Na área da geotecnia, especialmente no ramo de pavimentação, reconhece-se a importância de estimar e determinar adequadamente os parâmetros dos solos. Nesse contexto, a aplicação de técnicas de inteligência artificial (IA) tem se mostrado uma ferramenta fundamental, uma vez que, por meio de métodos preditivos, é possível realizar estudos preliminares voltados à avaliação de alternativas de projeto e de seus respectivos parâmetros. O objetivo deste trabalho é predizer o MR (módulo de resiliência) de diferentes solos da classificação MCT (Miniatura, Compactado, Tropical), considerando as condições da variação de umidade pós compactação dos materiais. Diante disso, optou-se pela utilização da IA para estimar esse parâmetro, tendo em vista que a quantidade de experimentos disponíveis é insuficiente para a obtenção de médias representativas e de intervalos de confiança adequados, que assegurem maior precisão e confiabilidade no dimensionamento das camadas do pavimento. Ressalta-se que, com o emprego da inteligência artificial, torna-se possível a realização de um número praticamente ilimitado de simulações, ampliando significativamente o potencial de análise. A aplicação de técnicas de IA, por meio de métodos de aprendizado de máquina, possibilita a estimativa de valores a partir de variáveis de entrada, permitindo, assim, a previsão do módulo de resiliência com base em um banco de dados constituído por resultados experimentais de solos brasileiros. Esse banco de dados contempla todos os tipos de solos classificados segundo o sistema MCT, o que permite a previsão do módulo de resiliência para qualquer solo enquadrado nessa classificação. Atualmente, o banco contém mais de 3.000 registros, distribuídos em diferentes categorias. Cabe ressaltar que, em função da correlação entre algumas variáveis, o número de categorias consideradas foi reduzido, visando à obtenção de um modelo mais otimizado e preciso. As técnicas de previsão empregadas neste estudo incluem as Redes Neurais Artificiais (ANN). Para a avaliação do melhor otimizador da ANN, definiu-se o número de épocas em 200, analisando-se o coeficiente de determinação (R²) obtido. O otimizador que apresentou melhor desempenho foi o ADAM (Adaptive Moment Estimation), com taxa de aprendizado de 0,0005 e R² = 0,97. Com esse desempenho, o valor previsto de MR foi de 54,45 MPa, enquanto o valor correspondente na base de dados, para as mesmas variáveis de entrada, foi de 57,83 MPa, resultando em um coeficiente de variação relativo de 5,84% e um erro absoluto de 3,38 MPa.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160