PARTIE III : PRESENTATION DE SNEP
II. A CTIVITE ET ORGANISATION
Algumas sugestões para trabalhos futuros relacionados ao emprego de RNA para o desenvolvimento e aplicação de modelos de previsão de coeficiente de atrito em pistas de pouso e decolagem, podem ser destacadas, a saber:
a) Desenvolver modelo de previsão de coeficiente de atrito para a seção de 6 m do eixo da pista de pouso e decolagem;
b) Analisar o emprego de Redes Neurais Artificiais para o desenvolvimento de modelos de previsão de coeficiente de atrito em outros aeródromos do país e estudar a possibilidade de um modelo amplo para mais de um aeródromo em uma ou mais regiões do país;
c) Verificar a utilização de outras variáveis de entrada, tais como macrotextura por medição contínua, no desempenho do modelo de previsão de coeficiente de atrito; d) Melhorar o modelo de previsão de coeficiente de atrito atual com banco de dados
mais robusto;
e) Comparar os resultados do modelo de previsão de coeficiente de atrito com medições em campo.
REFERÊNCIAS
ABIODUN, O. I. t. State-of-the-art in artificial neural network applications: A survey. Heliyon, v. 2, 2018. ISSN 03611981.
AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. INSTRUÇÃO SUPLEMENTAR – IS No 153.205-001. Brasília, DF, 2016.
AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Classificação dos tipos de aquaplanagem ou hidroplanagem. 2018. Chuvas - Agência Nacional de Aviação Civil. Disponível em: <https://www.anac.gov.br/assuntos/setor-regulado/profissionais-da-aviacao-civil/ meteorologia-aeronautica/condicoes-meteorologicas-adversas-para-o-voo/chuvas-fortes# classificacao>. Acesso em: 10 set. 2019.
AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Regulamento Brasileiro da Aviação Civil (RBAC) no 153 Emenda no 04: Aeródromos - operação, manutenção e resposta à emergência. Brasília, DF, 2019a. 114 p.
AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Regulamento Brasileiro da Aviação Civil (RBAC) no154 Emenda no05: Projeto de aeródromos. Brasília, DF, 2019b. 255 p.
AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Consulta Interativa – Indicadores do Mercado de Transporte Aéreo. 2019c. Consulta do Ranking de Aeroportos: Apresenta os aeroportos brasileiros ordenados por sua representatividade no indicador escolhido. Disponível em: <https://www.anac.gov.br/assuntos/dados-e-estatisticas/mercado-de-transporte-aereo/ consulta-interativa/demanda-e-oferta-ranking-de-aeroportos>. Acesso em: 17 fev. 2020. AGÊNCIA NACIONAL DE AVIAÇÃO CIVIL. Anuário do Transporte Aéreo 2019. Brasília, DF, 2020. 173 p.
ANDRESEN, A.; WAMBOLD, J. C. Friction fundamentals, concepts and methodology. Montreal, 1999.
ANUPAM, K. et al. Influence of temperature on tire-pavement friction analyses. Transportation Research Record, v. 2369, p. 114–124, 2013. ISSN 03611981.
APS, M. Classificação da aderência pneu-pavimento pelo índice combinado IFI – International Friction Index para revestimentos asfálticos. 2006. 179 f. Tese (Doutorado em Engenharia) — Escola Politécnica, Universidade de São Paulo, São Paulo, 2006.
BECKLEY, M. E. Pavement deterioration modeling using historical roughness data. 2016. 121 f. Dissertação (Master of Science) — Arizona State University, Tempe, 2016. BERNUCCI, L. B. et al. Pavimentação asfáltica - Formação Básica para Engenheiros. Rio de Janeiro: Abeda, 2008. 504 p.
BEZERRA FILHO, C. I. F.; OLIVEIRA, F. H. L. Análise da correlação entre a macrotextura e o coeficiente de atrito em pavimentos aeroportuários. In: XXVII Congresso de Pesquisa e Ensino em Transportes. Belém: [s.n.], 2013. p. 11.
BISHOP, C. M. Pattern Recognition and Machine Learning. New York, NY: Springer, 2006. 738 p.
