🤖 AI

A fuzzy adaptive metaheuristic algorithm for identifying sustainable, economical, lightweight, and earthquake-resistant reinforced concrete cantilever retaining walls

Este estudo propõe um novo algoritmo metaheurístico adaptativo baseado em lógica fuzzy para otimizar muros de arrimo em balanço de concreto armado para resiliência sísmica, alcançando designs sustentáveis, econômicos e leves ao resolver um complexo problema de otimização restrita de doze dimensões sob nove condições sísmicas.

Autores originais: Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Publicado 2026-06-08

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Farshid Keivanian, Raymond Chiong, Ali R. Kashani, Amir H. Gandomi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um arquiteto encarregado de construir um muro maciço e de alta resistência para conter uma encosta de terra. Este não é apenas um muro qualquer; é um Muro de Arrimo feito de concreto armado, projetado para permanecer de pé mesmo quando o chão começar a tremer durante um terremoto.

O desafio? Você precisa encontrar o design "Goldilocks" (o equilíbrio perfeito):

Forte o suficiente para não desmoronar.
Leve o suficiente para economizar materiais.
Barato o suficiente para caber no orçamento.
Verde o suficiente para produzir o mínimo de emissões de carbono.

O problema é que existem milhões de maneiras de construir este muro (mudando a espessura da base, a altura da parede, a quantidade de aço no interior, etc.). Tentar todas as combinações manualmente levaria uma eternidade. É aqui que entram os autores deste artigo com um novo e inteligente programa de computador.

Aqui está uma divisão simples do que eles fizeram:

1. O Problema: Um Labirinto de Milhões de Caminhos

Imagine projetar este muro como tentar encontrar o ponto mais baixo em uma gigantesca cordilheira envolta em névoa. Você quer encontrar o ponto absoluto mais baixo (o melhor design), mas existem milhares de vales (soluções locais) que parecem ser o fundo, mas não são. Além disso, o terreno está cheio de placas de "Proibido Entrar" (regras de segurança). Se o seu design quebrar uma regra de segurança, o muro desmorona e você recebe uma penalidade enorme.

O muro tem 12 botões diferentes que você pode girar (como ajustar a largura da base ou a quantidade de aço). Girar esses botões altera o custo, o peso e a segurança. O objetivo é girá-los para a configuração perfeita.

2. A Solução: Um "Enxame" de Exploradores Inteligentes e Difusos

Os autores criaram um novo algoritmo de computador chamado FAGLSUD. Para entender como ele funciona, imagine enviar uma equipe de 100 exploradores para dentro dessa cordilheira nebulosa para encontrar o ponto mais baixo.

Em vez de apenas vagar aleatoriamente, esses exploradores são organizados em Impérios (grupos), liderados pelos exploradores mais inteligentes (chamados de "Imperialistas"). Os demais são "Colônias" (seguidores).

O algoritmo utiliza três truques especiais para ajudar a equipe a encontrar o melhor ponto mais rapidamente:

Truque 1: O Movimento "Seguir o Líder" (Aprendizado Global)
Se um explorador vê que o líder de seu grupo ou o melhor explorador de toda a montanha está em um lugar melhor, ele se move em direção a eles. Isso ajuda a equipe a focar intensamente em boas soluções rapidamente.
Truque 2: O Movimento "Vagar por Aí" (Diversidade Universal)
Às vezes, todos ficam presos no mesmo pequeno vale. Para corrigir isso, o algoritmo diz a alguns exploradores para olharem para os melhores pontos de outros grupos e saltarem em uma direção diferente. Isso ajuda a equipe a explorar novas áreas para que não percam um vale melhor por perto.
Truque 3: O Movimento "Mutação" (Busca Local)
Isso é como dar um pequeno passo lateral para ver se uma pequena mudança torna o lugar ainda melhor. É um mecanismo de refinamento para polir a solução.

3. O Cérebro "Fuzzy": Tomando Decisões Sem um Livro de Regras

Aqui está a parte inteligente. Normalmente, programas de computador precisam que humanos definam regras estritas (ex: "Se estiver 50% concluído, mova-se 10% mais rápido"). Mas o mundo real é bagunçado.

Os autores deram aos seus exploradores um "Cérebro Fuzzy" (Lógica Difusa). Em vez de regras estritas de "Sim/Não", o cérebro usa conceitos como "Baixo", "Médio" e "Alto".

