Uma abordagem alternativa para obtenção da classificação de solos da AASHTO usando redes neurais artificiais

Abstract

A prospecção e análise preliminar de solos para identificar a sua tendência de comportamento como subleito através da classificação da AASHTO, gera custos iniciais altos aos projetos rodoviários, os quais, muitas vezes, oneram o seu valor final, tendo em vista que o custo da geotecnia em projetos rodoviários é estimado em 30% na média, no âmbito do Ceará. Uma forma de otimizar a identificação preliminar do comportamento do material seria muito positiva para área rodoviária. Assim, o objetivo deste trabalho é desenvolver um modelo de previsão da classificação da AASHTO de solos, por meio de Redes Neurais Artificiais (RNA) do tipo Perceptron de Múltiplas Camadas (MLP). Para tanto, utilizou-se como variáveis explicativas os dados da classificação tátil-visual de solos, a qual possibilita verificar de forma expedita a granulometria e a cor do material. Assim, elaborou-se um banco de dados geotécnico com 1790 amostras extraídas de projetos rodoviários já executados no estado do Ceará. O modelo proposto apresentou uma taxa de acerto de 94,5%, na média das estimativas para a classificação da AASHTO e um erro da ordem de 0,04, considerando o quadrado médio dos erros (MSE).The soil survey and laboratory tests to analyze the soil general rating as subgrade of roads using the AASHTO classification, usually have a high financial cost for roads projects, in Ceará state the cost of geotechnics services for pavement design is estimated at 30%. An alternative way to identify preliminarily a soil’s qualities rapidly just with field soil analysis would be positive to paving. The aims of this paper are an artificial neural network framework that processes qualitative field test data to prediction AASHTO soil classification. The data of the Visual-Manual classification of soils, which makes it possible to verify preliminary the particle size and color of the material, were used as explanatory variables. Thus, was created a database with 1790 soil samples, which were extracted from pre-existing projects, provided by National Department of Transportation Infrastructure and Department of Transportation of Ceará state. The proposed model presented an accuracy rate of 94.5%, in the average of the estimates for the AASHTO classification, and an error of the order of 0.04, considered the mean square of errors (MSE).