas do material.
A distribuição granulométrica é definida pela porcentagem de agregados de cada
tamanho presente na mistura. Uma distribuição granulométrica bem projetada pode levar
a um concreto com maior resistência, uma vez que a distribuição adequada dos tamanhos
dos agregados permite que as partículas se encaixem melhor entre si, resultando em uma
mistura mais densa e homogênea.
Em resumo, as propriedades mecânicas do concreto são fundamentais para a sua
aplicação em estruturas. A resistência à compressão e tração, assim como a distribuição
granulométrica dos agregados, são fatores importantes a serem considerados na mistura
do concreto para garantir um material de alta qualidade e durabilidade.

3
Figura 1: Granulometria de alguns dos resíduos utilizados na fabricação do concreto. Fonte: Adaptado
de BHARDWAJ e KUMAR [6].

2.2 Método de Elementos Finitos e Phase-field

Após me dedicar a entender sobre o concreto e suas características, m e dediquei
ao estudo do MEF (Método de Elementos Finitos) e do Phease field. O MEF é uma técnica
numérica amplamente utilizada para resolver equações diferenciais parciais, enquanto o
método Phase-field é aplicado na simulação de mudanças de fase e interações interfaciais
em materiais. O entendimento desses métodos é essencial para qualquer pesquisa em
materiais, análise estrutural e otimização de processos.
Explicando um pouco mais sobre o MEF, é uma abordagem numérica que de-
sempenha um papel fundamental na análise de problemas complexos em engenharia e
ciência dos materiais. Sua essência reside na discretização de um domínio contínuo em
subdomínios menores chamados de elementos finitos. Cada elemento é representado por
funções de forma e é caracterizado por suas propriedades materiais e geométricas. Suas
aplicações são de suma importância para as análises que serão feitas mais adiantes nesse
trabalho.
Outro método de suma importância é o Phease-field. Ele é uma abordagem
avançada para modelar mudanças de fase e interações interfaciais em materiais. Diferen-
temente de abordagens tradicionais que rastreiam explicitamente as interfaces, o método
Phase-field introduz uma variável de fase contínua em todo o domínio. Essa variável evolui
ao longo do tempo e fornece uma descrição suave das interfaces, permitindo a investigação
da evolução de microestruturas.
As equações do método Phase-field descrevem a evolução da variável de fase e
suas consequências energéticas ao longo do tempo. Através da calibração adequada de
parâmetros, é possível modelar uma variedade de fenômenos, como a formação de padrões
em materiais policristalinos, a solidificação de ligas e a propagação de fraturas que, aliás,
é o que veremos logo nesse trabalho.

4
Figura 2: Discretização de um corpo contínuo pelo método dos elementos finitos. Fonte: Adaptado de
FILHO e JUNIOR [7].

2.3 EVR: conceitos e desdobramentos

Durantes essas reuniões iniciais, um dos conceitos que tive muito contato é o do
Elemento de Volume Representativo (EVR).
O Elemento de Volume Representativo (EVR) é um conceito utilizado em simu-
lações computacionais para representar o comportamento de um material em uma escala
macroscópica a partir das propriedades de suas estruturas em uma escala microscópica.
A ideia de utilizar um elemento de volume representativo teve origem em estudos
de materiais compostos no final dos anos 60 e início dos anos 70, como forma de lidar
com a complexidade da heterogeneidade desses materiais. A partir de então, o conceito
de EVR passou a ser utilizado em diversos campos da ciência e da engenharia, como
mecânica dos materiais, geomecânica, ciência dos materiais, entre outros.
A definição de um EVR depende do material e do problema que se deseja resol-
ver, mas em geral, ele é definido como um volume representativo que contém um número
suficiente de heterogeneidades, no caso do estudo os agregados do concreto, e que é grande
o suficiente para representar o comportamento médio do material em uma escala macros-
cópica.
A principal característica do EVR é que ele deve ser representativo do compor-
tamento do material em uma escala macroscópica, mesmo que seja construído a partir de
informações obtidas em uma escala microscópica. Para isso, é necessário que o EVR pos-
sua propriedades mecânicas e físicas similares às do material real, além de ter dimensões
que permitam a aplicação de condições de contorno realistas.
O EVR é uma ferramenta importante na modelagem de materiais e estruturas
complexas em simulações computacionais. Ele permite a representação de heterogenei-
dades e não-uniformidades em um material de forma mais realista, tornando possível a
previsão do comportamento do material em situações onde a abordagem homogênea não
é suficiente.

