Resumo Este artigo propõe uma abordagem para identificar os parâmetros do modelo constitutivo de um modelo elasto-plástico de dupla endurecimento utilizando algoritmos de aprendizado de máquina supervisionados, baseados em árvore, sistematicamente otimizados. O modelo de aprendizado de máquina utiliza dados de dois testes de laboratório - um teste tridimensional drenado e um teste de oedometria com um ciclo de descarregamento-recarregamento - para prever os parâmetros do modelo constitutivo. A precisão do modelo de aprendizado de máquina é demonstrada através de três abordagens de comparação: (i) a ferramenta de otimização de parâmetros implementada em um software comercial de elementos finitos aplicada a um conjunto de dados sintético representando areia, (ii) ferramenta de otimização de parâmetros e determinação de parâmetros baseada em experiência com um conjunto de dados real de areia fina de Karlsruhe. A pesquisa de determinação baseada em experiência envolveu especialistas independentes que calibraram os parâmetros do modelo com base nos mesmos dados de entrada utilizados pelo modelo de aprendizado de máquina. As previsões do modelo de aprendizado de máquina alinham-se estreitamente com os parâmetros alvo e os resultados da ferramenta de otimização de parâmetros para testes sintéticos, e a abordagem desenvolvida corresponde aos intervalos de parâmetros obtidos tanto da identificação automatizada quanto da pesquisa baseada em experiência para areia fina de Karlsruhe. O modelo captura efetivamente os resultados do teste tridimensional e os resultados do teste de oedometria, superando a média dos resultados baseados em experiência. Em termos de eficiência computacional, a abordagem de aprendizado de máquina proposta reduz o tempo médio de determinação em aproximadamente 19.500 vezes em comparação com a identificação manual de parâmetros e em cerca de 2.500 vezes em comparação com a identificação automatizada. A abordagem de aprendizado de máquina proposta é considerada superior devido à sua velocidade, consistência e escalabilidade em comparação com métodos de identificação baseados em experiência e automatizados. Essa abordagem pode ser facilmente adaptada a outros modelos constitutivos, promovendo o uso de modelos mais avançados na prática.
Felic et al. (Fri,) estudaram esta questão.