BOCANEGRA, C. W. R. Procedimentos para tornar mais efetivo o uso das Redes Neurais Artificiais em planejamento de transportes. 2002. 97 f. Dissertação (Mestrado em Engenharia Civil) — Escola de Engenharia de São Carlos, Departamento de Transportes, Universidade de São Paulo, São Carlos, 2002.
BOSSCHE, J. V. et al. Scikit-learn - Neural Network: Multilayer Perceptron Regressor. c2007–2019. Disponível em: <https://scikit-learn.org/stable/modules/generated/sklearn.neural_ network.MLPRegressor.html#sklearn.neural_network.MLPRegressor>. Acesso em: 01 ago. 2019.
BOSURGI, G.; TRIFIRÒ, F. A model based on artificial neural networks and genetic algorithms for pavement maintenance management. International Journal of Pavement Engineering, Taylor & Francis, v. 6, n. 3, p. 201–209, 2005. Disponível em: <https://doi.org/10.1080/10298430500195432>.
CELESTE, A. B.; OLIVEIRA, F. H. L. de. Study of retroanalysis of asphaltic pavements resilience modules with the use of articial neural networks. Transportes, v. 27, n. 4, p. 123–133, 2019. ISSN 2237-1346.
CEREZO, V.; DO, M. T.; KANE, M. Comparison of skid resistance evolution models. In: Seventh International Conference on Maintenance and Rehabilitation of Pavements and Technological Control. Auckland, New Zealand: [s.n.], 2012. p. 10.
CHELLIAH, T. et al. Developing a Design Policy to Improve Pavement Surface Characteristics. 2002. 1–19 p.
COSTA, S. L.; CASTELO BRANCO, V. T. F.; FREITAS, E. F. Avaliação da aderência pneu-pavimento para diferentes tipos de pavimentos utilizando o International Friction Index (IFI). In: XXXI Congresso da Associação Nacional de Pesquisa e Ensino em transporte (ANPET). Recife: [s.n.], 2017. p. 1–12. ISBN 978-85-87893-32-8.
COUCHINHO, R. P. S. Medição do coeficiente de atrito da superfície de pavimentos: estudo do equipamento Grip Tester. 2011. 97 f. Dissertação (Mestrado em Engenharia Civil) — Instituto Superior de Engenharia de Lisboa, Lisboa, 2011.
COUTINHO NETO, B. Redes Neurais Artificiais como procedimento para retroanálise de pavimentos flexíveis. 2000. 119 f. Dissertação (Mestrado em Engenharia Civil) — Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2000.
DOMITROVIC, J. et al. Application of an artificial neural network in pavement management system. Technical Gazette, Tehniˇcki vjesnik, v. 25, n. Supplement 2, p. 466–473, 2018. Disponível em: <https://doi.org/10.17559/TV-20150608121810>.
FEDERAL AVIATION ADMINISTRATION (FAA). Airport Pavement Management Program (PMP). Washington, DC, 2014. Advisory Circular - AC 150/5380-7B.
FINDLAY IRVINE. GripTester MK2 - Airports. c2019. FINDLAY IRVINE - product data. c2020. Disponível em: <http://www.findlayirvine.com/downloads_admin/skid_resistance_ downloads/griptester_mk2/airports/Complete%20Airport%20Friction%20Data%20Sheet. pdf>. Acesso em: 10 set. 2019.
FLIGHT SAFETY FOUNDATION - APPROACH-AND-LANDING ACCIDENT REDUCTION. FSF ALAR Briefing Note 8.5 - Wet or Contaminated Runways. 2000. 179-184 p. Disponível em: <https://flightsafety.org/files/alar_bn8-5-wetrwy.pdf>.
FLINTSCH, G. W.; ZANIEWSKI, J. P.; DELTON, J. Artificial neural network for selecting pavement rehabilitation projects. Transportation Research Record, v. 1524, n. 1, p. 185–193, 1996. Disponível em: <https://doi.org/10.1177/361198196152400128>.
