MODELO DE PREVISO DA ELEVAO ADIABTICA DE TEMPERATURA DO CONCRETO ATRAVS DE REDES NEURAIS ARTIFICIAIS tore Funchal de Faria funchal@furnas.com.

br Furnas Centrais Eltricas S.A., Departamento de Engenharia Civil Eduardo de Moraes Rego Fairbairn Marcos Martinez Silvoso Romildo Dias Toldo Filho Alexandre G. Evsukoff eduardo@coc.ufrj.br silvoso@coc.ufrj.br toledo@coc.ufrj.br evsukoff@coc.ufrj.br Programa de Engenharia Civil / COPPE - Universidade Federal do Rio de Janeiro, Caixa Postal 68506 Rio de Janeiro, RJ 21945-970, Brasil

Resumo. A reao de hidratao do cimento, responsvel pela evoluo das propriedades mecnicas do concreto, constituda por uma srie de reaes interdependentes, simultneas e fortemente exotrmicas. O calor gerado por estas reaes representa uma boa medida para determinar de modo global a cintica da reao de hidratao, e assim, modelar numericamente o comportamento acoplado termo-qumico-mecnico do concreto durante seu endurecimento. O calor de hidratao pode ser obtido experimentalmente atravs de calormetros adiabticos, semi-adiabticos ou isotrmicos, que buscam determinar a quantidade de calor liberada pelo avano da reao. Neste trabalho so identificadas as condicionantes envolvidas na reao de hidratao do cimento Portland, considerando todos os parmetros fsico-qumicos influentes, somados aos efeitos das substituies e/ou incluses de aditivos minerais e/ou qumicos nas dosagens dos concretos. Finalmente, apresentada uma ferramenta terica para a previso da elevao adiabtica de temperatura do concreto atravs de redes neurais artificiais, fundamentada em vrios estudos, realizados pelo Laboratrio de Concreto do Departamento de Apoio e Controle Tcnico DCT.T, da Empresa Furnas Centrais Eltricas S.A. Palavras Chave: Concreto, Reao de Hidratao, Exotermia do Concreto, Redes Neurais Artificiais.

1 INTRODUO A reao entre o cimento e a gua a responsvel pela formao do esqueleto slido do concreto e, conseqentemente, pela evoluo das propriedades mecnicas do material. Esta mesma reao, por se tratar de uma reao exotrmica, provoca deformaes decorrentes de variaes de temperatura durante as primeiras idades do concreto que podem levar a sua fissurao. Os primeiros estudos sobre a fissurao durante o endurecimento do concreto foram desenvolvidos em funo dos problemas observados durante a construo de estruturas massivas (como as barragens) decorrentes de tenses de origem trmica (ACI, 2002a). Tais estruturas de concreto massa, em funo de suas grandes dimenses e do elevado volume de concreto consumido, se diferenciam de estruturas de concreto estrutural, principalmente, por seu comportamento trmico, uma vez que a grande quantidade de calor gerado pela reao de hidratao, e a dificuldade em sua dissipao, tornam tais estruturas sujeitas a variaes de volume, que quando restritas, provocam tenses que no material, podendo lev-lo fissurao (ACI, 2002b). Uma medida comum para minimizar a fissurao do concreto nas primeiras idades evitar uma exagerada elevao da temperatura na estrutura atravs de intervenes na composio do material. Assim, com esse objetivo, pode-se, por exemplo, minimizar o uso de cimento, atravs de substituies, ou utilizar cimentos com baixo ou retardado calor de hidratao. Na dcada de 1930 j se estudava o material com o intuito de reduzir a gerao do calor de hidratao do cimento utilizando, por exemplo, adio de material pozolnico. Tambm possvel, e comum, interferir no ritmo de construo da estrutura. Desta forma, pode-se alterar o nmero de camadas construtivas e a freqncia de lanamento do concreto, possibilitando uma maior dissipao do calor gerado. Outra medida tradicional de preveno a diminuio da temperatura de lanamento do concreto de modo a diminuir temperatura mxima desenvolvida no slido e desacelerar a hidratao do cimento, o que desacelera a reao de hidratao, favorecendo tambm a dissipao do calor gerado. A construo da usina hidreltrica de Itaipu, por exemplo, consumiu cerca de 11.000.000 m3 de concreto, com o material chegando a ser lanado a uma temperatura de 7oC (CBDB, 1989). Todos os procedimentos acima relatados envolvem custos e cabe ao engenheiro decidir qual a medida, ou combinao de medidas, a mais adequada para prevenir a fissurao trmica da estrutura. Esse problema tem sido resolvido atravs da experincia da equipe de engenharia responsvel pelo projeto com o auxlio de modelos numricos mais ou menos sofisticados que procuram simular o fenmeno, como por exemplo nos trabalhos de ANDRADE et al. (1981), EMBORG (1998), LUNA e WU (2000), CERVERA et al. (2000) e SILVOSO (2003). Mais recentemente, um procedimento de otimizao do custo da fase construtiva, que utiliza um modelo termo-qumico-mecnico acoplado baseado na teoria de ULM e COUSSY (1998), e algoritmos genticos, tem se mostrado preciso e eficiente para otimizar a fase construtiva de estruturas de concreto (SILVOSO (2003) e FAIRBAIRN et al.(2004)). Todos os modelos anteriormente referenciados, tm como um dos mais importantes parmetros de entrada, a caracterizao da cintica e da amplitude da gerao de calor de hidratao, o que tradicionalmente obtido atravs de ensaios em calormetros adiabticos ou semi-adiabticos. Sendo assim, visto a importncia, para a simulao dos efeitos trmicos em estruturas de concreto massa, da quantificao da gerao de calor pelo volume do material, alguns modelos numricos tm sido propostos para determinao da exotermia (amplitude e cintica) da reao de hidratao do concreto. Dentre os modelos disponveis podemos citar os modelos macroscpicos desenvolvidos por WALLER (1999) e DE LARRARD (1999), e o modelo de MAEKAWA et al. (1999). O primeiro modelo depende ainda de informaes obtidas de alguns ensaios adiabticos, o que indica que no seria um modelo totalmente preditivo. O segundo modelo considera o concreto como um material multifsico com

