Resumo |
O presente projeto de pesquisa tem como objetivo desenvolver uma Rede Neural Artificial (RNA) capaz de prever o comportamento não linear de ligações viga-pilar em estruturas de aço. Tradicionalmente, essas ligações são idealizadas como rotuladas ou totalmente rígidas, simplificando as análises estruturais. No entanto, essa simplificação nem sempre representa a realidade, pois a maioria das ligações transmite momentos e sofre rotações. Embora ensaios experimentais possam reproduzir fielmente esse comportamento, sua realização demanda infraestrutura complexa, alto custo e fornece dados limitados a determinadas configurações. Como alternativa, modelos numéricos baseados no Método dos Elementos Finitos (MEF) têm sido amplamente utilizados para simular o comportamento dessas ligações. Contudo, a micromodelagem detalhada necessária para esse tipo de simulação resulta em alto custo computacional, o que inviabiliza sua aplicação em análises estruturais globais. Neste contexto, propõe-se o uso de técnicas de Inteligência Artificial, especificamente RNA do tipo Multi-layer Perceptron (MLP), para criar modelos que representem o comportamento das ligações com precisão e baixo custo computacional. Para isso, serão criados modelos numéricos utilizando o software de elementos finitos Abaqus, com diferentes propriedades geométricas e de material, que servirão de base para a geração de um banco de dados robusto. A RNA será treinada com esse banco de dados, tendo como entradas os parâmetros geométricos e mecânicos e como saída o momento fletor resistente em função da rotação da ligação. Após validação, a RNA será integrada a um software de análise estrutural bidimensional, permitindo análises mais realistas e eficientes de sistemas estruturais completos. Nesta primeira etapa, será executado um plano de trabalho voltado às duas etapas iniciais do projeto: (i) a criação e validação dos modelos numéricos para simulação de ligações viga-pilar com base em resultados experimentais da literatura; e (ii) o desenvolvimento de um script em linguagem Python para automatizar a geração desses modelos. As atividades incluem revisão bibliográfica, treinamento em modelagem computacional, construção dos modelos, análise comparativa dos resultados e desenvolvimento do código automatizado, compondo a base para as próximas fases da pesquisa. |