Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

Resumo Técnico: Predição da Razão de Suporte Califórnia com Modelos de Ensemble e Redes Neurais

Definição do Problema
A Razão de Suporte Califórnia (CBR) é um indicador geotécnico fundamental utilizado para avaliar a capacidade de carga de solos de subleito para infraestruturas de transporte e dimensionamento de fundações. Tradicionalmente, os valores de CBR são determinados através de ensaios de penetração em laboratório (úmido ou seco) envolvendo velocidades e profundidades de penetração específicas (2,5 mm e 5 mm). Embora precisos, esses métodos convencionais são caracterizados como demorados, intensivos em mão de obra e dispendiosos, particularmente quando aplicados a projetos de grande escala ou perfis de solo diversificados. Consequentemente, há uma necessidade de métodos de estimativa indiretos, rápidos e confiáveis que utilizem propriedades de índice de solo prontamente disponíveis.

Metodologia
Este estudo propõe uma estrutura baseada em dados para prever valores de CBR utilizando algoritmos de aprendizado de máquina (ML). A pesquisa utilizou um conjunto de dados abrangente composto por 382 amostras de solo coletadas de várias regiões geoclimáticas da Turquia, provenientes dos arquivos laboratoriais da Direção Geral de Rodovias da Turquia.

• Características de Entrada: As entradas do modelo incluíram sete propriedades do solo: Conteúdo de Brita (GC), Conteúdo de Areia (SC), Conteúdo de Finos (FC), Limite de Liquidez (LL), Índice de Plasticidade (PI), Densidade Seca Máxima (MDD) e Teor de Umidade Ótima (OMC).
• Particionamento de Dados: O conjunto de dados foi dividido aleatoriamente em um conjunto de treinamento (80%, n=305) e um conjunto de teste (20%, n=77).
• Seleção de Algoritmos: Doze modelos distintos de regressão foram implementados e comparados:
  • Métodos de Ensemble: Random Forest, Bagging, Extra Trees, Voting, Stacking, Gradient Boosting, AdaBoost e XGBoost.
  • Baseados em Árvores: Árvore de Decisão (Decision Tree).
  • Baseados em Kernel: Regressão de Vetores de Suporte (SVR).
  • Baseados em Instância: K-Vizinhos Mais Próximos (K-NN).
  • Redes Neurais: Perceptron Multicamadas (MLP).
• Otimização e Validação: Para garantir a robustez e evitar o sobreajuste (overfitting), a sintonia de hiperparâmetros foi realizada utilizando Grid Search com validação cruzada de 5 dobras (5-fold cross-validation). Cada modelo foi treinado e avaliado cinco vezes com diferentes estados aleatórios para considerar a variabilidade, sendo reportadas as métricas de desempenho médias.

Principais Resultados
O desempenho dos modelos foi avaliado utilizando o coeficiente de determinação ($R^2$), Erro Médio Absoluto (MAE) e Raiz do Erro Quadrático Médio (RMSE).

• Melhor Desempenho: O Random Forest Regressor emergiu como o modelo mais eficaz. Ele alcançou um escore de $R^2$ de 0,832 no conjunto de teste, com um MAE de 6,263 e um RMSE de 11,823.
• Desempenho Comparativo: Embora outros modelos de ensemble, como Bagging, Extra Trees e Voting Regressors, tenham demonstrado um forte desempenho, seus resultados foram ligeiramente inferiores ao Random Forest no conjunto de teste final. Notavelmente, o Voting Regressor apresentou um $R^2$ de treinamento alto (0,994), mas um $R^2$ de validação inferior (0,683), indicando potencial sobreajuste em comparação ao mais estável Random Forest.
• Comportamento do Modelo: A análise visual das predições do Random Forest (Real vs. Predito) revelou que a maioria dos pontos de dados se alinhava de perto com a linha diagonal ideal. A distribuição do erro foi próxima da normal e centrada em zero, indicando predições não enviesadas, embora uma leve tendência de superestimação tenha sido observada em casos específicos.
• Desempenhos Inferiores: Modelos como Stacking, MLP e Decision Tree apresentaram escores de $R^2$ de teste mais baixos (0,519, 0,748 e 0,683, respectivamente), sugerindo que foram menos eficazes em capturar as relações não lineares neste conjunto de dados específico em comparação aos métodos de ensemble baseados em árvores.

Principais Contribuições

1. Análise Comparativa Abrangente: O estudo fornece uma avaliação sistemática de doze algoritmos de ML diversos, variando de árvores de decisão simples a complexos ensembles de stacking e redes neurais, aplicados especificamente à predição de CBR no contexto das condições geoclimáticas turcas.
2. Estrutura de Validação Robusta: Ao empregar validação cruzada de 5 dobras, múltiplas iterações de estados aleatórios e uma divisão rigorosa entre treino e teste, o estudo estabelece um protocolo rigoroso para avaliar a generalização do modelo em aplicações geotécnicas.
3. Identificação da Arquitetura Ótima: A pesquisa identifica o Random Forest como a arquitetura superior para este problema específico, destacando sua capacidade de mapear relações complexas e não lineares entre as propriedades de índice do solo e a capacidade de carga de forma mais eficaz do que os outros métodos testados.

Significância e Alegações
O artigo afirma que a integração do aprendizado de máquina na engenharia geotécnica oferece uma alternativa viável aos testes laboratoriais tradicionais. A principal significância reside no potencial de reduzir o tempo e os custos de teste, mantendo a precisão preditiva. O estudo apoia a adoção de modelos centrados em dados para a estimativa indireta de CBR, promovendo uma mudança em direção à transformação digital na análise e no dimensionamento de infraestruturas. Os autores concluem que as técnicas de aprendizado baseadas em ensemble, particularmente o Random Forest, são ferramentas robustas para tarefas geotécnicas preditivas, capazes de lidar com a complexidade do comportamento do solo sem os encargos logísticos dos testes físicos de penetração.