5
 O conceito de EVR foi importantíssimo para eu começar a entender melhor as
simulações que foram realizadas e todo contexto do dimensionamento e distribuição dos
elementos heterogêneos dentro do Elemento do Volume Representativo.

EVR - Sample 1- Size3.0 dmax 4.976

EVR - Sample 2- Size3.0 dmax 4.976
150 150 150

4.218 4.218
120 120 120

90 3.459 90 3.459 90

Raio (mm)

Raio (mm)
y (mm)

y (mm)

y (mm)
60 2.701 60 2.701 60

30 30 30
1.942 1.942

0 0 0
1.184 1.184
0 30 60 90 120 150 0 30 60 90 120 150 0
x (mm) x (mm)
EVR Sample EVR Sample
EVR - Sample 4- Size3.0 dmax 4.976
EVR - Sample 5- Size3.0 dmax 4.976
Figura
150 3: Dois exemplos de simulações visuais da representação
150 do EVR em relação à uma amostra de 150
concreto.
4.218 4.218
120 120 120

2.4 O Insane® e seu ambiente integrado

90 3.459 90 3.459 90
Depois de explicações teóricas sobre o estudo a ser realizado, foi me dada a
Raio (mm)

Raio (mm)
y (mm)

y (mm)

y (mm)
tarefa da instalação do Eclipse® [1], ambiente integrado responsável pelo deenvolvimento
60 2.701 60 2.701 60
do Insane® [3] e me foi explicado as características e a importância do software e seu
ambiente de desenvolvimento.
30 30 30
O Insane® é uma plataforma1.942 de simulações e análise estrutural desenvolvida
1.942

pela UFMG, que utiliza o método de elementos finitos para análise estrutural. Essa
plataforma
0 oferece uma interface gráfica amigável 0 e fácil de usar, além de uma grande 0
1.184 1.184
variedade de recursos
0 30 60
x (mm)para simulações, análises e visualizações de
90 120 150 0 30 60 dados.
x (mm)
90 120 150 0

EVR Sample EVR Sample

Uma das principais características do Insane® é a sua capacidade de realizar
análises de grandes modelos estruturais, incluindo problemas de dinâmica estrutural, aná-
lise sísmica, transferência de calor e acústica. Ele também possui recursos para análise de
fadiga, otimização estrutural e análise de impacto, entre outros.
Para o desenvolvimento do Insane®, foi utilizado o ambiente de desenvolvimento
integrado Eclipse®, que é uma ferramenta poderosa para desenvolvimento de software
em diversas linguagens, incluindo Java, linguagem essa utilizada durante a iniciação. O
Eclipse® fornece recursos avançados para edição de código, depuração e integração de
sistemas, o que tornou possível o desenvolvimento eficiente e robusto do Insane®.
O resultado do trabalho da equipe de desenvolvimento do Insane® foi uma
plataforma de análise estrutural que se tornou uma referência em todo o mundo, sendo
amplamente utilizada por engenheiros e pesquisadores em diversos setores da indústria e
da academia. A combinação da interface gráfica amigável do Insane® com a poderosa

6
engine de análise baseada em elementos finitos, juntamente com a eficiência e robustez do
Eclipse®, resultou em uma ferramenta de análise estrutural poderosa e fácil de usar.
Dentre as funcionalidades básicas do Eclipse® que utilizei de forma recorrente,
podemos citar o gerenciador de projetos, que permite a criação e organização de arquivos
e pastas dentro de um projeto; o editor de código-fonte, que possui recursos de auto-
completar, formatação automática, realce de sintaxe, além de uma ampla variedade de
opções de personalização; e o depurador, que permite a execução passo a passo do código,
facilitando a identificação de erros e problemas no programa.
Outra funcionalidade bastante útil na formulação do Insane®, proporcionada
pelo Eclipse®, é o gerenciador de versões integrado, que permite o controle e o acompa-
nhamento das alterações feitas no código-fonte através do uso de sistemas de controle de
versão, como o Git.

