Settlement prediction model for continuous flight auger, steel and bored piles using artificial neural networks
DOI:
https://doi.org/10.24849/j.geot.2016.136.02Keywords:
Piles, Neural networks, SettlementsAbstract
This work presents a method for pile settlement prediction using an artificial neural network (ANN) known as perceptron. Results from 199 SPT and static load tests carried out on continuous flight auger, steel and bored piles were used in the model development. The ANN model allows the prediction of settlements as a function of the pile type and geometry (diameter and length), the stratigraphy and characteristics of soils defined by SPT test results, and the applied load. The architecture that presented the best performance was A10:14:8:4:2:1, with a correlation coefficient of 0.94. The results were compared to those obtained in previous works and by other authors that also developed settlement prediction models using ANNs. This comparison has shown that the proposed model is able to predict settlements more accurately.
Downloads
References
Anjos, G.J.M. (2006). Estudo do Comportamento de Fundações Escavadas em Solos Tropicais. Tese de Doutorado. Publicação G.TD/033/06, Departamento de Engenharia Civil e Ambiental, Universidade de Brasília, Brasília, DF, 341p.
Amâncio, L.B. (2013). Previsão de recalques em fundações profundas utilizando redes neurais artificiais do tipo perceptron. Dissertação de Mestrado em Engenharia Civil, Universidade Federal do Ceará, Fortaleza, Brasil. 90p.
Bussab, W.O.; Morettin, P.A. (1987). Estatística Básica. Atual, 4ª ed. São Paulo, Brasil, 150p.
Cintra, J.C.A.; Aoki, N. (2010). Fundações por estacas: projeto geotécnico. Ed. Oficina de Textos. São Paulo, SP, Brasil.
Dantas Neto, S.A. (2004). Avaliação das Propriedades dos Ligantes e das Misturas Asfálticas Modificados com Borracha Granulada de Pneus Usados. Tese (Doutorado em Geotecnia), Departamento de Engenharia Civil e Ambiental, Universidade de Brasília, Brasília, 265p.
Dantas Neto, S.A.; Silveira, M.V.; Amâncio, L.B.; Anjos, G.M. (2014). Pile Settlement Modeling with Multilayer Perceptrons. Electronic Journal of Geotechnical Engineering, v. 19, pp. 4517- 4528. (http://www.ejge.com/2014/Ppr2014.426ma.pdf)
Fleming, W.G.K.; Weltman, A.J.; Randolph, M.F.; Elson, W.K. (2008). Piling Engineering. Third Edition. Taylor & Francis e-Library, 408p.
Haykin S. (2001). Redes Neurais: princípios e prática. 2a. ed. Porto Alegre: Bookman, 900p.
Poulos, G.H.; Davis, E.H. (1980). Pile Foundation Analysis and Design, Wiley and Sons, New York, USA, 397p.
Randolph, M.F.; Wroth, C. (1978). Analysis of Deformation of Vertically Loaded Piles, JGED, ASCE, 104 (GT12), pp. 1465-1488.
Rumelhart, D.E.; Hinton, G.E.; Williams, R.J. (1986). Learning Internal Representations of Back Propagation Error. Nature, v. 323, pp. 533-536.
Silveira, M.V. (2014). Modelo Neuronal para Previsão de Recalques em Estacas Hélice Contínua, Metálica, e Escavada. Dissertação de Mestrado. Programa de Pós-graduação em Engenharia Civil. Departamento de Engenharia Hidráulica e Ambiental. Universidade Federal do Ceará. Fortaleza, Brasil. 107p.
