Modelo de alerta de escorregamentos deflagrados por chuvas usando redes neurais artificiais

• Main Author: Montoya Botero, Eduardo
• Other Authors: Garcia Aritizabal, Edwin Fabian
• Language: Portuguese
• Published: 2014
• Subjects: Deslizamento (Geologia); Precipitação (Meteorologia); Redes neurais (Computação)
• Online Access: http://repositorio.unb.br/handle/10482/15166

Dissertação (mestrado)—Universidade de Brasília, Departamento de Engenharia Civil e Ambiental, 2013. === Submitted by Alaíde Gonçalves dos Santos ([e-mail]) on 2014-01-15T14:27:56Z No. of bitstreams: 1 2013_EduardoMontoyaBotero.pdf: 5681828 bytes, checksum: 4562a43ac661d06eecb2cde2def0302d (MD5) === Approved for entry into archive by Guimaraes Jacqueline([e-mail]) on 2014-02-13T14:12:53Z (GMT) No. of bitstreams: 1 2013_EduardoMontoyaBotero.pdf: 5681828 bytes, checksum: 4562a43ac661d06eecb2cde2def0302d (MD5) === Made available in DSpace on 2014-02-13T14:12:53Z (GMT). No. of bitstreams: 1 2013_EduardoMontoyaBotero.pdf: 5681828 bytes, checksum: 4562a43ac661d06eecb2cde2def0302d (MD5) === Na presente pesquisa, validou-se a capacidade de uma ferramenta computacional conhecida como Redes Neurais Artificiais para prever escorregamentos deflagrados por chuva em encostas naturais. O modelo neuronal foi treinado, validado e verificado numa encosta montanhosa tropical localizada na cidade de Medellín, Colômbia. A construção do banco de dados, composto por 180 exemplos, consistiu na obtenção de nove declividades representativas e vinte chuvas típicas do local de estudo, caraterizadas pela sua duração e pelo seu período de retorno. Foram combinadas as nove declividades com as vinte precipitações e, assim, obtido o perfil de poropressões em um código de Elementos Finitos, para conseguir a curva de fator de segurança versus declividade num corte horizontal em cada um dos casos analisados. Para a obtenção da resistência ao cisalhamento, foi utilizada a envoltória parabólica proposta por Lade (2010). Uma vez conhecida a curva do fator de segurança, foi feita uma regressão potencial na qual se observou que esta pode ser descrita por dois parâmetros. O primeiro parâmetro varia com a declividade e o segundo é um valor que pode ser representado por seu valor médio, uma vez que segue distribuição normal. Assim, as entradas para a rede neuronal são a declividade e a precipitação e a saída é o parâmetro variável da curva de fator de segurança. Verificou-se a capacidade que as Redes Neurais têm de aprender com informação característica do problema estudado e dar uma resposta, com um erro mínimo, para qualquer outra condição, generalizando o problema e permitindo aplicar a ferramenta em um local com condições similares. _______________________________________________________________________________________ ABSTRACT === In this research it has been validated the ability of a computational tool known as Artificial Neural Networks to predict landslides triggered by rain on natural slopes. The neuronal model was trained, validated and verified for a tropical hillside in the city of Medellin - Colombia. The construction of the database, composed by 180 samples, consisted in obtaining nine representative slopes and twenty typical rains of the study site, characterized by their duration and return period. There have been combined data of nine slopes and twenty rainfalls, thereby obtaining the fluid pressure profile in a Finite Element code, in order to get the curve of safety factor versus slope in an horizontal cut in each of the analyzed cases. To obtain shear strength values for the simulations, there has been used the parabolic envelope proposed by Lade (2010). Once the safety factor curve is known, an potential regression was made and it has been observed that this can be described by two parameters. The first parameter varies with the slope and the second is a value which may be represented by its average value as it follows a normal distribution. Thus, the input data to the neural network are the slope and the precipitation and the output is the variable parameter curve of safety factor. It has been verified the ability of the neural networks to learn specific information of the studied problem and give an answer, with minimum error, for any other condition, generalizing the problem and allowing the application of the tool in a location with similar conditions.