A Look into How Machine Learning is Reshaping Engineering Models: the Rise of Analysis Paralysis, Optimal yet Infeasible Solutions, and the Inevitable Rashomon Paradox

Resumo Técnico: Uma Análise de Como o Aprendizado de Máquina está Remodelando Modelos de Engenharia

Definição do Problema
O artigo aborda uma tensão filosófica e prática dentro da engenharia civil: a ampla aceitação de provisões codificadas derivadas empiricamente (ex: equação de Manning, equações de resistência ao cisalhamento) versus o ceticismo em torno de modelos de Aprendizado de Máquina (ML). Embora ambos dependam de fundamentos estatísticos, as fórmulas empíricas tradicionais são confiáveis devido a décadas de validação, transparência na interação de variáveis e alinhamento com o julgamento de engenharia. Em contraste, os modelos de ML são frequentemente vistos como "caixas pretas" que carecem de interpretabilidade física, desafiando a mentalidade tradicional da engenharia, que prioriza a compreensão de mecanismos em vez da pura precisão preditiva. O artigo argumenta que essa hesitação decorre de um descompasso entre a natureza digitalizada do ML e as formas matemáticas familiares das equações empíricas, bem como de uma falta de padronização e validação histórica para o ML na prática da engenharia.

Metodologia
O estudo emprega uma abordagem multifacetada combinando discussão filosófica com estudos de caso empíricos para demonstrar como o ML pode ser integrado ao raciocínio de engenharia via dedução, indução e abdução.

1. Análise da Hierarquia de Modelos: O artigo categoriza modelos de engenharia, desde os baseados em física (ex: Método de Elementos Finitos) até os puramente orientados a dados, mapeando-os para equivalentes de ML, como Redes Neurais Informadas pela Física (PINNs) e modelos de descoberta causal.
2. Estudos de Caso de Raciocínio:
   • Indução: Utilizando a biblioteca PySR (Regressão Simbólica) em um conjunto de dados de resistência à compressão do concreto (1.030 amostras), o estudo deriva novas expressões matemáticas. Estas são comparadas com a Lei de Abram e algoritmos tradicionais de ML (Random Forest, XGBoost, etc.) para avaliar a precisidade preditiva e a importância das características.
   • Abdução: Um modelo Random Forest é treinado em dados de resistência ao fogo para colunas de Concreto Armado (CA) (140 testes) para identificar configurações estruturais que atendam a uma meta de 120 minutos de resistência ao fogo. O estudo utiliza valores SHAP (SHapley Additive exPlanations) para interpretabilidade e emprega agrupamento não supervisionado para gerar hipóteses para configurações de alto desempenho.
   • Dedução: O artigo discute as limitações da fórmula de Flambagem de Euler (suposições idealizadas) e propõe como o ML pode calibrar modelos de Elementos Finitos ou usar abordagens Bayesianas para considerar imperfeições do mundo real, embora um novo estudo de caso específico para dedução tenha sido omitido para evitar redundância com a literatura existente.
3. Investigação de Paradoxos: O estudo identifica e analisa três paradoxos específicos decorrentes da adoção do ML:
   • Paralisia de Análise: Alta precisão ao custo da compreensão física.
   • Soluções Ótimas, porém Inviáveis: Otimização gerando designs que violam a construtibilidade ou a padronização.
   • O Paradoxo de Rashomon: Explicações contraditórias de diferentes métodos de interpretabilidade (SHAP vs. LIME) que podem conflitar com leis físicas.

Principais Resultados

• Indução (Resistência do Concreto): A regressão simbólica (PySR) gerou expressões para a resistência à compressão do concreto que superaram significativamente a Lei de Abram (R² = 0,926 vs. 0,724) ao utilizar apenas a relação água-cimento. Ao incorporar todas as proporções da mistura, os modelos de ML (Gradient Boosting, LightGBM, XGBoost) atingiram valores de R² de até 0,9477, superando extensões empíricas tradicionais. A análise de importância de características confirmou que o ML identificou variáveis fisicamente relevantes (ex: relação água-cimento, idade, teor de cimento).
• Abdução (Resistência ao Fogo): O modelo Random Forest alcançou um R² de 0,748 no conjunto de teste para prever a resistência ao fogo de colunas de CA, revelando que a altura da coluna e a excentricidade reduzem a resistência ao fogo, enquanto a espessura do cobrimento e a largura a aumentam. O agrupamento não supervisionado agrupou com sucesso os dados em cinco clusters distintos baseados em propriedades de carga e materiais, permitindo a geração de novas configurações plausíveis para uma meta de 240 minutos.
• Paradoxos Identificados:
  • Paralisia de Análise: Um modelo de regressão simbólica para a capacidade axial de Tubos de Aço Preenchidos com Concreto (CFST) superou as provisões do AISC 360, Eurocode 4 e AS 2327 em termos de MAE e RMSE. No entanto, a expressão resultante carecia de justificativa física clara, ilustrando o trade-off entre precisão e interpretabilidade.
  • Soluções Inviáveis: Um estudo de otimização para colunas de CFST usando o algoritmo SPINEX produziu uma solução teoricamente ótima (diâmetro de 380 mm) que satisfazia a resistência ao fogo e as restrições de volume, mas era inviável devido à inexistência de uma seção de aço padrão de 380 mm.
  • Paradoxo de Rashomon: Comparar SHAP e LIME no modelo de colunas de CA revelou atribuições de características conflitantes. Por exemplo, um método sugeriu que o maior limite de escoamento melhorava a resistência ao fogo, enquanto o outro sugeriu que o reduzia, contradizendo princípios termomecânicos estabelecidos, apesar da alta precisão estatística do modelo.

Significância e Alegações
O artigo alega que, embora o ML ofereça capacidades preditivas superiores e a habilidade de lidar com relações complexas e não lineares na engenharia estrutural, sua integração requer um repensar da epistemologia e da educação em engenharia. O autor argumenta que o ML não deve substituir os métodos tradicionais, mas servir como uma extensão do conjunto de ferramentas do engenheiro.

A significância do trabalho reside na identificação de três paradoxos críticos que devem ser resolvidos para que o ML possa ser adotado com segurança:

1. Preencher a Lacuna de Interpretabilidade: Engenheiros devem ir além da aceitação da "caixa preta" usando abordagens híbridas (ex: Redes Neurais Informadas pela Física) e frameworks de validação que garantam que as previsões do ML se alinhem com os mecanismos físicos.
2. Garantir a Construtibilidade: Algoritmos de otimização devem incorporar restrições discretas e sistemas baseados em conhecimento para evitar a geração de designs teoricamente ótimos, mas praticamente inviáveis.
3. Resolver Conflitos de Explicabilidade: O artigo defende uma abordagem de explicabilidade de múltiplos métodos, onde os resultados de ferramentas como SHAP e LIME são sintetizados e filtrados através de uma camada de verificação física para garantir que as atribuições de características não contradigam as leis fundamentais da engenharia.

Em última análise, o artigo conclui que o futuro da educação e da prática da engenharia deve harmonizar os princípios tradicionais com o ML, abordando o papel diminuído da intuição humana e a necessidade de frameworks de ML padronizados, interpretáveis e eticamente sólidos na profissão.