PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/10206
Registro completo de metadados
Campo DCValorIdioma
dc.creatorLopes, Iago de Souzapt_BR
dc.date.accessioned2025-12-18T21:48:03Z-
dc.date.available2025-12-18T21:48:03Z-
dc.date.issued2025-12-05-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/10206-
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectOtimizaçãopt_BR
dc.subjectAlgoritmo genéticopt_BR
dc.subjectMachine learningpt_BR
dc.titleOtimização de hiperparâmetros com algoritmo genético: uma análise comparativa entre ANN e RF para predição do índice de suporte Califórniapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Ribeiro, Alexandrept_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1810688034922299pt_BR
dc.contributor.referee1Ribeiro, Alexandrept_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1810688034922299pt_BR
dc.contributor.referee2Luz, Marta Pereira dapt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5995967458007910pt_BR
dc.contributor.referee3Dantas, Maria José Pereirapt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/5115002204148904pt_BR
dc.description.resumoO tempo demandado para realizar o ensaio do Índice de Suporte Califórnia (ISC) justifica a busca por métodos preditivos computacionais. No entanto, modelos de Machine Learning frequentemente carecem de uma metodologia de validação criteriosa, arriscando conclusões superestimadas. Visando contribuir com esta temática, este trabalho propõe um framework robusto para a otimização e comparação de modelos ANN e RF, via Algoritmo Genético (GA). A metodologia avalia sistematicamente múltiplos cenários experimentais a partir de banco de dados público da COPPE/UFRJ. Os resultados demonstraram que a abordagem de otimização é eficaz, com o modelo GA-ANN, alcançando um R² de 0.780 nos dados de teste. O framework apresentado consiste em uma ferramenta eficaz para o desenvolvimento de modelos preditivos, agilizando a estimativa do CBR para dar suporte às análises preliminares e decisões de anteprojeto em pavimentação.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.degree.graduationCiências da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo TamanhoFormato 
artigo_anpet_final_revisado (1).pdf232,08 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.

Ferramentas do administrador