Machine learning for the prediction of 28-day cement compressive strength (2025)
- Authors:
- Autor USP: PERESSIM, FELIPE DE LIMA - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/D.45.2025.tde-10072025-115904
- Subjects: APRENDIZADO COMPUTACIONAL; APRENDIZAGEM PROFUNDA; REGRESSÃO LINEAR; REDES NEURAIS; RESISTÊNCIA DOS MATERIAIS; CIMENTO
- Keywords: Aprendizado de máquina; Aprendizado profundo; Cement compressive strength; Deep learning; Linear regression; Machine learning; Modelos baseados em árvore; Neural networks; Resistência à compressão do cimento; Transfer learning; Transferência de aprendizado; Tree-based models
- Agências de fomento:
- Language: Inglês
- Abstract: O cimento está entre os materiais considerados fundamentais para a indústria da construção civil. O controle de qualidade desse recurso é essencial para garantir a segurança das edificações, reduzir os impactos ambientais e proteger a vida humana. A resistência à compressão é o principal critério para medir a qualidade do cimento. Após a preparação de um corpo de prova de acordo com as normas vigentes, a resistência à compressão do cimento aumenta gradualmente até alcançar um ponto de estabilidade no 28o dia de produção (RC28), um parâmetro regulatório exigido pelas normas de construção. No entanto, o período de espera de 28 dias cria desafios significativos para a indústria cimenteira, pois atrasa a identificação de fatores que causam variações na qualidade. Sem ações corretivas oportunas, a produção de material fora das especificações pode levar ao desperdício de recursos e a perdas financeiras, além de agravar os danos ambientais. Nesse contexto, este trabalho desenvolve e avalia modelos de aprendizado de máquina para a previsão da RC28, com o objetivo de mitigar esses desafios e avançar o conhecimento atual sobre a aplicação de aprendizado de máquina no problema específico da previsão da resistência à compressão do cimento. A pesquisa explora duas abordagens distintas: análise local e global. A análise local concentra-se no desenvolvimento de modelos treinados exclusivamente com dados de plantas cimenteiras individuais, enquanto a análise global emprega técnicas deaprendizado por transferência, pré-treinando modelos com dados combinados de múltiplas plantas antes de ajustá-los para plantas específicas. Utilizando dados de diversos fabricantes de cimento provenientes de dois projetos de pesquisa (Innovandi e EMBRAPII CICS), foram avaliadas várias arquiteturas de aprendizado de máquina, incluindo regressão linear, modelos baseados em árvores e redes neurais. Para garantir uma seleção robusta de modelos, foi desenvolvida uma estrutura sistemática para avaliá-los com base em múltiplas métricas de desempenho. Os resultados demonstraram um forte desempenho preditivo em ambas as abordagens, com os modelos locais mostrando eficácia para plantas individuais e os modelos globais exibindo notável adaptabilidade entre diferentes plantas. Os modelos globais, em particular, demonstraram maior estabilidade e consistência nas previsões, mantendo desempenho comparável aos modelos locais. As conclusões contribuem tanto para a compreensão teórica quanto para a implementação prática do aprendizado de máquina na produção de cimento, oferecendo soluções promissoras para melhorar a eficiência produtiva e apoiar práticas industriais sustentáveis
- Imprenta:
- Data da defesa: 20.05.2025
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
PERESSIM, Felipe. Machine learning for the prediction of 28-day cement compressive strength. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/. Acesso em: 15 abr. 2026. -
APA
Peressim, F. (2025). Machine learning for the prediction of 28-day cement compressive strength (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/ -
NLM
Peressim F. Machine learning for the prediction of 28-day cement compressive strength [Internet]. 2025 ;[citado 2026 abr. 15 ] Available from: https://teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/ -
Vancouver
Peressim F. Machine learning for the prediction of 28-day cement compressive strength [Internet]. 2025 ;[citado 2026 abr. 15 ] Available from: https://teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