Exemplo: Se a equipe está "travada" (não encontrando lugares melhores) e está no "início" da busca, o cérebro diz: "Ei, vamos ser mais aventureiros e explorar mais!"
Exemplo: Se a equipe está "perto do fim" e "indo bem", o cérebro diz: "Ok, vamos parar de vagar e focar em polir o melhor lugar que encontramos."

Este sistema "Fuzzy" permite que o computador aprenda sobre a hora e ajuste sua estratégia automaticamente, sem que um humano precise ajustar as configurações.

4. O Fator Terremoto

O muro não está apenas parado lá; ele tem que sobreviver a um terremoto. O computador simula o chão tremendo usando coeficientes "pseudo-estáticos" (basicamente, fingindo que o tremor é um peso empurrando o muro). Eles testaram nove cenários de terremoto diferentes (desde um tremor leve até um abalo forte) para garantir que o design suporte todos eles.

5. Os Resultados: O Vencedor Leva Tudo

Os autores testaram seu novo algoritmo de "Enxame Fuzzy" contra outros programas de computador famosos (como Algoritmos Genéticos, Otimização por Enxame de Partículas e outros).

Eles rodaram a simulação 101 vezes para dois tamanhos de muro diferentes para ter certeza. Os resultados mostraram que o novo algoritmo deles foi o campeão. Ele consistentemente encontrou designs que eram:

Mais baratos (economizou dinheiro).
Mais leves (usou menos concreto e aço).
Mais verdes (produziu menos poluição de CO2).

A Conclusão

O artigo afirma que, ao usar este novo algoritmo "Fuzzy" autoadaptável, os engenheiros podem projetar muros resistentes a terremotos que são mais seguros, mais baratos e melhores para o meio ambiente do que o que era anteriormente possível com métodos de computador antigos. É como dar a uma equipe de exploradores um mapa inteligente e adaptável que aprende conforme avançam, garantindo que encontrem o caminho absolutamente melhor através da névoa.

Resumo Técnico: Uma Metaheurística Adaptativa Difusa para o Projeto Sustentável de Muros de Arrimo de Concreto Armado (RCC)

Formulação do Problema
Este estudo aborda a complexa otimização de muros de arrimo de concreto armado (RCC) em balanço, especificamente em zonas propensas a terremotos. O desafio de projeto é caracterizado como um problema de otimização restrito de doze dimensões, envolvendo oito variáveis geométricas contínuas (ex: largura da base, espessura da haste) e quatro variáveis estruturais discretas (áreas de armadura de aço). O objetivo é identificar projetos que sejam simultaneamente sustentáveis (baixas emissões de CO2), econômicos (baixo custo) e leves, mantendo a integridade estrutural sob cargas sísmicas.

A análise utiliza o método pseudo-estático, empregando a teoria de Mononobe-Okabe (M-O) para simular efeitos sísmicos através de nove combinações distintas de coeficientes de aceleração horizontal ( $k_h$ ) e vertical ( $k_v$ ), variando de 0 a 0,3. A otimização está sujeita a 26 restrições rigorosas derivadas da ACI 318-05 (2005) para resistência estrutural (capacidade de cisalhamento e momento) e da DAS (1994) para estabilidade geotécnica (tombamento, deslizamento e capacidade de carga). O espaço de solução é ainda mais complexo devido à natureza não linear dessas restrições e aos tipos de variáveis mistas (contínuas e discretas).

Metodologia: O Algoritmo FAGLSUD
Para navegar neste espaço de busca de alta dimensão e restrito, os autores propõem um novo algoritmo de Aprendizado Global e Busca Local com Diversidade Universal Adaptativa Difusa (FAGLSUD). Esta metaheurística integra conceitos de Inteligência de Enxame (especificamente o Algoritmo de Competição Imperialista e a Otimização por Enxame de Partículas) e Algoritmos Evolutivos (Evolução Diferencial), aprimorados por Sistemas de Lógica Difusa (FLS) para controle adaptativo.

Os componentes principais do FAGLSUD incluem:

