The challenges of concrete constitutive modeling via artificial neural networks

Abstract

Este trabalho propõe a representação das relações mecânicas do concreto a partir de uma abordagem da teoria do Aprendizado de Máquina. Este é um estudo inicial na busca da concepção de um modelo constitutivo universal. O concreto, meio parcialmente frágil, apesar de ser um material antigo e amplamente utilizado na construção civil, possui um comportamento mecânico de difícil compreensão e explicação matemática. Tal complexidade, decorrente da heterogeneidade e não-linearidade do meio, ainda motiva diversos estudos e pesquisas nos dias atuais, com a finalidade de desenvolver modelos que sejam capazes de representar, de forma genérica e eficiente, as relações entre tensões e deformações. No contexto das técnicas de aproximação de funções para problemas de regressão, os algoritmos baseados em aprendizado de máquina se destacam. A capacidade de aprender padrões baseados na experiência e de generalizar os conhecimentos adquiridos fazem dos modelos de aprendizagem ferramentas promissoras para aplicação na procura de modelos constitutivos mais representativos e gerais. Nesse estudo, utilizou-se o algoritmo de aprendizagem supervisionada conhecido como Redes Neurais Artificiais. A viabilidade dessa abordagem é verificada através da construção de um modelo constitutivo baseado nas relações de tensão-deformação de dados sintéticos, provenientes de simulações numéricas via elementos finitos planos, por meio da análise de explicabilidade das previsões do modelo e mediante a investigação de sua capacidade de generalização. O modelo constitutivo baseado em redes neurais aqui desenvolvido, se mostrou capaz de capturar o comportamento de tensão-deformação do material e de prever os estados de tensões de estruturas desconhecidas com satisfatória precisão. A prova de generalização do modelo foi realizada através da predição de estados de tensões caracterizados pelo modo misto de falha, comportamento não presente de forma direta nos dados de treinamento. O modelo se mostrou eficaz, também, na previsão de estados de tensões independentemente do tamanho da estrutura e da discretização da malha de elementos finitos usada na geração dos dados de teste.