2.5 Representação de malhas e simulação visual

Em seguida foi me apresentado de forma mais matura o código desenvolvido por
uma parte da equipe do Insane responsável pelo estudo sobre o EVR e suas simulações.
Nesse mês fui apresentado ao Gmsh® [2] e conheci suas diversas propriedades.
Uma das principais características do Gmsh® é a sua interface intuitiva, que
permite aos usuários criar e editar malhas rapidamente. Além disso, o programa oferece di-
versas opções para a geração de malhas, incluindo malhas estruturadas e não-estruturadas,
malhas de alta qualidade e malhas adaptativas.
O Gmsh® é particularmente importante em estudos sobre o Elemento de Vo-
lume Representativo (EVR), uma vez que a precisão das simulações numéricas depende
diretamente da qualidade da malha utilizada. O programa permite a criação de malhas de
alta qualidade, com uma distribuição adequada dos elementos de volume, o que é essencial
para garantir a precisão dos resultados.
Em resumo, Gmsh® é um software essencial para simulações numéricas em di-
versas áreas da engenharia e ciência, incluindo estudos sobre o EVR. Com sua interface
intuitiva, capacidade de gerar malhas de alta qualidade e flexibilidade para exportar ma-
lhas em diversos formatos, o Gmsh® é uma ferramenta poderosa para a análise estrutural
e simulação numérica.

Figura 4: Exemplos de malhas representando os agregados do concreto geradas pelo Gmsh®

7
 Outro software que tive o prazer de conhecer e explorar sua interface é o Para-
View® [5]. Ele é um programa de simulação visual que permite a análise e visualização
de grandes conjuntos de dados, incluindo resultados de simulações numéricas. Ele é am-
plamente utilizado em diversos campos, desde estudos sobre a mecânica dos fluidos até a
análise de dados sísmicos.
O programa é capaz de processar grandes volumes de dados e gerar visualizações
de alta qualidade em 2D e 3D. Ele oferece recursos avançados para a análise de dados,
incluindo corte de seções, isolamento de regiões específicas e a aplicação de diferentes
escalas de cores para destacar áreas de interesse.
No estudo sobre o EVR, o ParaView® é uma ferramenta essencial para a visuali-
zação de simulações numéricas complexas, como a modelagem de escoamentos multifásicos
e a análise de tensões e deformações em estruturas mecânicas. Além disso, ele pode ser
utilizado para analisar a distribuição de partículas em suspensão e a caracterização da
formação de camadas sedimentares.

2.6 Código de simulação

Passados os primeiros meses iniciais, comecei a ajudar no desenvolvimento do
código responsável pela simulação do EVR do concreto.
Passados os primeiros meses iniciais, comecei a ajudar no desenvolvimento do
código responsável pela simulação do EVR do concreto. No início, as simulações passavam
através do Gmsh® que auxiliava na geração da malha e necessitava de diversos processos
até chegar na tipagem usual do ParaView® para realizar as simulações.

Simulação no Paraview

Código de alternân-
cia de .xml para .csv

’.msh’ + ’.geo’ + ’.xml-info’

Código de gera-
ção de arquivos

Arquivo ’.geo’

Gerador de Malha

No início o código ainda enfrentava problemas com simulação dos esforços e a

distribuição de agregados na malha. Distribuição essa que pode influenciar as proprie-
dades do material. Agregados maiores podem aumentar a resistência à compressão do
concreto, enquanto agregados menores podem melhorar a trabalhabilidade e a resistência
à tração. Além disso, a distribuição de tamanho pode afetar a homogeneidade e a coesão
do concreto, o que pode afetar sua durabilidade e outras propriedades mecânicas.

