Optimizing Empirical Methods for Calculating the Bearing Capacity of Concrete Piles
Resumo
Projetar estacas de concreto que sejam seguras e de baixo custo requer métodos confiáveis para prever sua capacidade de suporte. Os métodos de projeto empírico são uma alternativa popular, como o método de Meyerhof (MH), que se adapta melhor a solos temperados, e o de Décourt-Quaresma (DQ), que é mais adequado para solos tropicais. Os coeficientes calibram empiricamente esses métodos; no entanto, frequentemente tornam-se imprecisos para casos específicos. Este trabalho visa recalibrar esses dois métodos de projeto empíricos utilizando conjuntos de dados contendo testes de carga estática, todos obtidos para solos tropicais. O Algoritmo de Lichtenberg (LA) é aplicado para encontrar coeficientes ótimos, considerando três tipos de estacas para MH e dois para DQ. O estudo testou três funções objetivo diferentes. Os novos coeficientes melhoraram o MH em relação a R2, RMSE e MAE. R2 aumentou de 0, 32 para 0, 90 para um caso de estacas escavadas, a melhoria mais notável observada ao longo do estudo. O mesmo não ocorreu para o DQ, embora o RMSE e o MAE tenham diminuído significativamente. A calibração original dos métodos pode explicar esta diferença, uma vez que este trabalho utiliza dados de solos tropicais.
Referências
Alkroosh, I. S., Bahadori, M., Nikraz, H., and Bahadori, A. (2015). Regressive approach for predicting bearing capacity of bored piles from cone penetration test data. Journal of Rock Mechanics and Geotechnical Engineering, 7(5):584–592.
Ardalan, H., Eslami, A., and Nariman-Zadeh, N. (2009). Piles shaft capacity from cpt and cptu data by polynomial neural networks and genetic algorithms. Computers and Geotechnics, 36(4):616–625.
Brendon Francisco, M., Luiz Junho Pereira, J., Augusto Vilas Boas Vasconcelos, G., Simões da Cunha Jr, S., and Ferreira Gomes, G. (2022). Multiobjective design optimization of double arrowhead auxetic model using lichtenberg algorithm based on metamodelling. Structures, 45:1199–1211.
de Souza, T. A. Z., Pereira, J. L. J., Francisco, M. B., Sotomonte, C. A. R., Ma, B. J., Gomes, G. F., and Coronado, C. J. R. (2022). Multi-objective optimization for methane, glycerol, and ethanol steam reforming using lichtenberg algorithm. International Journal of Green Energy, pages 1–18.
Décourt, L., Albiero, J., and Cintra, J. (1996). Análise e projeto de fundações profundas. Fundações: teoria e prática, 2:265–327.
Décourt, L. and Quaresma, A. R. (1978). Capacidade de carga de estacas a partir de valores de spt. In Congresso Brasileiro de Mecânica dos Solos e Engenharia de Fundações, volume 6, pages 45–53.
Francisco, M. B., Junqueira, D. M., Oliver, G. A., Pereira, J. L. J., da Cunha Jr Jr, S. S., and Gomes, G. F. (2021). Design optimizations of carbon fibre reinforced polymer isogrid lower limb prosthesis using particle swarm optimization and lichtenberg algorithm. Engineering Optimization, 53(11):1922–1945.
Kardani, N., Zhou, A., Nazem, M., and Shen, S.-L. (2020). Estimation of bearing capacity of piles in cohesionless soil using optimised machine learning approaches. Geotechnical and Geological Engineering, 38(2):2271–2291.
Kordjazi, A., Pooya Nejad, F., and Jaksa, M. (2014). Prediction of ultimate axial load-carrying capacity of piles using a support vector machine based on cpt data. Computers and Geotechnics, 55:91–102.
Lobo, B. O. (2005). Método de previsão de capacidade de carga de estacas: aplicação dos conceitos de energia do ensaio spt. Master’s thesis, Universidade Federal do Rio Grande do Sul.
Meyerhof, G. G. (1976). Bearing capacity and settlements of pile foundations. Journal of the Geotechnical Engineering Division, 102(3):197–228.
Moayedi, H. and Hayati, S. (2019). Artificial intelligence design charts for predicting friction capacity of driven pile in clay. Neural Computing and Applications, 31(11):7429–7445.
Pereira, J. L. J., Brendon, F. M., Ribeiro, R. F., Cunha, S. S., and Gomes, G. F. (2022a). Deep multiobjective design optimization of cfrp isogrid tubes using lichtenberg algorithm. Soft Computing, pages 7195–7209.
Pereira, J. L. J., Francisco, M. B., de Oliveira, L. A., Chaves, J. A. S., Jr, S. S. C., and Gomes, G. F. (2022b). Multi-objective sensor placement optimization of helicopter rotor blade based on feature selection. Mechanical Systems and Signal Processing, 180:109466.
Pereira, J. L. J., Francisco, M. B., Diniz, C. A., Oliver, G. A., Cunha, S. S., and Gomes, G. F. (2021). Lichtenberg algorithm: A novel hybrid physics-based meta-heuristic for global optimization. Expert Systems with Applications, 170:114522.
Pham, B. T., Nguyen, D. D., Bui, Q.-A. T., Nguyen, M. D., Vu, T. T., and Prakash, I. (2022). Estimation of load-bearing capacity of bored piles using machine learning models. Science of the Earth, 44(4).
Pham, T. A., Ly, H.-B., Tran, V. Q., Giap, L. V., Vu, H.-L. T., and Duong, H.-A. T. (2020). Prediction of pile axial bearing capacity using artificial neural network and random forest. Applied Sciences, 10(5).
Pham, T. A. and Tran, V. Q. (2022). Developing random forest hybridization models for estimating the axial bearing capacity of pile. PLoS ONE, 17(3).
Robert, Y. (1997). A few comments on pile design. Canadian Geotechnical Journal, 34(4):560–567.
Salgado, R. (2008). The Engineering of Foundations. McGraw-Hill.
Santos Jr., O. (1988). Previsão do comportamento carga-recalque de estacas pré-moldadas de concreto. Master’s thesis, Universidade de São Paulo, São Carlos, Brasil.
Shahin, M. A. (2010). Intelligent computing for modeling axial capacity of pile foundations. Canadian Geotechnical Journal, 47(2):230–243.
Vianna, A. P. F. (2000). Análise de provas de carga estática em estacas pré-moldadas cravadas na cidade de Curitiba e região metropolitana. PhD thesis, Universidade de São Paulo.
Yang, X.-S. (2014). Nature-Inspired Optimization Algorithms. Elsevier.