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
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
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://www.teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/. Acesso em: 10 fev. 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://www.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 fev. 10 ] Available from: https://www.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 fev. 10 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-10072025-115904/
Informações sobre o DOI: 10.11606/D.45.2025.tde-10072025-115904 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