8
 Com o tempo o código foi sendo automatizado e a geração de malhas no Gmsh foi
implementada dentro do código no Eclipse®, mas ainda havia a necessidade da mudança
de tipagem dos arquivos, segue abaixo na Figura 5 dois exemplos de malhas geradas pelo
ParaView® e na Tabela 1 suas respectivas características.

Figura 5: A simulação da esquerda representa o EV R1 e o da direita o EV R2

Tabela 1: Características das simulações acima

Teste Tamanho do agregado Tamanho do EVR Porcentagem de agregados
EV R1 325 113.54 0.25
EV R2 350 96.60 0.21

O código foi sendo continuamente aperfeiçoado e constantemente testado, ele já

estava muito mais direto e automático, não necessitando de arquivos extras ou mudanças
de tipagens de arquivo. As curvas de distribuição estavam bem mais otimizadas e o código
bem mais completo com a adição de mais inputs para a geração de malhas. Dentre os
novos inputs, vale destacar a variação das distribuições granulométricas, que de pouco a
pouco, foram testadas para gerarem resultados satisfatórios.

Simulação no Paraview

Código principal

Durante o processo inúmeros problemas surgiram, durantes os testes as fissuras

no concreto surgiam de forma muito importância e o código aos poucos foi otimizado
para gerar rupturas mais graduais e, consequentemente, realistas. Além disso, com mai-
ores porcentagens de agregados o código sofria inúmeras interrupções que aos poucos foi
sendo corrigidas. Por fim, a mudança nos tipos de granulações sempre gerava resulta-
dos inválidos, problema esse também corrigido ao encontrar o equilíbrio entre as forças
aplicadas e o números de passos que o código gerava.

9
 Figura 6: Parte do código desenvolvido no Eclipse®

2.7 Aprendizado de Máquina: o treinamento de uma IA

Após concluídas as etapas de desenvolvimento do código, me aprofundei melhor
no principal foco do projeto estudado, o aprendizado de máquina. O objetivo da iniciação
científica é justamento treinar uma IA com diversos dados de simulações para que essa
inteligência artificial crie suas próprias simulações baseados nos diversos inputs que lhe
foi dada, obtendo resultados bem próximos aos reais.
Em razão disso foi criado um arquivo como resultado das simulações que contém
detalhado para a IA todas as características daquela simulação: distribuição, porcentagem
de agregados, tipo e quantidade de força aplicados, tamanho amostral, tamanho do EVR
em todas as direções oferecidas, dimensões dos agregados, entre outros.
Ressaltando sobre a aprendizagem de máquina, ela é um campo da ciência da
computação que permite que um programa de computador aprenda a partir de dados
sem ser explicitamente programado para fazê-lo. As redes neurais artificiais são um tipo
de algoritmo de aprendizagem de máquina que foram inspirados pelo funcionamento do
cérebro humano.
As redes neurais artificiais são compostas por várias camadas de unidades compu-
tacionais, conhecidas como neurônios. Cada neurônio recebe entradas de outros neurônios
e aplica uma função de ativação a essas entradas. O resultado dessa função de ativação é
passado para outros neurônios na camada seguinte da rede neural.
A aprendizagem em uma rede neural ocorre através do ajuste dos pesos que
conectam os neurônios. Esses pesos determinam a importância relativa de cada entrada

10
para a saída produzida pela rede neural. O processo de ajuste dos pesos é realizado
através de um algoritmo de treinamento, que utiliza dados de treinamento para modificar
os pesos e melhorar a capacidade da rede neural de generalizar para novos dados.
Na área de estruturas, as redes neurais artificiais podem ser usadas para prever o
comportamento de uma estrutura de concreto sob carga, com base em dados de entrada,
como as dimensões da estrutura, a quantidade e a disposição das armaduras, e as cargas
atuantes. Essa previsão pode ser usada para auxiliar o processo de projeto, a tomada de
decisões e a análise de riscos em estruturas.
No contexto do meu projeto de Iniciação Científica, as simulações de EVR em
concreto podem ser usadas como dados de treinamento dessa rede neural artificial. A
rede neural pode aprender a relacionar as entradas de dados das simulações de EVR com
a saída desejada, como a resistência à compressão do concreto. Essa rede neural pode
então ser usada para prever a resistência à compressão do concreto em novas situações, o
que pode ser útil para o treinamento de uma IA para realizar tarefas de classificação ou
previsão relacionadas à estruturas de concreto.
Em resumo, a aprendizagem de máquina através de redes neurais artificiais é
uma técnica poderosa que pode ser usada para prever o comportamento de estruturas de
concreto e auxiliar o processo de projeto, tomada de decisões e análise de riscos.

