Carlos Manuel Andrade de Sousa
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Carlos Manuel Andrade de Sousa has a total of 8 co-authors. Here are the top co-authors by number of shared publications:
- Emerson Felipe Felix
Universidade Estadual Paulista
2 shared publications - Edna Possan
Universidade Federal da Integração Latino-Americana
1 shared publication - Gabriel Orquizas Mattielo Pedroso
Department of Civil Engineering, Faculty of Engineering and Sciences, São Paulo State University, Guaratinguetá 12516-410, Brazil
1 shared publication - Lisiane Pereira Prado
Department of Civil Engineering, School of Science and Engineering, São Paulo State University (UNESP), Guaratinguetá 12516-410, SP, Brazil
1 shared publication - Lisiane Pereira Prado
Universidade Estadual Paulista
1 shared publication - Mariana Ferreira Benessiuti Motta
Universidade Estadual Paulista (UNESP)
1 shared publication
Latest Publications
- Open Access
Influence of the ANN Hyperparameters on the Forecast Accuracy of RAC’s Compressive Strength
The artificial neural networks (ANNs)-based model has been used to predict the compressive strength of concrete, assisting in creating recycled aggregate concrete mixtures and reducing the environmental impact of the construction industry. Thus, the present study examines the effects of the training algorithm, topology, and activation function on the predictive accuracy of ANN when determining the compressive strength of recycled aggregate concrete. An experimental database of compressive strength with 721 samples was defined considering the literature. The database was used to train, validate, and test the ANN-based models. Altogether, 240 ANNs were trained, defined by combining three training algorithms, two activation functions, and topologies with a hidden layer containing 1–40 neurons. The ANN with a single hidden layer including 28 neurons, trained with the Levenberg–Marquardt algorithm and the hyperbolic tangent function, achieved the best level of accuracy, with a coefficient of determination equal to 0.909 and a mean absolute percentage error equal to 6.81%. Furthermore, the results show that it is crucial to avoid the use of overly complex models. Excessive neurons can lead to exceptional performance during training but poor predictive ability during testing.
Open AccessInfluence of the ANN Hyperparameters on the Forecast Accuracy of RAC’s Compressive Strength
The artificial neural networks (ANNs)-based model has been used to predict the compressive strength of concrete, assisting in creating recycled aggregate concrete mixtures and reducing the environmental impact of the construction industry. Thus, the present study examines the effects of the training algorithm, topology, and activation function on the predictive accuracy of ANN when determining the compressive strength of recycled aggregate concrete. An experimental database of compressive strength with 721 samples was defined considering the literature. The database was used to train, validate, and test the ANN-based models. Altogether, 240 ANNs were trained, defined by combining three training algorithms, two activation functions, and topologies with a hidden layer containing 1–40 neurons. The ANN with a single hidden layer including 28 neurons, trained with the Levenberg–Marquardt algorithm and the hyperbolic tangent function, achieved the best level of accuracy, with a coefficient of determination equal to 0.909 and a mean absolute percentage error equal to 6.81%. Furthermore, the results show that it is crucial to avoid the use of overly complex models. Excessive neurons can lead to exceptional performance during training but poor predictive ability during testing.
- Open Access
- 25 October 2023
- Published by Associacao Nacional de Tecnologia do Ambiente Construido (ANTAC) in ENCONTRO NACIONAL DE APROVEITAMENTO DE RESÍDUOS NA CONSTRUÇÃO
- Vol. 8, 1-7
Modelagem da carbonatação acelerada de concretos com cinza de casca de arroz via aprendizado de máquina
A crescente preocupação com as mudanças climáticas impulsiona a busca por alternativas sustentáveis na construção civil. A substituição parcial do cimento por cinza da casca de arroz (CCA) é uma estratégia que vem se mostrando eficiente. No entanto, a carbonatação do concreto, que afeta sua durabilidade, deve ser compreendida. Nesse contexto, as técnicas de aprendizado de máquina, como as Florestas aleatórias, surgem como ferramentas eficientes para modelar a carbonatação, considerando múltiplas variáveis. Deste modo, este estudo investiga o uso de Florestas aleatórias para prever a frente de carbonatação de concretos com CCA, visando proporcionamentos de baixo impacto ambiental. Os resultados obtidos apontam a viabilidade do modelo proposto, com nível de acurácia de 97,5%. Ademais, o modelo apresentou erro máximo de 3,91 mm, raiz do erro médio quadrático de 0,72 mm e erro percentual médio de 4,38%, aferindo boa capacidade de generalização na predição da profundidade de carbonatação.
- 25 October 2023
- Published by Associacao Nacional de Tecnologia do Ambiente Construido (ANTAC) in ENCONTRO NACIONAL DE APROVEITAMENTO DE RESÍDUOS NA CONSTRUÇÃO
- Vol. 8, 1-7
Open AccessModelagem da carbonatação acelerada de concretos com cinza de casca de arroz via aprendizado de máquina
A crescente preocupação com as mudanças climáticas impulsiona a busca por alternativas sustentáveis na construção civil. A substituição parcial do cimento por cinza da casca de arroz (CCA) é uma estratégia que vem se mostrando eficiente. No entanto, a carbonatação do concreto, que afeta sua durabilidade, deve ser compreendida. Nesse contexto, as técnicas de aprendizado de máquina, como as Florestas aleatórias, surgem como ferramentas eficientes para modelar a carbonatação, considerando múltiplas variáveis. Deste modo, este estudo investiga o uso de Florestas aleatórias para prever a frente de carbonatação de concretos com CCA, visando proporcionamentos de baixo impacto ambiental. Os resultados obtidos apontam a viabilidade do modelo proposto, com nível de acurácia de 97,5%. Ademais, o modelo apresentou erro máximo de 3,91 mm, raiz do erro médio quadrático de 0,72 mm e erro percentual médio de 4,38%, aferindo boa capacidade de generalização na predição da profundidade de carbonatação.