Este trabalho apresenta um modelo constitutivo baseado em redes neurais artificiais do tipo Multilayer Perceptron (MLP) para a previsão do comportamento mecânico de areias reforçadas com fibras poliméricas submetidas a ensaios triaxiais drenados. A estratégia adotada combina pré-treinamento com dados sintéticos gerados pelo modelo constitutivo de Machado et al. (2002, 2024), seguido de ajuste fino (fine-tuning) com dados experimentais de ensaios triaxiais. A rede neural, composta por uma camada de entrada com 4 variáveis, três camadas ocultas com 256, 128 e 64 neurônios, e uma camada de saída com 3 variáveis (arquitetura 4-256-128-64-3), recebe como entrada a tensão de confinamento, o teor e comprimento da fibra e a deformação axial, prevendo diretamente a tensão desviadora, a tensão média efetiva e a deformação volumétrica. Os resultados demonstram que o modelo proposto é capaz de prever curvas tensão-deformação completas de ensaios nunca vistos durante o treinamento, atingindo coeficientes de determinação globais de 0,988 para a tensão desviadora, 0,995 para a tensão média efetiva e 0,920 para a deformação volumétrica. O ganho proporcionado pelo ajuste fino é evidenciado pela melhoria expressiva nas métricas em relação ao modelo apenas pré-treinado, validando a estratégia de transferência de aprendizado.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160