FORTMANN-ROE, S. Understanding the Bias-Variance Tradeoff. 2012. Disponível em: <http://scott.fortmann-roe.com/docs/BiasVariance.html>. Acesso em: 09 nov. 2019.
FWA, T. F.; CHAN, W. T.; LIM, C. T. Decision framework for pavement friction management of airport runways. Journal of Transportation Engineering, v. 123, n. 6, p. 429–435, 1997. ISSN 0733-947XJ97/0006-0429-0435.
G. Yang et al. Convolutional neural network-based friction model using pavement texture data. Journal of Computing in Civil Engineering, v. 32, n. 6, p. 04018052, 2018. Disponível em: <https://ascelibrary.org/doi/abs/10.1061/%28ASCE%29CP.1943-5487.0000797>.
GÉRON, A. Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems. Sebastopol, CA: O’Reilly Media, 2017. ISBN 978-1491962299.
HAAS, R.; HUDSON, W. R.; FALLS, L. C. PAVEMENT ASSET MANAGEMENT. Beverly, MA: Wiley-Scrivener, 2015. ISBN 978-1-119-03870-2.
HAAS, R.; HUDSON, W. R.; ZANIEWSKI, J. P. MODERN PAVEMENT MANAGEMENT. Malabar, FL: Krieger Pub. Co., 1994. ISBN 0-89464-588-9.
HAYKIN, S. Neural Networks and Learning Machines. Third edition. Upper Saddle River, NJ: Pearson Education, 2009.
HOSSAIN, M. I.; GOPISETTI, L. S. P.; MIAH, M. S. International Roughness Index Prediction of Flexible Pavements Using Neural Networks. Journal of Transportation Engineering, Part B: Pavements, v. 145, n. 1, p. 1–10, 2019.
J. S. Chen et al. Effect of rubber deposits on runway pavement friction characteristics. Transportation Research Record, v. 2068, n. 1, p. 119–125, 2008. Disponível em: <https://doi.org/10.3141/2068-13>.
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015. ISSN 14764687.
LUO, Y. Effect of Pavement Temperature on Frictional Properties of Hot-Mix-Asphalt Pavement Surfaces at the Virginia Smart Road. 2003. Dissertação (Master of Science In Civil and Environmental Engineering) — Faculty of Virginia Polytechnic Institute, State University, Blacksburg, 2003.
MASAD, E. et al. Predicting asphalt mixture skid resistance based on aggregate
characteristics. Austin, 2009. 226 p. Disponível em: <http://tti.tamu.edu/documents/0-5627-1. pdf>.
MATSUBARA, E. T. O Algoritmo de Aprendizado Semi-Supervisionado CO-TRAINING e sua Aplicação na Rotulação de Documentos. 2004. 83 f. Dissertação (Mestrado em Ciências de Computação e Matemática Computacional) — Instituto de Ciências Matemáticas e de Computação - ICMC-USP, São Carlos, 2004.
McCULLOCH, W. S.; PITTS, W. A logical calculus of ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, v. 5, p. 127–147, 1943.
McDANIEL, R. S., et al. Long Term Performance of a Porous Friction Course. West Lafayette, 2010.
McKINNEY, W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd. ed. [S.l.]: O’Reilly Media, Inc., 2017. ISBN 1491957662.
MITCHELL, T. M. Machine learning. New York, NY: McGraw-Hill Science/Engineering/Math, 1997. 432 p. ISSN 03600300. ISBN 0070428077.
MOVENTOR. Skiddometer BV 11. c2019. Imagem Skiddometer BV 11. c2019. Disponível em: <http://moventor.com/wp-content/uploads/photo-gallery/_MG_5066.jpg>. Acesso em: 10 set. 2019.
NAJAFI, S.; FLINTSCH, G. W.; KHALEGHIAN, S. Pavement friction management – artificial neural network approach. International Journal of Pavement Engineering, Taylor & Francis, v. 20, n. 2, p. 125–135, 2019. Disponível em: <https://doi.org/10.1080/10298436.2016. 1264221>.
