RESUMO A determinação da condutividade hidráulica em solos não saturados é essencial ao realizar análises de fluxo transiente nesses meios porosos. No entanto, a execução de ensaios de laboratório e de campo para a determinação dessa propriedade hidráulica não é prática corrente no âmbito da geotecnia, por se tratar de procedimentos demorados e dispendiosos. As redes neurais artificiais (RNA) têm sido bastante empregadas em Mecânica dos Solos, permitindo a estimativa de uma forma fácil e simples de fenômenos complexos e multivariados. Desse modo, este artigo tem como objetivo apresentar um modelo de estimativa da condutividade hidráulica em solos não saturados desenvolvido a partir de um tipo de RNA conhecido como perceptron multicamadas (MLP). As variáveis de entrada do modelo são: índice de vazios inicial, teor de umidade gravimétrico inicial, percentuais de areia, silte e argila, índice de plasticidade, coeficiente de permeabilidade saturado e sucção matricial. Durante a modelagem, um total de 275 exemplos foram utilizados, dos quais 85% foram empregados na fase de treinamento, e 15% na fase de teste. O modelo proposto possui uma arquitetura A: 8-4-2-1 e apresentou coeficiente de correlação de 0,97 após 500 mil iterações em ambas as fases de treinamento e de teste. Os resultados do modelo se ajustaram satisfatoriamente aos dados experimentais utilizados nas fases de treinamento e de teste, e a rede neural proposta foi capaz de representar a influência das variáveis de entrada no comportamento hidráulico de diferentes tipos de solo.
ABSTRACT The determination of hydraulic conductivity in unsaturated soils is essential when performing transient flow analysis in these porous media. However, the execution of laboratory and field tests to determine this hydraulic property is not a current practice in the scope of geotechnics, as these are time-consuming and expensive procedures. Artificial neural networks (ANN) have been widely used in Soil Mechanics, allowing the estimation of complex and multivariate phenomena in an easy and simple way. Thus, this article aims to present a model for estimating hydraulic conductivity in unsaturated soils developed from a type of ANN known as multilayer perceptron (MLP). The model’s input variables are the initial void ratio, initial gravimetric water content, sand content, silt content, clay content, plasticity index, saturated permeability coefficient and matric suction. During modeling, a total of 275 examples were used, of which 85% were used in the training phase, and 15% in the testing phase. The proposed model has an A: 8-4-2-1 architecture and presented a correlation coefficient of 0.97 after 500 thousand iterations in both training and testing phases. The results of the model adjusted satisfactorily to the experimental data used in the training and test phases, and the proposed neural network was able to represent the influence of the input variables on the hydraulic behavior of different types of soil.