No estado fresco, o concreto é composto por uma pasta de cimento (fluido), com agregados graúdos e miúdos (sólidos). A obtenção dos parâmetros de viscosidade plástica e tensão de escoamento é fundamental para estudar sua reologia. Dentre os diferentes tipos de concreto, destaca-se o concreto autoadensável (CAA), que se diferencia pela sua capacidade de fluir e preencher fôrmas sem a necessidade de vibração mecânica, devido à sua formulação otimizada com aditivos superplastificante e maior presença de materiais finos. Este estudo investiga o comportamento reológico do CAA em estado fresco, focando na previsão dos parâmetros de viscosidade plástica e tensão de escoamento, considerando a complexidade e não linearidade desses parâmetros em fluidos não-newtonianos. Para isso, redes neurais artificiais (RNAs) do tipo perceptron multicamadas (MLP) foram aplicadas devido à sua capacidade de otimização preditiva. Três diferentes conjuntos de dados foram utilizados no treinamento das RNAs, analisados em 60 topologias distintas, variando o número de neurônios, camadas ocultas e funções de ativação. As RNAs apresentaram bom desempenho na previsão dos parâmetros reológicos, avaliados por meio do coeficiente de determinação ($R^2$) e da raiz do erro quadrático médio normalizado (NRMSE), com melhores resultados na previsão da tensão de escoamento. Além disso, os parâmetros reológicos previstos pelas RNAs foram integrados às simulações numéricas de escoamento, com o objetivo de analisar o comportamento da solução. A modelagem foi conduzida com base no modelo constitutivo de Bingham suavizado, conforme Papanastasiou (1987), em combinação com o Método dos Elementos Finitos e Partículas (PFEM), apropriado para fluidos com superfícies livres e contornos móveis. Por fim, o estudo demonstrou a complementariedade entre RNAs e simulações numéricas na análise do concreto autoadensável.

In its fresh state, concrete consists of a cement paste (fluid), along with coarse and fine aggregates (solids). Obtaining plastic viscosity and yield stress parameters is essential to study its rheology. Among the different types of concrete, self-compacting concrete (SCC) stands out, due to its ability to flow and fill forms without needing mechanical vibration, due to its optimized formulation with superplasticizing additives and a greater presence of fine materials. This study investigates the rheological behavior of SCC in its fresh state, focusing on the prediction of these parameters, given the complexity and non-linearity characteristic of non-Newtonian fluids. For this purpose, artificial neural networks (ANNs) of the multilayer perceptron (MLP) type were employed, known for their predictive optimization capabilities. Three different datasets were used for training the ANNs, analyzed through 60 distinct topologies, varying the number of neurons, hidden layers, and activation functions. The ANNs demonstrated good performance in predicting rheological parameters, evaluated by the coefficient of determination ($R^2$) and normalized root mean square error (NRMSE), with better results for yield stress prediction. Furthermore, the rheological parameters predicted by the ANNs were integrated into the numerical flow simulations, with the aim of analyzing the solution behavior. The modeling was conducted based on the smoothed Bingham constitutive model, according to Papanastasiou (1987), in combination with the Particle Finite Element Method (PFEM), appropriate for fluids with free surfaces and moving boundaries. Finally, the study demonstrated the complementarity between ANNs and numerical simulations in the analysis of self-compacting concrete.