diversas reaes ocorrendo simultaneamente, e foi elaborado para permitir a predio da cintica e da amplitude da gerao de calor de hidratao. Entretanto, utiliza parmetros determinados especificamente para os concretos para os quais o modelo foi calibrado (Faria, 2004). No presente artigo utiliza-se a tcnica de Redes Neurais Artificiais (RNA) para o estabelecimento de um modelo preditivo de determinao da elevao adiabtica da temperatura do concreto. Estas pesquisas correspondem a estudos realizados dentro do quadro de um Projeto de P&D entre FURNAS e a COPPE (2003) e da tese de M.Sc. de FARIA (2004). Para tal foram utilizados os resultados experimentais, obtidos ao longo dos ltimos 30 anos, no calormetro adiabtico do Centro Tecnolgico de Engenharia Civil de FURNAS CENTRAIS ELTRICAS S. A. (ANDRADE et al., 1997) que foram organizados sob a forma de um banco de dados. Os bons resultados obtidos pelo modelo de redes neurais indicam que a predio da elevao adiabtica pode ser realizada com boa aproximao constituindo-se em uma importante ferramenta para o projeto das estruturas de concreto massa. 2 ASPECTOS FSICO-QUMICOS DA HIDRATAO O cimento portland composto basicamente dos compostos qumicos CaO, SiO2, Al2O3 e Fe2O3 (que so abreviados na qumica do cimento, respectivamente, como C, S, A, F) alm de SO3, H2O (abreviados por S e H) e pequenas porcentagens de MgO e dos lcalis Na2O e K2O. Estes compostos apresentam-se sob a forma bsica de quatro fases minerais, a saber: C3S, C2S, C3A e C4AF, com uma certa adio ( 5%) de gesso (C S H2). A reao de hidratao do cimento, geralmente apresentada de forma simplificada (e unificada) como: cimento + H CSH + CH + calor. (1)

onde CSH representa os hidratos de silicato de clcio hidratado e CH o hidrxido de clcio ou Portlandita. Entretanto, a reao de hidratao na realidade a composio de diversas reaes de hidratao, podendo ser apresentadas, esquematicamente, sob a forma das equaes (2) a (6) abaixo:
C3S + H CSH + CH + calor C 2 S + H CSH + CH + calor
C 3 A + C S H + H AFt + calor
2

(2) (3)
(4)

C 4 AF + C S H + H AFt + CH + FH3 + calor

2

(5) (6)

C A 3 + AFt + H AFm + CH + FH3 C AF

4

sendo AFt o smbolo usado para a etringita e AFm o smbolo usado para o monossulfato. Desta forma, a reao de hidratao do cimento portland abrange um conjunto de reaes interdependentes de suas diferentes fases, com cinticas diferentes, ao curso das quais os

gros de cimento anidro iniciais vo sendo progressivamente dissolvidos dando origem a uma estrutura que incorpora as molculas de gua. Os produtos formados, em sua maioria, so os CSH, que por sua vez comeam a formar uma matriz porosa coesiva. O desenvolvimento da reao de hidratao corresponde ao aumento progressivo do nmero de hidratos que formam o esqueleto poroso proporcionando o aumento da rigidez e da resistncia do material. Devido exotermia da reao de hidratao o calor total gerado fornece uma boa resposta macroscpica da evoluo das reaes qumicas que envolvem a hidratao, apesar destas gerarem diferentes taxas de evoluo de calor. Considera-se que o calor de hidratao gerado na hidratao completa de um cimento aproximadamente uma funo aditiva dos calores gerados na hidratao dos compostos individuais do cimento, ponderados pelos teores dos compostos (MEHTA e MONTEIRO, 1994). Como visto at aqui, o conhecimento do teor das fases do cimento tem fundamental importncia para a anlise da evoluo da reao de hidratao, e conseqentemente, da evoluo das propriedades do concreto. Uma estimativa da composio potencial das fases do cimento pode ser obtida pelas frmulas de BOGUE. Estas frmulas admitem que todas as reaes qumicas ocorridas na formao do clnquer esto completas, ignorando a presena de impurezas no cimento, tais como MgO e lcalis. Apesar de serem normalmente utilizadas, as equaes de BOGUE determinam de modo aproximado a composio potencial. Para anlises mais precisas necessrio o uso de tcnicas experimentais como, por exemplo, difratometria de raios X, espectometria e ressonncia magntica. Alm de sua composio qumica, tambm a finura do cimento afeta diretamente a evoluo da reao de hidratao, e conseqentemente, as taxas de desenvolvimento de resistncia e de liberao de calor. Um aumento da finura (rea especfica) do cimento acelera as reaes de hidratao e, portanto, acelera o desenvolvimento de resistncia e desprendimento de calor. Como a hidratao um fenmeno de superfcie, tal acelerao justificada, uma vez que haver uma maior quantidade de cimento em contato com a gua, e conseqentemente uma maior liberao de calor (PINTO, 1997). A quantidade de gua utilizada na dosagem do concreto tambm determinante na evoluo da reao de hidratao. Inicialmente a gua utilizada na mistura do concreto, de modo que a pasta de cimento (cimento + gua) constitui uma suspenso de gros na gua. Na medida em que a reao de hidratao do cimento se processa ocorre a seguinte mudana de fase: gua livre gua combinada (7)

A gua combinada corresponde, por sua vez, gua quimicamente ligada nos hidratos, e gua fisicamente ligada aos hidratos, fazendo assim, parte integrante do esqueleto do material. A reao de hidratao dos compostos minerais de cimento se d pela gua livre, que tambm proporciona o espao no qual os hidratos se precipitam. Para que a reao de hidratao seja completa necessrio que a quantidade de gua presente na mistura seja suficiente para processar a reao, considerando tambm o efeito fsico da adsoro da gua nas camadas de hidratos formados. Um clculo estequiomtrico mostra que uma quantidade de gua igual a aproximadamente 0,24g necessria para hidratar completamente 1g de cimento (MEHTA e MONTEIRO, 1994). A reao de hidratao termoativada. Isto quer dizer que, para um dado volume de concreto, a reao se desenvolve to mais rapidamente quanto maior for a temperatura deste volume. Por um outro lado o histrico de temperaturas no afetar a quantidade total de calor gerado, o que significa que a amplitude de uma curva de elevao adiabtica no varia com a temperatura da massa de concreto. Tal fato exemplificado pela Figura 1.

Figura 1 Termoativao da reao de hidratao. Os aditivos minerais mais utilizados so a escria de alto forno, e pozolanas como a cinza volante, a microsslica, certas argilas calcinadas e agregados pulverizados. As escrias tm seu uso to freqente que j so at incorporadas a alguns tipos mais utilizados de cimentos portland durante a sua fabricao. Seus efeitos trmicos podem ser notados na Figura 2, onde so mostrados os resultados de ensaios de elevao adiabtica de temperatura de concretos executados com cimento portland comum (CP-I), para referncia, e com 100% de escria de alto forno (E100).
60

Elevao Adiabtica de Temperatura (C)

50

40 CP I 30 E100

20

10

0 0 5 10 15 t (dias) 20 25 30

Figura 2 Efeito da adio de escria (ANDRADE et al., 1997). As pozolanas so materiais cimentceos com forte teor de SiO2 (S) amorfo que reage com o hidrxido de clcio (CH) formado pelas diversas reaes de hidratao (ver equaes (1) a (6)), dando origem formao de novos hidratos de CSH:

S + CH + H CSH + calor

(8)

A substituio de clnquer por pozolanas reduz a cintica da reao de hidratao podendo reduzir tambm a sua amplitude, se a pozolana for de baixa reatividade. A ao de cinzas volantes para a reduo da gerao de calor exemplificada na Figura 3 abaixo.

60 CP III CP III + CV38 CP III + CV50

Elevao Adiabtica de Temperatura (C)

50

40

30

20

10

0 0 5 10 15 t (dias) 20 25 30

CP III Cimento Portland de Alta Resistncia (100%) CP III + CV38 38% de adio de Cinza Volante em substituio ao cimento (em peso) CP III + CV50 50% de adio de Cinza Volante em substituio ao cimento (em peso)

Figura 3 Efeito da substituio parcial de cimento por cinza volante (ANDRADE et al., 1997). Os fleres so materiais com granulometria inferior granulometria dos cimentos e tm a funo de preencher espaos vazios. Como no so reativos, os fleres no produzem efeito pela sua adio, mas sim pela diminuio da quantidade de cimento utilizado nas misturas, o que naturalmente ir reduzir a taxa de gerao de calor da mistura como um todo. Os aditivos qumicos agem de forma a impedir o contato da gua com os gros do aglomerante. So aplicados, no caso de reduo da exotermia do concreto, como facilitadores de trabalhabilidade, permitindo a diminuio do consumo de gua. Alguns aditivos, como os superplastificantes, podem provocar um retardo no incio da reao de hidratao sem portanto alterar sua cintica e amplitude depois de iniciada a reao. 3 REDES NEURAIS ARTIFICIAIS (RNAs) Uma Rede Neural Artificial (RNA) um sistema composto por elementos de processamento relativamente simples conectados entre si formando uma rede. Desta forma, por analogia, uma unidade da rede chamada de neurnio e as conexes so chamadas de sinapses. Assim como no crebro, as sinapses entre os neurnios podem ser excitatrias ou inibitrias e os neurnios tm um potencial de ativao que transmitem ou inibem o sinal recebido. Uma RNA um modelo matemtico que possui parmetros que podem ser ajustados para que a rede tenha um comportamento desejado. Este ajuste de parmetros conhecido como o treinamento da rede. Aps o treinamento, a rede capaz de reconhecer os padres aprendidos, a partir de uma entrada semelhante (HAYKIN, 1994). As RNAs so modelos computacionais eficientes e tm se mostrado capazes de resolver problemas complexos de reconhecimento de padres e aproximao de funes em diversas aplicaes, como engenharia de estruturas e materiais (FAIRBAIRN et al., 1999, 2000). Existem diversos modelos computacionais que so tratados como redes neurais. Segundo o tipo de treinamento, pode ser aplicado numa RNA o treinamento supervisionado, quando a sada correta do conjunto de treinamento conhecida e o objetivo do treinamento adaptar a sada da rede sada conhecida; e o treinamento no supervisionado onde a sada correta no

 conhecida e o treinamento da rede busca encontrar alguma relao embutida no conjunto de treinamento. De acordo com a estrutura, as unidades de uma RNA podem organizadas em camadas, ou em estruturas recorrentes, quando parte (ou todas) as unidades esto conectadas entre si. Segundo a topologia da rede, ou seja, a forma com que as unidades esto conectadas, e o algoritmo de treinamento utilizado, pode-se ento agrupar os mais diversos modelos de RNA encontrados na literatura. A RNA conhecida como perceptron multicamadas (MLP1) , sem dvida, a topologia mais utilizada em aplicaes de RNA e foi utilizada neste trabalho. A topologia MLP formada por neurnios organizados em camadas, de forma que os neurnios de uma camada esto conectados aos neurnios da camada seguinte. Na maior parte das aplicaes, utiliza-se a estrutura com trs camadas mostrada na Figura 4. No caso geral mais camadas intermedirias podem ser colocadas entre a camada de entrada e a camada de sada.
k ij
k +1 ij

u(t)

. . .

. . . . . . u1(t)

y(t)

Figura 4: Topologia de rede multi camadas, com uma camada escondida. Considere uma rede MLP contendo p unidades na camada de entrada, n unidades na camada intermediria e m unidades na camada de sada como na Figura 4. A camada de entrada no realiza processamento e simplesmente distribui as entradas para os neurnios da primeira camada. A sada da camada de entrada, representada pelo vetor u 0 (t ) , uma cpia da entrada da rede, definida pelo vetor x(t ) = x1 (t ),K, x p (t ) . Geralmente, os valores das

entradas so previamente normalizados. Na camada intermediria, as entradas de cada neurnio esto associadas a um conjunto de parmetros, indicando os pesos das respectivas conexes entre as unidades da camada de entrada. Ao longo deste texto ser adotada a k seguinte notao: o parmetro ij representa o peso da conexo entre um neurnio i na camada k e um neurnio j na camada k + 1 . Para uma entrada u 0 (t ) = x(t ) a sada da
1 camada intermediria u1 (t ) = u1 (t ),K , u 1 n (t ) calculada como:

u 1j (t ) = f z 1j (t ) = f

) (
i

0 0 u (t ) ij i

(9)

Que tambm pode ser expressa atravs da seguinte equao matricial:

Sigla do ingls Multi Layer Perceptron.

u1 (t ) = f (z 1 (t ) ) = f (u 0 (t ). 0 ) Onde f a verso vetorial da funo de ativao:

1 f (z 1 (t ) ) = f ( z1 (t )) K f ( z 1 n (t ))

(10)

(11)

Da mesma forma, as unidades na camada de sada y (t ) = ( y1 (t ),K , y m (t ) ) so calculadas a partir da camada intermediria u1 (t ) como:
y (t ) = f (z 2 (t ) ) = f (u1 (t ).1 )

(12)

Para uma estrutura geral com qualquer nmero de camadas, a sada de uma camada calculada em funo da sada da camada anterior: u k (t ) = f (z k (t ) ) = f (u k 1 (t ). k 1 ) (13)

Geralmente uma unidade bias, com valor constante e igual a 1 , adicionada a cada k 1 camada para ajustar o valor de transio de cada neurnio. O vetor k 1 = 1k 1 ,..., n define o valor das conexes entre o vetor bias da camada k 1 e a sada da camada k , calculada como:

u k (t ) = f (z k (t ) ) = f (u k 1 (t ). k 1 + k 1 )

(14)

Uma RNA pode ser treinada para realizar o mapeamento entre as variveis de entrada e sada. Por treinamento entende-se o treinamento supervisionado, onde a adaptao dos parmetros que definem as conexes calculada a partir de um conjunto de treinamento, contendo um conjunto de exemplos cuja sada correta conhecida. Suponha que o conhecimento sobre a soluo do problema possa ser representado por um conjunto de treinamento T = {(x(t ), v (t ) ), t = 1..N }, onde, para cada exemplo t , x(t ) representa o vetor de atributos observados e v (t ) informa a sada associada ao exemplo. A RNA deve ser treinada de forma a minimizar o erro entre a sada correta v (t ) e sada da rede y (t ) . Diversas funes podem ser utilizadas para avaliar o erro do mapeamento realizado pela RNA durante o treinamento. Geralmente a funo utilizada para essa comparao a funo de erro quadrtico mdio, onde o erro associado a um exemplo (x(t ), v (t ) ) do conjunto de treinamento calculado por:
J (t ) = 1 2 . y (t ) v (t )]T (y j (t ) v j (t ))2 = 2 [y (t ) v(t )][ 1 (15)

j =1..m

A sada da RNA uma funo no-linear dos pesos de conexes (considerando-se uma funo de ativao no-linear). A estratgia para adaptao dos pesos considerar o problema como um problema de otimizao no linear, cuja soluo calculada atravs do algoritmo do gradiente. O algoritmo da retropropagao, cuja derivao feita a partir da regra da cadeia e pode ser encontrada em diversas referncias (por exemplo, 0) uma tcnica eficiente do clculo do gradiente do erro em funo dos pesos das conexes. A idia bsica do algoritmo calcular o

gradiente local a partir do erro de sada, propagado para a camada intermediria (o que d origem ao nome retropropagao do algoritmo). Na adaptao dos parmetros de uma RNA o conjunto de treinamento deve ser apresentado vrias vezes ao algoritmo de adaptao. Uma apresentao do conjunto de treinamento durante o processo de adaptao dos parmetros da rede chamada poca. O nmero de pocas necessrias para a adaptao dos pesos de uma RNA varia com a aplicao. Existem basicamente duas estratgias de apresentao do conjunto de treinamento para adaptao dos pesos: treinamento por padro e treinamento em batch. No treinamento por padro, a adaptao dos pesos feita aps a apresentao de cada exemplo (padro) rede. No treinamento em lote (batch), em cada poca, a adaptao feita somente aps a apresentao de todo o conjunto de treinamento. Tendo em vista que os exemplos so apresentados rede de forma aleatria, o treinamento por padro conduz a uma busca randmica pelo espao de estados, o que pode evitar o problema de mnimos locais. Entretanto, a adaptao dos pesos no treinamento em lote calculada atravs de uma estimativa mais precisa do gradiente da funo erro, uma vez que representa a mdia de todos os exemplos do conjunto de aprendizagem. A melhor estratgia de treinamento depende, contudo, das caractersticas de cada aplicao. Estratgias hbridas tambm podem ser consideradas. A seguir apresenta-se a utilizao de RNA para o desenvolvimento do modelo desenvolvido para o caso da elevao adiabtica da temperatura de corpos de prova de concreto. 4 MODELO DE RNA PARA A ELEVAO ADIABTICA DA TEMPERATURA DO CONCRETO Neste trabalho foram utilizados 136 resultados experimentais obtidos no calormetro adiabtico do Centro Tecnolgico de Engenharia Civil de FURNAS Centrais Eltricas S.A., apresentados por ANDRADE et al. (1997). Para poder utilizar uma Rede Neural Artificial como uma ferramenta preditiva da exotermia da reao de hidratao, esses resultados foram organizados num conjunto de treinamento, na forma de uma tabela, na qual cada registro contm os fatores da dosagem que influenciam diretamente na liberao de calor e os dados da curvas de elevao adiabtica da temperatura do concreto correspondente (FARIA, 2004). Os fatores de dosagem considerados so: o tipo de cimento, caracterizado por sua composio qumica; a finura do cimento; o consumo de cimento na dosagem; o consumo das adies minerais de escria, cinzas volantes e outras pozolanas; o consumo de gua; o consumo de adies qumicas; o consumo de agregados e a temperatura inicial do concreto. A dosagem do concreto foi caracterizada atravs do consumo (Kg/m3) de cada um de seus constituintes, representando cada um deles um neurnio de entrada. Tais consumos deram origem a sete diferentes neurnios de entrada, relativos aos seguintes materiais constituintes: cimento, gua, agregados, outras pozolanas, escria, cinza volante e adies qumicas. O tipo de cimento foi identificado por sua composio qumica e por sua finura. A composio qumica do cimento, isto , os teores percentuais de cada um dos xidos normalmente presentes no cimento Portland, deu origem a cinco neurnios de entrada, representando os seguintes compostos: CaO, SiO2, Al2O3 e Fe2O3 e SO3. Foram adotados diretamente os teores dos xidos, uma vez que no se dispunham de resultados de determinao direta da composio potencial, e a aplicao das equaes de BOGUE representaria um mapeamento dos teores de xidos, alm de no ser aplicvel para todos os tipos de cimento. A finura do cimento representa outro neurnio de entrada e foi caracterizada

atravs do mdulo de Finura de Blaine (dada em cm2/g, NBR NM76, ABNT (1998)). Finalmente, o ltimo neurnio de entrada corresponde temperatura inicial do concreto (oC), totalizando p = 14 unidades de entrada. Os resultados experimentais de elevao adiabtica da temperatura (ANDRADE et al., 1997) apresentam leituras efetuadas de hora em hora nas primeiras 24 h e diariamente at a estabilizao da temperatura ou at completar 28 dias, totalizando 52 valores. Seria impossvel ajustar um modelo de rede neural com 14 unidade de entrada e 52 unidades de sada com apenas 136 registros. A soluo ideal seria uma topologia recorrente para simular a evoluo dinmica da temperatura. Entretanto um modelo recorrente implica em algoritmos de treinamento complexos nem sempre encontrados em ferramentas comerciais. Optou-se ento por uma soluo aproximada, na qual o modelo de RNA foi construdo em duas etapas: inicialmente a curva de elevao adiabtica da temperatura foi aproximada por uma funo paramtrica para cada ensaio do conjunto de treinamento; em seguida os parmetros de cada curva foram utilizados para ajustar a RNA. Na primeira etapa, buscou-se identificar uma funo capaz de ajustar os dados experimentais da curva de elevao adiabtica da temperatura que refletisse da melhor forma possvel o comportamento esperado. A equao (16), caracterizada por trs parmetros, representa tal funo, chamada aqui de funo Hill.

tn T (t ) = Tmx n n k +t
ad

(16)

onde: Tmx a mxima temperatura atingida durante o ensaio, em C; k representa o atraso devido ao calor latente, grandeza adimensional; n o coeficiente de acelerao para o perodo assinttico, grandeza adimensional. A curva de elevao adiabtica da temperatura de cada um dos ensaios de foi ajustada atravs de uma funo Hill (16), identificando-se para cada um deles os parmetros Tmx, k e n. Esse modelo mostrou-se satisfatrio para as diversas curvas presentes no conjunto de treinamento, descrevendo bem as diversas cinticas e amplitudes. Os parmetros Tmx, k e n substituiram os dados das curvas de elevao de temperatura do conjunto de treinameto constituindo a sada desejada do modelo de RNA. O modelo de RNA a ser ajustado contm ento m = 3 neurnios de sada. A Figura 5 apresenta esquematicamente o modelo de RNA para previso da exotermia da reao de hidratao desenvolvido neste trabalho. Nela so apresentados os dados de entrada, organizados em forma de quatorze neurnios de entrada (X1... X14), e a resposta do modelo, dada em trs neurnios de sada (Y1, Y2, Y3).

ENTRADAS
Cimento Consumos (Kg/m3) gua Pozolana Escria Cinza volante Agregados Ad. Qumica CaO Composio Qumica do cimento (%) SiO2 Al2O3 Fe2O3 SO3 Finura cimento (cm /g) Temperatura Inicial ( C)
o 2

SADAS

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14

Y1

Tmx

Parmetros da funo Hill

Redes Neurais Artificiais

Y2

Y3

Figura 5 Representao esquemtica dos dados de entrada e sada do modelo de previso da exotermia da reao de hidratao. Aps a definio dos neurnios de entrada e sada do modelo, partiu-se para o treinamento da rede neural artificial. Utilizou-se neste trabalho, em funo de sua simplicidade, uma rede neural de trs camadas, uma camada de entrada (X), uma camada intermediria (N), e uma camada de sada (Y). De modo a determinar a topologia ideal para a rede neural foram utilizadas, para a mesma arquitetura de trs camadas, nove diferentes topologias, variando o nmero de neurnios da camada intermediria e as funes de ativao das diferentes camadas. A Tabela 1 apresenta as diferentes funes de ativao utilizadas. A Tabela 2 apresenta as nove diferentes topologias de rede neural avaliadas neste trabalho. Tabela 1 Funes de ativao utilizadas. Funo de ativao Linear Gaussiana Tangente Hiperblica (Tanh) Logstica
yk =

Frmula
m f wkj x j j =1

Camada
1 (CE) e 3 (CS)

y k = e uk
yk = tanh( puk ) =

2 (CI)
2 (CI)

e puk e puk e puk + e puk

yk =

1 1 + e puk

3 (CS)

Tabela 2 Topologias aplicadas nas RNAs da Figura 5. Topologia

1

Funo de Ativao CE CI CS Linear

Linear

Nmero de Neurnios CE CI CS 14 14 14 14 14 14 14 14 14 15 15 15 19 19 19 25 25 25 3 3 3 3 3 3 3 3 3

2 3 4 5 6 7 8 9

Linear Linear Linear Linear Linear Linear Linear

Gaussiana Gaussiana Tanh Gaussiana Gaussiana Tanh Gaussiana Gaussiana Tanh

Linear Logstica Logstica Linear Logstica Logstica Linear Logstica Logstica

Para a avaliar cada uma das topologias utilizou-se a seguinte estratgia: Cada uma das 9 topologias apresentadas na foi testada em um Processo de Validao Cruzada atravs do treinamento de dez diferentes redes, totalizando 90 treinamentos. Nesse processo, a cada treinamento escolhia-se aleatoriamente um novo conjunto de teste. Determinou-se atravs de cada rede neural treinada, para cada um dos ensaios presentes no banco de dados, os trs dados de sada, isto , Tmax, k e n; Utilizando esses resultados na Eq. (16) foram obtidas as diversas curvas dadas pelo modelo, aqui chamado Hill-RNA, para cada treinamento; Cada uma dessas curvas foi ento comparada com os resultados experimentais e, atravs da diferena entre as temperaturas reais dos ensaios e as obtidas pelo modelo, foram calculadas a incerteza padro mdia (raiz quadrada do erro quadrtico mdio), o desvio padro e a amplitude, isto a maior diferena entre a temperatura de ensaio e a obtida pelo modelo; Para cada treinamento foram calculados os valores mdios da incerteza padro mdia e do desvio padro e foi identificada a mxima amplitude obtida; Finalmente, repetiu-se o procedimento anterior para obter a incerteza padro mdia, o desvio padro e amplitude para cada topologia. Tabela 3 Valores mdios da incerteza padro, desvio padro e amplitude para cada topologia testada. Topologia 1 2 3 4 5 6 7 8 9 Incerteza padro mdia (C) 4.5238 3.4174 3.2425 4.4971 3.5717 3.6610 8.7140 3.3574 3.3944 Desvio padro S 3.4823 2.4812 2.1047 3.0236 2.6027 2.2187 4.4557 2.3546 2.2522 Amplitude R (C) 12.1626 8.5554 7.2400 10.3416 8.9413 7.4957 14.8647 7.8748 7.7781

Os valores da incerteza padro mdia, desvio padro e amplitude de cada topologia esto apresentados na Tabela 3. Observa-se, pelos resultados apresentados nesta Tabela, que a topologia de nmero trs foi aquela que apresentou os melhores resultados globais (incerteza padro mdia, desvio padro e amplitude) e tambm foi identificada como aquela com menor disperso entre os treinos dentro da mesma topologia. Tambm na topologia trs foram obtidos, em um determinado treinamento os menores valores de incerteza padro mdia, desvio padro e amplitude. So eles: = 2,36C; S = 1,75; R = 6,05C. A Figura 6, onde os dados experimentais esto identificados pelo cdigo utilizado em ANDRADE et al. (1997), apresentam alguns resultados obtidos atravs dessa arquitetura de rede neural.
60 60

Elevao Adiabtica de Temperatura (C)

40

Elevao Adiabtica de Temperatura (C) E-2305 Modelo "Hill-RNA"

50

50

40

30

30

20

20

10

10 E-5310 0 Modelo "Hil-RNA" 20 25 30

0 0 60 5 10 15 t (dias) 20 25 30

0 60

10

15 t (dias)

Elevao Adiabtica de Temperatura (C)

Elevao Adiabtica de Temperatura (C) E-1399 Modelo "Hil-RNA"

50

50

40

40

30

30

20

20

10

10 E-2010 0 Modelo "Hill-RNA" 20 25 30

0 0 60 5 10 15 t (dias) 20 25 30

0 60

10

15 t (dias)

Elevao Adiabtica de Temperatura (C)

40

Elevao Adiabtica de Temperatura (C)

50

50

40

30

30

20

20

10 E-4481 0 0 5 10 15 t (dias) 20 25 30 Modelo "Hill-RNA"

10 E-3859 0 0 5 10 15 t (dias) 20 25 30 Modelo "Hill-RNA"

Figura 6 Comparao entre as curvas dos dados experimentais e as curvas do modelo.

 importante observar que o modelo de RNA no ajusta diretamente os dados experimentais, mas uma aproximao destes atravs da curva Hill. Desta forma, o erro embutido na aproximao foi induzido no treinamento e incorporado ao erro do modelo de RNA. 5 CONCLUSO O modelo apresentado no presente trabalho mostrou-se bastante eficaz para a predio da elevao adiabtica da temperatura dos concretos. Deve ser considerado que durante a elaborao do projeto final e/ou verificao de uma grande barragem desejvel e recomendada a realizao de ensaios em calormetro adiabtico com o concreto que ser efetivamente utilizado na construo. Os modelos preditivos, como aquele apresentado no presente artigo, so utilizados na fase de planejamento, otimizao e projeto, e para tal os nveis de preciso obtidos, mesmo para os piores casos (como E2305 e E3589), podem ser considerados como excelentes aproximaes. importante ressaltar que as RNAs no so modelos fsicos e sim modelos de ajuste, devendo sempre ser usadas dentro de um universo que tenha correspondncia com o conjunto de treinamento. Tomada esta precauo, pode-se considerar que o modelo aqui proposto, se situado dentro do quadro dos concretos massivos, constitui-se em uma excepcional ferramenta para dimensionamento e verificao das tenses trmicas em barragens e outras estruturas em que as tenses trmicas so uma imposio de projeto.
Agradecimentos

Os autores gostariam de agradecer a ANEEL, Universidade Federal do Rio de Janeiro, FURNAS Centrais Eltricas, CAPES e CNPq pelo apoio financeiro e bolsas de estudo e produtividade. REFERNCIAS BIBLIOGRFICAS ABNT CT-18, 1998. NBR NM76 Cimento Portland Determinao da finura pelo mtodo de permeabilidade ao ar (Mtodo de Blaine). ACI Committe 207, 2002. Mass concrete, ACI Manual of Concrete Practice. ACI Committe 207, 2002. Effect of restraint, volume change, and reinforcement on cracking of mass concrete, ACI Manual of Concrete Practice. Andrade,W. P., Bastos, J., Bittencourt, R. B., 1981. Concreto massa para a usina nuclear de angra dos reis Clculo de temperatura, XIV Seminrio Nacional de Grandes Barragens, Recife. Andrade, W. P., e Equipe do Laboratrio de Concreto de FURNAS, 1997. CONCRETOS massa, estrutural, projetado e compactado com rolo Ensaios e Propriedades, 1a. ed. Editora PINI. CBDB (Comit Brasileiro de Barragens, 1989. Concreto massa no Brasil Memria tcnica, Rio de Janeiro, 1989.

Cervera, M., Oliver, J., Prato, T., 2000. Simulation of construction of RCC dams. I: Temperature and aging. II Stress and damage, Journal of Structural Engineering (ASCE), v. 126, pp. 1053-1069. De Larrard, F., Le Roy, R., 1992. Relation entre formulation et quelques propriets mcaniques des btons hautes performances, Materiaux et Construction, RILEM, v.25, pp.464-475. Emborg, M., 1998. Models and methods for computation of thermal stresses, in Prevention of thermal cracking in concrete at early age, Ed. R. Springenschmid, pp. 178-230, E&FN Spon, London, 1998. Fairbairn, E. M. R.; Goulart, E.; Coutinho, A. L. G. A.; Ebecken, N. F. F.; Guedes, Q. M.; Vianna, D. M., 1999. Durability assessment of an arch dam using inverse analysis with neural networks and high performance computing. in: 13th ASCE-Engineering Mechanics Divison conference, Baltimore, pp. 1-6. Fairbairn, E. M. R., Ebecken, N. F. F.; Paz, C. N. M.; Ulm, F J., 2000. Determination of probabilistic parameters of concrete: solving the inverse problem by using artificial neural networks. Computers & Structures, v. 78, n. 1-3, pp. 497-503. Fairbairn, E. M. R, Toldo Filho, R. D., Silvoso, M. M., Guerra, E. A., Modelagem do concreto a poucas idades com aplicaes a barragens: novos paradigmas e suas solues, Projeto P&D ANEEL/FURNAS/COPPE, 2003. Fairbairn, E. M. R., Silvoso, M. M., Toldo Filho, R. D., Alves, J. L. D., Ebecken, N. F. F., 2004. Optimization of mass concrete construction using genetic algorithms, Computers & Structures, v. 82, pp. 281-299. Faria, E. F., 2004. Predio da exotermia da reao de hidratao do concreto atravs de modelo termo-qumico e modelo de dados, COPPE/UFRJ-PEC, Rio de Janeiro, RJ, Brasil. Haykin, S., 1994. Neural Networks A Comprehensive Foundation, Macmillian College Publishing Comany. Luna, R., Wu, Y., 2000. Simulation of temperature and stress fields during RCC dam construction, Journal of Construction Engineering and Management (ASCE), v.126, pp. 381-388. Maekawa, K., Chaube, R., Kishi, T., 1999. Modelling of concrete performance. Hydration, microstructure formation and mass transport. E & FN Spon. Mehta, P. K., Monteiro, P. J. M., 1994. Concreto: Estrutura, Propriedades e Materiais, Editora PINI.. Pinto, R. C. A., 1997. The Effect of Curing Temperatures on the Development of Mechanical Properties of Fresh and Hardened High-strength Silica Fume Mixtures A Maturity Approach, Ph.D. Dissertation, Cornell University, Ithaca, NY. Silvoso, M. M., 2003. Otimizao da fase construtiva de estruturas de concreto em face dos efeitos da hidratao via algoritmos genticos, Tese de D.Sc., COPPE/UFRJ-PEC, Rio de Janeiro, RJ, Brasil.

Ulm, F.-J., Coussy, O., 1998. Couplings in early-age concrete: from material modeling to structural design, International Journal of Solids and Structures, v. 35, pp. 4295-4311, 1998. Waller, V., 1999. Relations entre Composition des Betons, Exothermie en Cours de Prise et Resistance en Compression , Thse de Doctorat, cole Nationale des Ponts et Chausses, Spcialit Structures et Matriaux, France.