11
Figura 7: Idealização do neurônio artificial proposto por McCullogh e Pitts [8].

12
 2.8 Filtragem e refinamento das simulações para a IA
No último mês foi desenvolvido um código a parte utilizando a linguagem Python
na plataforma Jupyter® [4]. Esse código pega os dados gerados pelas simulações e plota
um gráfico tensão x deformação do EVR gerado, com esse código pode-se ver com mais
precisão a qualidade da simulação e filtrar quais serão utilizadas para o treinamento de
máquina.
Com isso, inúmeras simulações foram feitas para treinar a IA, simulações essas
que variavam nos mais diversos tipos a diversidade de inputs supracitados, segue abaixo
exemplos dessas simulações na Figura 8 com algumas de suas características na Tabela 2.

3.815
EVR Size = 2.5 dmax 3.815
EVR Size = 3.0 dmax 3.815
3.815
EVR Size = 2.5 dmax 3.815

3.052 3.052 3.052

3.052 3.052

2.289 2.289 2.289

2.289 2.289
xx(MPa)

xx(MPa)

xx(MPa)
xx(MPa)

xx(MPa)
1.526 1.526 1.526
1.526 1.526

0.763 0.763 0.763

0.763 0.763

0.000 0.000 0.000

0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0
xx (%) 0.000 xx (%) 0.000
0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000
Envelope Median Mean Envelope xx Median
(%) Mean
3.815
EVR Size = 4.0 dmax 3.815
EVR Size =Median
Envelope 4.5 dmax Mean 3.815
x EVR Size = 3.5 dmax 3.815
EVR Size = 4.0 dmax 3.815
3.815

3.052 3.052 3.052

3.052 3.052 3.052

2.289 2.289 2.289

2.289 2.289
xx(MPa) (MPa)

xx(MPa)

xx(MPa)
2.289
xx(MPa)

xx(MPa)
xx

1.526 1.526 1.526

1.526 1.526 1.526

0.763 0.763 0.763

0.763 0.763 0.763

0.000 0.000 0.000

0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0
xx (%) xx (%)
0.000 0.000 0.000
8 0.04063 0.05079 0.00000 0.01016 Envelope
0.02032 Median
0.03048 Mean
0.04063 0.05079 0.00000 0.01016 Envelope
0.02032 0.03048
Median 0.04063
Mean 0.05079 0.00000
xx (%) xx (%)
Mean Envelope Median Mean Envelope Median Mean
x
3.815
EVR Size = 5.0 dmax

3.052

2.289
13
xx(MPa)

1.526
 0.000 0.000
48 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079
xx (%) xx (%)
Mean Envelope Median Mean Envelope Median Mean
ax
3.815
EVR Size = 4.5 dmax 3.815
EVR Size = 5.0 dmax

3.052 3.052

2.289 2.289
xx(MPa)

xx(MPa)
1.526 1.526

0.763 0.763

0.000 0.000
48 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079 0.00000 0.01016 0.02032 0.03048 0.04063 0.05079
xx (%) xx (%)
Mean Envelope Median Mean Envelope Median Mean

Figura 8: Gráficos tensão x deformação das simulações de concreto em EVR.