OLIVEIRA, F. H. L. Proposição de estratégias de manutenção de pavimentos aeroportuários baseadas na macrotextura e no atrito: estudo de caso do Aeroporto Internacional de Fortaleza. 2009. 203 f. Dissertação (Mestrado em Engenharia de
Transportes) — Centro de Tecnologia, Programa de Mestrado em Engenharia de Transportes, Universidade Federal do Ceará, Fortaleza, 2009.
OLIVEIRA, P. V. S. Estudo preliminar do comportamento da capacidade de atrito nas pistas de pouso e decolagem do Aeroporto Pinto Martins. 2017. 57f. Monografia (Graduação em Engenharia Civil) – Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2017. Disponível em: <http://www.repositorio.ufc.br/bitstream/riufc/29491/3/2017_tcc_pvsoliveira. pdf>. Acesso em: 25 set. 2019.
PEDREGOSA, F. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011.
PINHEIRO NETO, J. C.; OLIVEIRA, F. H. L.; AGUIAR, M. F. P. Análise da correlação linear de parâmetros de aderência em pavimentos aeroportuários: estudo de caso do Aeroporto Internacional Pinto Martins. In: 44a RAPv – Reunião Anual de Pavimentação e 18o ENACOR – Encontro Nacional de Conservação Rodoviária. Foz do Iguaçu, PR: [s.n.], 2015.
RAMOS, S. P. et al. Verificação da correlação entre os parâmetros de aderência nas pistas de pousos e decolagens dos aeroportos de Fortaleza/CE, Juazeiro do Norte/CE e Petrolina/PE. In: Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2015. Fortaleza: [s.n.], 2015.
RIBEIRO, A. J. A. Um método para localização e estimação das características geotécnicas dos solos da Região Metropolitana de Fortaleza-CE para fins de pavimentação.
2013. 141 f. Dissertação (Mestrado em Engenharia de Transportes) — Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Transportes, Universidade Federal do Ceará, Fortaleza, 2013.
RIBEIRO, A. J. A. Um modelo de previsão do módulo de resiliência dos solos no estado do Ceará para fins de pavimentação. 2016. 151 f. Tese (Doutorado em Engenharia de Transportes) — Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Transportes, Universidade Federal do Ceará, Fortaleza, 2016.
RIBEIRO, A. J. A.; SILVA, C. A. U. da; BARROSO, S. H. de A. Metodologia de baixo custo para mapeamento geotécnico aplicado à pavimentação. Transportes, v. 26, n. 2, p. 84–100, 2018. ISSN 2237-1346.
RODRIGUES FILHO, O. S. Características de aderência de revestimentos asfálticos aeroportuários - estudo de caso do Aeroporto Internacional de São Paulo/Congonhas.
2006. 263 f. Dissertação (Mestrado em Engenharia) — Escola Politécnica, Universidade de São Paulo, São Paulo, 2006.
RODRIGUEZ, O. D. G. Evaluation of pavement surface friction seasonal variations. 2009. 66 f. Dissertação (Master of Science in Civil and Environmental Engineering) — Virginia Polytechnic Institute and State University, Blacksburg, 2009.
ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, v. 65, n. 6, p. 386–408, 1958. ISSN 0033-295X. Disponível em: <http://dx.doi.org/10.1037/h0042519>.
SANTOS, A. et al. Degradation prediction model for friction in highways. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). [S.l.]: Springer, Cham, 2014. v. 8581 LNCS, p. 606–614. ISBN 9783319091495. ISSN 16113349.
SANTOS, E. L. Análise Histórica de Medição de Atrito das Pistas do Aeroporto Santos Dumont - RJ. 2004. 123 f. São José dos Campos: [s.n.], 2004. Trabalho de Conclusão de Curso.
SANTOS, L. C. B. et al. Aeródromos - Sumário Estatístico. Brasília, DF, 2018. 118 p. Centro de Investigação e Prevenção de Acidentes Aeronáuticos.
