Previsão da resistência à compressão aos 28 dias em concretos convencionais

Abstract

Resumo: Este artigo científico aborda a importância da predição da resistência à compressão do concreto na construção civil e a influência de fatores como a quantidade de água, curvas granulométricas dos agregados e outros componentes na resistência. O estudo utiliza modelos de aprendizado de máquina, incluindo Random Forest, XGBoost, Redes Neurais Artificiais e o Explainable Boosting Machine, para prever a resistência do concreto. Os resultados mostram que os modelos têm um desempenho sólido, com coeficientes de determinação próximos a 0,8, indicando previsões precisas. O Erro Percentual Absoluto Médio (MAPE) variou de 10,07% a 11,79%, sugerindo previsões confiáveis. Além disso, o EBM demonstrou capacidade de interpretabilidade, identificando as principais variáveis que influenciam a resistência do concreto, como a resistência desejada (fck), finura do cimento, umidade da areia e granulometria dos agregados. O estudo destaca a importância desses modelos na indústria da construção, possibilitando previsões acertivas e compreensão das relações entre variáveis. Também sugere possíveis melhorias futuras, como a incorporação da curva granulométrica dos materiais finos e consideração da composição mineralógica das britas e areias. Em resumo, este artigo contribui para a otimização do design do concreto e tem o potencial de beneficiar a construção civil, melhorando a qualidade e eficiência das estruturas de concreto

Abstract: This scientific article addresses the importance of predicting the compressive strength of concrete in the construction industry and the influence of factors such as the water content, particle size distribution of aggregates, and other components on its strength. The study employs machine learning models, including Random Forest, XGBoost, Artificial Neural Networks, and the Explainable Boosting Machine, to forecast concrete strength. The results demonstrate that the models exhibit robust performance, with coefficients of determination close to 0.8, indicating accurate predictions. The Mean Absolute Percentage Error (MAPE) ranged from 10.07% to 11.79%, suggesting reliable forecasts. Furthermore, the Explainable Boosting Machine (EBM) displayed interpretability by identifying the key variables influencing concrete strength, such as the desired strength (fck), cement fineness, sand moisture, and aggregate gradation. The study underscores the significance of these models in the construction industry, enabling accurate predictions and understanding of the relationships between variables. It also suggests potential future improvements, such as incorporating the particle size distribution of fine materials and considering the mineralogical composition of aggregates and sands. In summary, this article contributes to the optimization of concrete design and has the potential to benefit the construction sector by enhancing the quality and efficiency of concrete structures