Mostrar registro simples

dc.contributor.advisorPeroni, Rodrigo de Lemospt_BR
dc.contributor.authorZeni, Marilia Abrãopt_BR
dc.date.accessioned2021-12-09T04:34:36Zpt_BR
dc.date.issued2021pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/232702pt_BR
dc.description.abstractCom a popularização das aeronaves remotamente pilotadas, a fotogrametria de baixo custo e alta precisão tornou-se uma ferramenta útil para mapear e obter informações em áreas de difícil acesso. A técnica tem sido aplicada em geomecânica por possibilitar a obtenção de informações de maciços rochosos para os quais não há alternativa de obtenção de parâmetros pelos métodos tradicionais de mapeamento, aumenta a frequência de análise e reduz a exposição dos profissionais a condições inseguras. Neste estudo, usamos a técnica chamada estrutura por meio do movimento para adquirir imagens bidimensionais e criar uma nuvem de pontos tridimensional. Em seguida, usando técnicas de redes neurais artificiais, implementamos uma classificação semiautomática do maciço rochoso usando o Geological Strength Index (GSI). A rotina foi validada utilizando cinco conjuntos de dados de referência, com diferentes características geológicas, escolhendo a rede neural com melhor desempenho, apresentando resultados com intervalos de confiança acima de 90%, 100% de taxa acerto e baixo erro quadrático médio. O procedimento permite uma interpretação padronizada, com o objetivo de reduzir o viés gerado pela interpretação por meio de uma análise rápida e repetível, além da criação de um relatório de registro sistemático dos levantamentos.pt_BR
dc.description.abstractWith the popularization of remotely piloted aircrafts, low-cost, high-precision photogrammetry has become a useful tool for mapping and obtaining information in areas that are difficult to access. It has been applied in geomechanics because it makes it possible to obtain information from rock masses for which there is no alternative way to obtain information by traditional mapping methods, increases the frequency of analysis and reduces the exposure of professionals to unsafe conditions. In this study, we used the technique called structure from motion to acquire 2D images and create a threedimensional point cloud. Then, using artificial neural network techniques, we implemented a semiautomatic classification of the rock mass using the Geological Strength Index (GSI). The routine was validated using five datasets with different geological characteristics, choosing the neural network with the best performance, presenting results with confidence intervals above 90%, 100% hit rates and a low mean squared error. The procedure allows a standardized interpretation, intended to reduce the bias generated by the interpretation through a rapid and repeatable analysis, in addition to the creation of a systematic record report.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectMecânica das rochaspt_BR
dc.subjectGeological Strength Indexen
dc.subjectFotogrametriapt_BR
dc.subjectArtificial neural networksen
dc.subjectRedes neurais artificiaispt_BR
dc.subjectPhotogrammetryen
dc.subjectRock mechanicsen
dc.titleDeterminação semi-automática do Geological Strength Index utilizando redes neurais artificiaispt_BR
dc.typeTesept_BR
dc.identifier.nrb001133067pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia de Minas, Metalúrgica e de Materiaispt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2021pt_BR
dc.degree.leveldoutoradopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples