Yrlles Moraes

Prof. Yrlles Moraes

orcid

Research Focus & Metrics

Academic Career Length

3Years (2024-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
31 January 2025 in Ambiente Construído
Verified
Journal Article
Open access
PDF file
Yrlles MoraesYrlles Moraes
Yrlles Moraes
Ádamo Henrique Rocha de OliveiraÁdamo Henrique Rocha de Oliveira
Ádamo Henrique Rocha de Oliveira
MPMarcelo de Souza Picanço
Marcelo de Souza Picanço
Using natural fibers as reinforcement in cement composites is a sustainable alternative in the construction industry. Nevertheless, the dosage of these materials employing traditional methods depends on laboratory tests and tends to be laborious and expensive. Thus, predicting composites characteristics can save time and reduce operating costs. In this study, Artificial Neural Networks (ANN) trained with Extreme Learning Machine (ELM) were used to predict the tensile and compressive strengths of mortar reinforced with babassu coconut fiber. Babassu coconut is an abundant product in the region where this research was carried out, and its use tends to bring socio-economic benefits. The data was obtained experimentally, generating a total of 51 samples. The ANN topologies have six parameters in the input layer (cement, sand, water/cement ratio, maximum fiber length, fiber percentage, and slump), one parameter in the output layer (tensile or compressive strength), and one hidden layer, which contains 6 and 7 neurons, respectively, in the tensile (ELM-T) and compressive (ELM-C) strength prediction models. Simulation results indicated that both models are promising tools for predicting the mechanical behavior of mortars reinforced with babassu coconut fibers.

13 May 2024
Verified
Book Chapter
Open access
PDF file
ÁOÁdamo Henrique Rocha de Oliveira
Ádamo Henrique Rocha de Oliveira
Yrlles MoraesYrlles Moraes
Yrlles Moraes
RSRayssa Pereira Moraes Rego Sobrinho
Rayssa Pereira Moraes Rego Sobrinho
JMJorleanderson Moraes Maia
Jorleanderson Moraes Maia
MCMarcos Silva Chaves
Marcos Silva Chaves
Artificial Intelligence consists of an area where methods or systems are developed that act intelligently, approaching human behavior, in situations involving problem solving, acquisition and representation of knowledge, pattern recognition, etc. Within this context, a type of computational model that has gained prominence are the Artificial Neural Networks (ANNs), which are formed by basic blocks inspired by the biological neuron. An ANN has the ability to act in various applications, such as universal approximation of functions, process control, pattern recognition and classification, and data grouping. To meet a wide range of applications, an ANN requires the determination of a series of parameters, among them: topology, number of layers, number of neurons, activation function, training method, etc. In other words, the design of an ANN with the most appropriate configuration for each type of problem requires a series of choices, preliminary tests and experience from the designer. However, in order to avoid such choices being made empirically, it is possible to treat this parameterization as an optimization problem, allowing its resolution through the use of evolutionary algorithms, which are optimization tools developed to simulate several natural evolutionary processes. In this work, the Genetic Algorithm and Differential Evolution with binary coding were applied to automatically parameterize single-layer hidden neural networks applied in the modeling of a buck converter and in the prediction of compressive strength of self-compacting concrete (SCC) with the addition of fibers. The neural networks used were trained with the Extreme Learning Machine algorithm and the results of the simulations show that the Genetic Algorithm was the technique that presented the best performance when parameterizing the network in the modeling process of the buck converter, while the Differential Evolution combined with the binary coding GVP was the best strategy to parameterize the neural network in the process of predicting compressive strength of SCC. DOI:https://doi.org/10.56238/sevened2024.007-089 A Inteligência Artificial consiste em uma área onde são desenvolvidos métodos ou sistemas que atuam de maneira inteligente, aproximando-se do comportamento humano, em situações que envolvem resolução de problemas, aquisição e representação de conhecimento, reconhecimento padrões, etc. Dentro deste contexto, um tipo de modelo computacional que ganhou destaque são as Redes Neurais Artificiais (RNA’s), que são formadas por blocos básicos inspirados no neurônio biológico. Uma RNA possui capacidade de atuar em diversas aplicações como, por exemplo, aproximação universal de funções, controle de processos, reconhecimento e classificação de padrões e agrupamento de dados. Para atender uma ampla gama de aplicações, uma RNA exige a determinação de uma série de parâmetros, dentre eles: topologia, número de camadas, quantidade de neurônios, função de ativação, método de treinamento, etc. Ou seja, o projeto de uma RNA com a configuração mais adequada para cada tipo de problema requer uma série de escolhas, testes preliminares e experiência do projetista. Contudo, para evitar que tais escolhas sejam realizadas de maneira empírica, é possível tratar esta parametrização como um problema de otimização, permitindo sua resolução através da utilização de algoritmos evolutivos, que são ferramentas de otimização desenvolvidas para simular diversos processos evolutivos naturais. Neste trabalho foram aplicados o Algoritmo Genético e a Evolução Diferencial com codificação binária para parametrizar automaticamente redes neurais de camada oculta única aplicadas na modelagem de um conversor buck e na previsão de resistência à compressão de concreto autoadensável (SCC) com adição de fibras. As redes neurais utilizadas foram treinadas com o algoritmo Máquina de Aprendizado Extremo e os resultados das simulações mostram que o Algoritmo Genético foi a técnica que apresentou o melhor desempenho ao parametrizar a rede no processo de modelagem do conversor buck, enquanto a Evolução Diferencial combinada com a codificação binária GVP foi a melhor estratégia para parametrizar a rede neural no processo de previsão de resistência à compressão de SCC. DOI:https://doi.org/10.56238/sevened2024.007-089

1 July 2024 in Caderno Pedagógico
Verified
Journal Article
Open access
PDF file
Yrlles MoraesYrlles Moraes
Yrlles Moraes
Ádamo Henrique Rocha de OliveiraÁdamo Henrique Rocha de Oliveira
Ádamo Henrique Rocha de Oliveira
MPMarcelo de Souza Picanço
Marcelo de Souza Picanço
A utilização de compósitos se dá a partir da necessidade de tecnologias capazes de melhorar a qualidade dos materiais empregados. Na construção civil, os compósitos mais comuns são aqueles de matriz cimentícia reforçados com fibras. Entretanto, a dosagem de concretos e argamassas pelos métodos tradicionais depende de ensaios laboratoriais e tende a ser trabalhosa, cara e com possíveis ajustes por tentativa e erro. Desta forma, o desenvolvimento de modelos confiáveis para a previsão de características de compósitos pode proporcionar economia de tempo e redução de custos operacionais. Portanto, este trabalho propõe uma revisão sistemática da literatura de modo a identificar os avanços realizados até o momento no que se refere à utilização de técnicas preditivas de Inteligência Artificial (IA) a partir de dados de compósitos reforçados com fibras. Os principais processos desta revisão consistem em pesquisa acerca da temática, triagem do material, classificação dos artigos, seleção dos artigos do portifólio e leitura e síntese dos artigos. Dessa forma foram elencados os tipos de fibra empregados como reforço, as características previstas e as técnicas de IA utilizadas pelos principais trabalhos disponíveis na literatura. Foi possível perceber que a temática proposta está em crescente desenvolvimento apresentando muitas oportunidades de pesquisa.