O concreto reforçado com fibras de aço (CRFA) tem demostrado ser um material muito promissor para resistir aos esforços cortantes em elementos estruturais. Pesquisas recentes demostram que o uso desse material em vigas de concreto armado, pode substituir totalmente ou parcialmente os estribos desses elementos, melhorando o seu comportamento aos estados limites de serviço e último. No entanto, devido à grande variabilidade de resultados experimentais e variáveis envolvidas no processo, um melhor entendimento sobre a contribuição de cada parâmetro do compósito no comportamento do elemento estrutural precisa ser elucidado. Neste sentido, esta pesquisa tem como objetivo principal o desenvolvimento de uma plataforma de aprendizado de máquina para predição dos parâmetros pós-fissuração e resistência à força cortante em vigas de CRFA a partir de dados experimentais encontrados na literatura. Faz-se, ainda, uma comparação dos resultados obtidos com modelos analíticos de dimensionamento à força cortante indicados em normas técnicas e referências da literatura para validação da metodologia apresentada. Os melhores modelos criados são baseados em árvores de decisão e foram incorporados à plataforma web desenvolvida. Os modelos foram capazes de realizar predições com boa performance e servem como base para novos elementos estruturais que venham a ser dimensionados com base em características do material e do elemento, auxiliando na elaboração de projetos estruturais.

Steel Fiber Reinforced Concrete (SFRC) has been shown to be a very promising material to resist shear forces in structural elements. Recent research shows that the use of this material in reinforced concrete beams can totally or partially replace the stirrups of these elements, improving their behavior at serviceability and ultimate limit states. However, due to the great variability of experimental results and variables involved in the process, a better understanding of the contribution of each parameter of the composite in the behavior of the structural element needs to be elucidated. In this sense, this research has as main objective the development of a Machine Learning framework to predict post-cracking parameters and shear strength of SFRC beams from experimental data found in the literature. A comparison is also made of the results obtained with analytical shear design models indicated in technical standards and references in the literature to validate the presented methodology. The best created models are based on decision trees and have been integrated into the developed web platform. The models were able to make predictions with good performance and serve as a reference for new structural elements that may be designed based on material and element characteristics, assisting in the development of structural projects.