Estrutura de Subpopulação: O espaço de busca é dividido em "impérios" (subpopulações) contendo "imperialistas" (melhores soluções) e "colônias" (outras soluções) para facilitar o compartilhamento de informações.
Três Operadores de Busca Inovadores:
- Adaptação de Velocidade Baseada em Aprendizado Global (GLVA): Foca na explotação, guiando as colônias em direção aos seus melhores valores pessoais e aos de seus imperialistas, e os imperialistas em direção ao melhor global.
- Divergência de Velocidade Baseada em Diversidade Universal (UDVD): Foca na exploração, aprendendo com soluções diversas em toda a população para evitar a convergência prematura.
- Busca Local Aprimorada Baseada em Evolução Diferencial (EDELS): Mimica o gradiente descendente para aprimorar o compartilhamento de informações e o refinamento local através de fases de mutação e cruzamento.
Mecanismos Adaptativos Difusos: Ao contrário das metaheurísticas tradicionais que exigem ajuste manual de parâmetros, o FAGLSUD utiliza Sistemas de Inferência Difusa (FIS) para ajustar dinamicamente os parâmetros de controle (ex: coeficientes de aprendizado, fatores de escala) e selecionar o operador de busca mais apropriado.
- Variáveis de Entrada: O FIS utiliza "Potências Relativas Normalizadas" (medindo a distância entre as soluções atuais, os melhores locais e o melhor global) e a contagem de "Iteração Normalizada".
- Ações de Saída: O sistema adapta os parâmetros para equilibrar exploração e explotação com base no status de convergência atual (ex: aumentando a diversificação se o algoritmo estagnar).
- Seleção de Operador: Um sistema de regras difusas avalia a "estagnação" sobre janelas de tempo para selecionar probabilisticamente qual operador de busca (GLVA, UDVD ou EDELS) deve ser aplicado na próxima iteração.

Principais Contribuições

Algoritmo Inovador: A introdução do FAGLSUD, que combina de forma única a dinâmica de subpopulações com três estratégias de busca distintas, todas governadas por uma estrutura adaptativa difusa que elimina a necessidade de ajuste manual de parâmetros.
Projeto Sísmico Multiobjetivo: O estudo é o primeiro a aplicar tal técnica de otimização automatizada a muros de RCC considerando nove casos de carregamento sísmico pseudo-estático simultaneamente, visando três funções objetivo distintas: custo mínimo, peso mínimo e emissões de CO2 mínimas.
Integração da Sustentabilidade: O cálculo explícito das emissões de CO2 incorporadas com base nos volumes de materiais e fatores de emissão padrão (base de dados BEDEC), vinculando a otimização estrutural diretamente à redução do impacto ambiental.
Robustez: O algoritmo é projetado para lidar com a alta não linearidade e dimensionalidade do problema sem a sobrecarga computacional de uma extensa análise de sensibilidade de parâmetros.

Resultados e Desempenho
A eficácia do FAGLSUD foi validada utilizando dois exemplos numéricos de projeto (Exemplo 1 e Exemplo 2) com diferentes restrições de contorno. O algoritmo foi testado contra um conjunto de metaheurísticas clássicas e de última geração, incluindo Otimização por Enxame de Partículas (PSO), Otimização de Lobo Cinzento (GWO), Algoritmo de Polinização de Flores (FPA), Otimização Baseada em Biogeografia (BBO) e Simulated Annealing (SA).

Configuração Experimental: Cada algoritmo foi executado 101 vezes de forma independente com um tamanho de população de 50 e um máximo de 1000 iterações.
Métricas de Desempenho: O estudo comparou os valores médios dos objetivos (Custo, Peso, CO2) e o Desvio Padrão (SD) através dos nove cenários sísmicos.
Descobertas: O FAGLSUD superou consistentemente os algoritmos comparativos, alcançando menores custos, pesos e emissões de CO2 médios. A significância estatística desses resultados foi verificada pelo teste de postos de Wilcoxon. Os mecanismos adaptativos difusos equilibraram efetivamente o processo de busca, permitو que o algoritmo escapasse de ótimos locais e convergisse para soluções superiores de forma mais confiável do que seus equivalentes de parâmetros fixos.

Significado e Alegações
O artigo afirma que o FAGLSUD oferece uma solução robusta e automatizada para o projeto sustentável de infraestruturas resistentes a terremotos. Ao integrar a lógica difusa no mecanismo de busca, o método aborda o gargalo do "ajuste de parâmetros" comum em metaheurísticas, tornando-o mais acessível e eficiente para problemas complexos de engenharia civil.

Os autores enfatizam que sua abordagem preenche uma lacuna de pesquisa ao abordar simultaneamente a inovação algorítmica e as implicações ambientais do projeto de RCC. O estudo demonstra que a otimização estrutural pode reduzir significativamente o carbono incorporado de muros de arrimo sem comprometer a segurança sísmica ou a viabilidade econômica. O método proposto é apresentado como um passo para práticas de construção mais sustentáveis diante das crescentes mudanças climáticas e riscos sísmicos, fornecendo uma ferramenta que maximiza a eficiência de materiais enquanto minimiza o impacto ambiental.