SHAHIN, M. A.; MAIER, H. R.; JAKSA, M. B. Data division for developing neural networks applied to geotechnical engineering. Journal of Computing in Civil Engineering, v. 18, n. 2, p. 105–114, 2004. Disponível em: <https://doi.org/10.1061/(ASCE)0887-3801(2004)18:2(105)>. SHAHIN, M. Y. Pavement Management for Airports, Roads, and Parking Lots. Second. New York: Springer Science+Business Media, 2005. 591 p. ISBN 9780387234649.
SILVA, L. P. S. Aderência pneu-pavimento em revestimentos asfálticos aeroportuários. 2008. 134 f. Dissertação (Mestrado em Geotecnia) — Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, Universidade de Brasília, Brasília, 2008.
SINGH, S. Understanding the Bias-Variance Tradeoff. 2018. Disponível em:
<https://towardsdatascience.com/understanding-the-bias-variance-tradeoff-165e6942b229>. Acesso em: 09 nov. 2019.
SKERRITT, W. H. Aggregate type and traffic volume as controlling factors in bituminous pavement friction. Transportation Research Record, n. 1418, p. 22–29, 1993. ISSN 03611981.
SOUZA, W. M. de; RIBEIRO, A. J. A.; SILVA, C. A. U. da. Use of ann and visual-manual classification for prediction of soil properties for paving purposes. International Journal of Pavement Engineering, Taylor & Francis, v. 0, n. 0, p. 1–9, 2020.
SUSANNA, A. et al. Deterioration trends of asphalt pavement friction and roughness from medium-term surveys on major Italian roads. International Journal of Pavement Research and Technology, Chinese Society of Pavement Engineering, v. 10, n. 5, p. 421–433, 2017. ISSN 1996-6814. Disponível em: <http://dx.doi.org/10.1016/j.ijprt.2017.07.002>.
THUBE, D. T. Artificial Neural Network (ANN) based pavement deterioration models for low volume roads in India. International Journal of Pavement Research and Technology, v. 5, n. 2, p. 115–120, 2012. ISSN 19966814.
WAMBOLD, J. et al. International PIARC experiment to compare and harmonize texture and skid resistance measurements. 1995.
WONG, J. Y. Theory of ground vehicles. New York: John Wiley & Sons, 2001.
YAO, L. et al. Establishment of Prediction Models of Asphalt Pavement Performance based on a Novel Data Calibration Method and Neural Network. Transportation Research Record, n. 1, p. 66–82, 2019.
APÊNDICE A – MODELO M2
Parte da programação utilizada para testar o Modelo M2 escrita em linguagem de programação Python.
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler, StandardScaler, MaxAbsScaler from sklearn.neural_network import MLPRegressor
from sklearn.metrics import mean_squared_error, mean_absolute_error import time
In [ ]: df = pd.read_csv('Todos.csv', sep=';')
df = df.drop(['Operacoes_medicoes', 'Temperatura_ensaio','Operacoes_anual', 'Niv el de atrito'], axis=1)
X = df.loc[:, ['Distancia_medicao', 'Lado', 'Remocao_anterior', 'Idade_pavimento _meses', 'Umidade_AISWEB', 'Operacoes_remocoes']]
Y = df['Atrito']
Dividindo os conjuntos de dados entre 90% para Treinamento e 10%
para Teste
In [ ]: X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.1, random_ state=0)
Pré-processando os dados de entrada utilizando o pré-processamento
Standard Scaler
: valor normalizado; : valor a ser normalizado; : média;
: desvio padrão.
