Tal como referenciado anteriormente (Capítulo 2) uma Estrutura de Engenharia Civil deve ser projectada para suportar a carga a que vai ser submetida da forma mais segura, utilizando a menor quantidade de material. As estruturas de aço têm-se revelado cada vez mais eficientes e económicas, o que contribuiu para a sua utilização crescente. No entanto a procura da melhor solução requer a utilização de perfis mais leves e esbeltos e para alcançar esse objectivo é necessário conseguir uma boa calibração das fórmulas de previsão da carga crítica e da tensão crítica, por forma a evitar a utilização de coeficientes de segurança inadequados que podem ser responsáveis por desperdícios de material ou a rotura dos elementos estruturais.
As formulações propostas para a previsão da carga crítica de vigas sujeitas a cargas concentradas apresentam erros consideráveis, devido ao grande número de parâmetros que influenciam o comportamento de uma viga deste tipo e ao número reduzido de dados experimentais que permitam efectuar uma análise paramétrica completa. Quanto ao cálculo da tensão crítica de vigas em I de inércia variável, têm sido propostos vários modelos no entanto estes apresentam algumas lacunas que fazem com que se tornem bastante conservadores para o dimensionamento deste tipo de estruturas.
Como alternativa às formulações analíticas surgem os modelos de previsão baseados em algoritmos de Aprendizagem Automática, capazes de lidarem e resolverem problemas de complexidade elevada de difícil resolução através de métodos clássicos.
5.3.1 Materiais e Métodos
As Base de Dados de suporte ao desenvolvimento dos dois casos práticos, foram construídas a partir de dados experimentais, i.e., de experiências laboratoriais desenvolvidas por diferentes equipas de investigação no primeiro caso prático [Fonseca, 1999], e por Zárate no segundo [Zárate, 2001].
O processo de DCBD, para a geração dos modelos de previsão foi desenvolvido segundo a metodologia CRISP-DM (apresentada no capítulo 3). A ferramenta de DM escolhida para o desenvolvimento dos casos de estudo foi o Clementine Data Mining System da SPSS Inc (Anexo A). Este software está naturalmente alinhado com a metodologia aplicada, apesar de esta ser independente da plataforma tecnológica em que os processos de DCBD são desenvolvidos. Refira-se o facto do software pertencer a uma das organizações envolvidas no desenvolvimento da metodologia CRISP-DM.
5.3.2 Abordagem
Para a indução dos modelos de previsão foi seguida uma abordagem (Figura 5.6) tri- etápica: (i) análise dos dados (segundo a metodologia CRISP-DM), (ii) segmentação exploratória do conjunto de dados, e (iii) criação dos modelos de previsão. As fases que integram o processo permitem a identificação de padrões ou outros relacionamentos implícitos, existentes na BD analisada.
Capítulo 5 – SCAE – Sistema de Conhecimento baseado em Data Mining
Estudo do Negócio Estudo dos Dados Preparação dos
Dados Modelação Avaliação
V F V F 1 2 3 n-1 n I 1 I 5 I 4 I 3 I 2 Saída Entrada 1 3 2 6 7 5 4 Segmentação Exploratória Modelos de Previsão BD Dados experimentais Implementação
Figura 5.6 Abordagem para o processo de geração dos modelos de previsão.
Na abordagem proposta, a etapa de modelação comporta uma fase de exploração dos dados baseada em algoritmos de segmentação, que permitiram a identificação de segmentos homogéneos, para cada um dos quais foram gerados modelos de previsão. Isto permitiu que na maior parte dos segmentos, os modelos apresentassem um desempenho superior quando comparado com o desempenho de um modelo genérico. Por exemplo para o caso de estudo 1 - Modelos de Previsão da Carga Crítica em Vigas de Aço Sujeitas a Cargas Concentradas -, o erro máximo atingido pelo modelo genérico foi de 39.32% com um desvio padrão de 8.45%, o que
comparando com os resultados alcançados após a segmentação (Tabela 5.10) comprova a validade da abordagem proposta.
Este tipo de abordagem através de segmentação tem conhecido um interesse crescente em áreas como: medicina, Customer-Relationship Management (CRM). Por exemplo, em projectos de CRM, em que se torna imperioso seguir estratégias de marketing que foquem o esforço numa relação com o consumidor do tipo 1-para-1, uma abordagem de segmentação permite agrupar os clientes através do seu perfil.
A etapa de Implementação foi realizada através da integração do modelo de previsão da tensão crítica de vigas em I de inércia variável num Sistema de Conhecimento baseado em Data Mining para a Análise da Estabilidade de Estruturas de Engenharia Civil.
5.3.3 Modelos de Previsão
O primeiro caso de estudo teve por objectivo a indução de Modelos de Previsão da Carga Crítica em Vigas de Aço sujeitas a cargas concentradas, por forma a constituírem uma alternativa às formulações existentes, uma vez que estas apresentam ainda erros de precisão consideráveis (Capítulo 2). No segundo caso de estudo, o objectivo foi a indução de Modelos de Previsão da Tensão Crítica de Vigas com Perfil em I de Inércia Variável.
As técnicas de DM surgem como alternativa a explorar, uma vez que apresentam características que permitem o estudo de problemas complexos de difícil resolução através de abordagens mais convencionais, sendo por isso cada vez mais utilizadas nas diferentes áreas da engenharia.
Os casos de estudo foram desenvolvidos segundo a metodologia apresentada, estando a mesma reflectida na forma como é apresentada a descrição do desenvolvimento de cada um deles. Os resultados alcançados permitiram confirmar a viabilidade do desenvolvimento do
Capítulo 5 – SCAE – Sistema de Conhecimento baseado em Data Mining
processo de DCBD na área da Engenharia Civil segundo a abordagem proposta, e validar a utilização de Redes Neuronais Artificiais na previsão da Carga Crítica e da Tensão Crítica.