Tabela 2: Características das simulações

Teste Tamanho da amostra Tamanho do EVR Porcentagem de agregados
EV R Size = 2.5 dmax 150 25 0.38
EV R Size = 3.0 dmax 150 30 0.37
EV R Size = 3.5 dmax 150 35 0.40
EV R Size = 4.0 dmax 150 40 0.36
EV R Size = 4.5 dmax 150 45 0.36
EV R Size = 5.0 dmax 150 50 0.36

3 Conclusão
Ao longo deste relatório de iniciação científica, foi possível explorar diversas
áreas do conhecimento relacionadas a materiais de construção, simulação numérica, pro-
gramação e aprendizado de máquina. O objetivo principal da pesquisa foi a construção
de modelos em EVR para o treinamento de uma inteligência artificial capaz de prever o
comportamento de materiais em diferentes condições.
Para atingir esse objetivo, foram estudados diversos conceitos e técnicas. O
concreto, um material amplamente utilizado na construção civil, foi um dos principais
objetos de estudo, tendo sido exploradas suas propriedades mecânicas e características em
relação aos diferentes tipos de distribuição de agregados em sua composição. A análise
por elementos finitos permitiu modelar e analisar diferentes estruturas, enquanto os testes
phase-field permitiram investigar a evolução de microestruturas em materiais.
O método de Elemento de Volume Representativo (EVR) foi outro tema im-
portante abordado durante a pesquisa. Essa técnica foi utilizada para modelar materiais
com microestruturas complexas, como é o caso do concreto. O EVR divide o material em
pequenos volumes representativos e utiliza a teoria de homogeneização para obter as pro-
priedades macroscópicas do material. Por meio desse método, pôde-se entender melhor

14
como as microestruturas afetam as propriedades do concreto e simular diferentes cenários.
No âmbito da programação, a linguagem Java se mostrou essencial para o de-
senvolvimento de códigos de simulação de EVR, utilizando recursos da plataforma Insane
da UFMG. Através do ambiente de desenvolvimento integrado Eclipse, foram integrados
diversos recursos para o Insane no âmbito do Elemento de Volume Representativo.
Por fim, foi dedicado um importante esforço no estudo de aprendizado de má-
quina, que é uma área da inteligência artificial que se dedica ao desenvolvimento de
algoritmos capazes de aprender e se adaptar a novos dados. Por meio do aprendizado de
máquina, pôde-se desenvolver modelos que serão capazes de prever o comportamento de
materiais em diferentes condições, permitindo a realização de simulações mais precisas e
eficientes.
Em suma, os resultados obtidos nessa pesquisa de iniciação científica mostraram
a importância de abordar a interdisciplinaridade entre diferentes áreas do conhecimento
para atingir objetivos complexos. A aplicação de técnicas de simulação numérica, combi-
nada com a programação e o aprendizado de máquina, permitiu avançar significativamente
na compreensão das propriedades dos materiais de construção e na realização de simula-
ções mais precisas e eficientes, com potencial para auxiliar no desenvolvimento de novos
materiais e estruturas mais seguras e eficientes.

15
Referências Bibliográficas
[1] Eclipse IDE. Disponível em: https://eclipseide.org/.

[2] Gmsh, open source 3D finite element mesh generator. Disponível em: https://gmsh.
info/.

[3] Insane - Interactive Structural Analysis Environment. Disponível em: https://www.

insane.dees.ufmg.br/.

[4] Jupyter - free software, open standards, and web services for interactive computing
across all programming languages. Disponível em: https://jupyter.org/.

[5] ParaView, the world’s leading open source post-processing visualization engine.
Disponível em: https://www.paraview.org/.

[6] BHARDWAJ, B.; KUMAR, P. Waste foundry sand in concrete: A review.

Construction and Building Materials, 2017.

[7] JUNIOR, Claudio Rodrigues; FILHO, William Manjud Maluf. Estudo

matemático dos elementos finitos utilizados em cálculo estrutural. Disponível
em: <https://fei.edu.br/sites/sicfei/2019/mecanica/SICFEI_2019_paper_
158.pdf>.

[8] MCCULLOCH, Warren S.; PITTS, W. A logical calculus of the ideas immanent
in nervous activity. The bulletin of mathematical biophysics, 1943.

16