Fonte: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html (https://scikit-learn.org /stable/modules/generated/sklearn.preprocessing.StandardScaler.html)
In [ ]: scaler_x = StandardScaler()
scaler_x.fit(X_train) # Ajustando os dados para a média e desvio padrão do conju nto de teste
X_train = scaler_x.transform(X_train) # Aplicando a transformação no conjunto de treinamento
X_test = scaler_x.transform(X_test) # O conjunto de teste é pré-processado de ac ordo com o conjunto de treinamento
quantidade_arq_testadas = 0 mae_teste_min = 1
for i in np.arange(1, 101):
for k in ['logistic', 'tanh', 'relu']: for m in np.arange(0, 11): reg = MLPRegressor( hidden_layer_sizes=(i,), activation=k, solver='lbfgs', alpha=0.1, random_state=m, max_iter=600) reg.fit(X_train, y_train)
armazenando_score_teste = reg.score(X_test, y_test)
armazenando_score_treinamento = reg.score(X_train, y_train) quantidade_arq_testadas += 1 ultimo_neuronio_camada_1 = i ultima_funcao_ativacao = k ultimo_random_state = m
mae_teste = mean_absolute_error(y_test, reg.predict(X_test))
print('Cam 1: %.i' %i, 'F. Ativ.: %s' %k, 'Rnd St: %.i' %m,'Arq_test adas: %.0i' %quantidade_arq_testadas, 'R² treino: %.2f' %(armazenando_score_trei namento*100), 'R² teste: %.2f' %(armazenando_score_teste*100), 'mae_teste: %.3f' %mae_teste)
if mae_teste < mae_teste_min: # Esse if é utilizado para salvar apen as o melhor valor de Escore no teste e assim otimizar o algoritmo
mae_teste_min = mae_teste
mse_teste = mean_squared_error(y_test, reg.predict(X_test)) armazenando_score_teste_max = armazenando_score_teste neuronios_camada_1 = i funcao_ativacao = k random_state = m fim = time.time()
tempo_total = fim - inicio
print('mae_teste_min: %.3f\n' %mae_teste_min, 'armazenando_score_teste_max: %.2f ' %(armazenando_score_teste_max*100))
Apresentando os melhores resultados
In [ ]: print('Taxa de acerto do teste: %.2f' %(armazenando_score_teste_max*100)) print('Erro Quadrático Médio do teste: %.3f' %mse_teste)
print('Erro Médio Absoluto do teste: %.3f' %mae_teste_min)
mae_teste_min, mse_teste, neuronios_camada_1, random_state, tempo_total], fmt='%.4f', newline='\n',
header='#armazenando_score_teste_max #mae_teste_min #mse_teste #neuronios_ca mada_1 #random_state #tempo_total',
comments='funcao_ativacao %s\n' %funcao_ativacao)
quantidade_arq_testadas = 0 mae_teste_min = 1
for j in np.arange(1, 101): for i in np.arange(1, 101):
for k in ['logistic', 'tanh', 'relu']: for m in np.arange(0, 11): reg = MLPRegressor( hidden_layer_sizes=(i,j), activation=k, solver='lbfgs', alpha=0.1, random_state=m, max_iter=600) reg.fit(X_train, y_train)
armazenando_score_teste = reg.score(X_test, y_test)
armazenando_score_treinamento = reg.score(X_train, y_train) quantidade_arq_testadas += 1 ultimo_neuronio_camada_1 = i ultimo_neuronio_camada_2 = j ultima_funcao_ativacao = k ultimo_random_state = m
mae_teste = mean_absolute_error(y_test, reg.predict(X_test))
print('Cam 1: %.i' %i, 'Cam 2: %.i' %j, 'F. Ativ.: %s' %k, 'Rnd St: %.i' %m,'Arq_testadas: %.0i' %quantidade_arq_testadas, 'R² treino: %.2f' %(a rmazenando_score_treinamento*100), 'R² teste: %.2f' %(armazenando_score_teste*10 0), 'mae_teste: %.3f' %mae_teste)
if mae_teste < mae_teste_min: # Esse if é utilizado para salvar apenas o melhor valor de Escore no teste e assim otimizar o algoritmo
mae_teste_min = mae_teste
mse_teste = mean_squared_error(y_test, reg.predict(X_test)) armazenando_score_teste_max = armazenando_score_teste neuronios_camada_1 = i neuronios_camada_2 = j funcao_ativacao = k random_state = m fim = time.time()
tempo_total = fim - inicio
print('mae_teste_min: %.3f\n' %mae_teste_min, 'armazenando_score_teste_max: %.2f ' %(armazenando_score_teste_max*100))
Apresentando os melhores resultados
In [ ]: print('Taxa de acerto do teste: %.2f' %(armazenando_score_teste_max*100)) print('Erro Quadrático Médio do teste: %.3f' %mse_teste)