SLOPE STABILITY THROUGH PREDICTABILITY USING MACHINE LEARNING ON SYNTHETIC DATA
O estudo da estabilidade de taludes beneficia a sociedade em diversas vertentes, seja no âmbito de infraestrutura rodoviária, encostas urbanas ou até mesmo taludes artificiais. Diversas metodologias podem ser utilizadas para se analisar a estabilidade de um talude, usualmente utiliza-se ferramentas computacionais de elementos finitos para tal análise para casos de estudo desde simplórios a complexos. A previsibilidade da estabilidade de taludes por meio de um banco de dados utilizando a metodologia do Machine Learning é uma alternativa de análise inicial que promove um entendimento antecipado acerca das necessidades que a estrutura demanda. Neste estudo tal metodologia foi utilizada em casos de estudo pré-definidos sintéticos a fim de se obter condições de previsibilidade da estabilidade de um talude definido seu solo constituinte e a geometria do talude. Os resultados mostram-se eficazes uma vez que a qualidade de ajuste é de 0,95 para o modelo de Regressão Linear e 0,94 para o modelo de Regressão Floresta Aleatória. Dessarte, pode-se averiguar que o uso de Machine learning em Python neste tipo de estudo ajuda em processo de tomadas de decisão, bem como tem eficácia em pré-dimensionamentos para futuros projetos.
SLOPE STABILITY THROUGH PREDICTABILITY USING MACHINE LEARNING ON SYNTHETIC DATA
-
DOI: 10.22533/at.ed.4112321074
-
Palavras-chave: Estabilidade de taludes; Inteligência artificial; Previsibilidade; Programação
-
Keywords: Slope stability; Machine Learning; predictability; programming.
-
Abstract:
The study of slope stability benefits the society in several aspects, whether in the context of road infrastructure, urban slopes or even artificial slopes. Several methodologies can be used to analyze the stability of a slope, usually finite element computational tools are used for such analysis from simple to complex study cases. The predictability of slope stability through a database using Machine Learning methodology is an alternative of initial analysis that promotes an early understanding of the needs in synthetic pre-defined study cases in order to obtain predictable conditions for the stability of a slope, defining its constituent soil and slope geometry. The results are effective since the goodness of fit is 0.95 for Linear Regression Model and 0.94 for Random Forest Regression Model. Thus, it can be verified that the use of Machine Learning in this type of study helps in the decision-making process, as well as being effective in pre-dimensioning for future projects.
- Tallys Celso Mineiro
- Carlos Rodrigues Pontes
