Resumo Técnico: Otimização de Custos de Materiais de Proteção Contra Incêndio Baseada em Física e Assistida por Modelos Substitutos (Surrogate)

1. Definição do Problema

A integridade estrutural de elementos de aço sob condições de incêndio é crítica para a segurança das edificações, mas as metodologias de projeto tradicionais para Proteção Passiva Contra Incêndio (PFP) são frequentemente ineficientes. As práticas atuais baseiam-se na seleção prescritiva de catálogos de fabricantes, o que frequentemente resulta em componentes superdimensionados que falham em minimizar o uso de materiais ou custos. Esses métodos são limitados por:

• Preços de Mercado Discretos: O mercado de PFP opera em níveis de preços "quantizados" em vez de um contínuo de custo-desempenho suave, tornando a otimização contínua difícil.
• Escassez de Dados: Testes de fogo experimentais de alta fidelidade são caros e destrutivos, levando a conjuntos de dados esparsos que dificultam o treinamento de modelos de aprendizado de máquina robustos.
• Limitações de Problemas Diretos vs. Inversos: As ferramentas existentes resolvem primariamente "problemas diretos" (prever tempos de falha para materiais conhecidos) em vez de "problemas inversos" (identificar as propriedades ideais do material para atender às restrições de segurança ao custo mínimo).
• Falta de Integração Econômica: Estruturas de otimização anteriores frequentemente ignoram a economia real do mercado, focando apenas no desempenho termofísico ou custos operacionais.

2. Metodologia

O estudo propõe um novo Framework de Design Inverso Baseado em Física e Assistido por Modelos Substitutos (Surrogate), implementado como um Compilador de Aprendizado de Máquina Universal (UMLC) modular. A metodologia integra três componentes principais:

A. Aquisição de Dados e Geração de "Fenótipo Digital"

• Conjunto de Dados: Um conjunto de dados de 1.657 itens de proteção contra incêndio comerciais foi compilado a partir de listas de preços de 2025 da região DACH (Alemanha, Áustria, Suíça). Após a filtragem por relevância estrutural (placas, lajes, mantas) e limpeza, um conjunto de dados operacional final de N=533 materiais foi estabelecido.
• DNA do Material: Para enfrentar a escassez de dados em curvas de condutividade térmica, os autores desenvolveram uma estratégia de Imputação Polinomial Baseada em Tipo. A condutividade térmica $\lambda(T)$ é modelada como um polinômio de segunda ordem ($\lambda(T) = k_2 T^2 + k_1 T + k_0$). Para materiais com dados incompletos, a "forma" (coeficientes de curvatura $k_1, k_2$) é transferida da família química do material, enquanto o coeficiente base ($k_0$) é ancorado ao único ponto de dado disponível. Isso cria um "Fenótipo Digital" contínuo para cada material.

B. Modelagem de Custo por Modelo Substituto (Surrogate)

• Objetivo: Prever o custo de mercado ($C_{mat}$) com base em descritores físicos sem depender de tabelas de consulta estáticas.
• Seleção de Modelo: Um "Torneio de Modelos" comparou vários algoritmos (Regressão Linear, SVM, MLP, Random Forest, XGBoost, CatBoost). O CatBoost foi seleciono como o motor substituto devido ao seu desempenho superior no tratamento de dados tabulares e estruturas de preços quantizadas e não lineares (Erro Quadrático Médio $\approx$ 180, $R^2 \approx$ 0,77).
• Recursos (Features): O vetor de entrada inclui espessura ($d_p$), densidade ($\rho$) e os três coeficientes de condutividade térmica ($k_2, k_1, k_0$).

C. Ciclo de Otimização Orientado pela Física

• Solucionador de Física: Um solucionador numérico de Método de Diferenças Finitas (FDM), em conformidade com o Eurocode 3 (EN 1993-1-2), calcula a evolução da temperatura do aço sob a curva de incêndio padrão ISO 834. O solucionador impõe uma restrição de segurança rígida: a temperatura do aço não deve exceder 500°C em 180 minutos (R180).
• Algoritmo de Otimização: Um Algoritmo Genético (GA) realiza uma busca heurística global para minimizar a função de perda composta:
  $$\mathcal{F}(G) = \frac{1}{Cost_{pred} + \mathcal{P}_{safety} + \mathcal{P}_{risk}}$$
• Quantificação de Incerteza: Para evitar que o GA explore "pontos cegos" no modelo substituto (alucinando materiais fisicamente impossíveis), um mecanismo de Quantificação de Incerteza Baseada em Distância (DUQ) foi implementado. Utilizando um estimador de densidade K-Vizinhos Mais Próximos (KNN), soluções que caem fora do manufóide empírico de treinamento são penalizadas, garantindo que os "Fenótipos Digitais" gerados permaneçam fisicamente credíveis.

3. Principais Resultados

O framework identificou com sucesso um ótimo global para resistência ao fogo R180:

• Configuração Ótima: Uma placa de lã mineral com espessura de 78,2 mm e densidade de 56,0 kg/m³.
• Desempenho Térmico: A verificação numérica confirmou que a solução mantém as temperaturas do aço abaixo de 487,7°C na marca de 180 minutos, fornecendo uma margem de segurança de 12,3°C.
• Desempenho Econômico: O custo de mercado previsto é de 23 EUR/m², significativamente inferior ao custo médio das alternativas comerciais em conformidade.
• Topologia do Cenário de Custos: A análise revelou que o cenário de custos é não convexo e quantizado, caracterizado por degraus e platôs de preços discretos. Isso confirmou que otimizadores baseados em gradiente falhariam, validando a necessidade de modelos substitutos baseados em árvores e busca evolutiva.
• Análise de Sensibilidade: A solução é altamente sensível à espessura (um desvio de -3,5% causa falha), mas surpreendentemente insensível à densidade, permitindo que o otimizador minimize agressivamente a densidade para reduzir o custo sem comprometer a resistência térmica.

4. Significância e Alegações

O artigo posiciona este trabalho como uma mudança de paradigma da seleção prescritiva de materiais para o design generativo de materiais automatizado e orientado pelo custo.

• Design Generativo: O estudo demonstra que a IA pode identificar configurações de materiais ideais ("Fenótipos Digitais") que não existem atualmente nos catálogos de fabricantes, mas que são fisicamente realizáveis dentro de classes de materiais conhecidas (especificamente fibra rochosa industrial).
• Lacuna de Eficiência Econômica: O framework revela uma "Vantagem de Precisão", identificando que o arredondamento padronizado de catálogos leva a uma redução de 12–18% de material em comparação com os requisitos físicos exatos.
• Validação Híbrida: Ao acoplar o aprendizado de máquina com um ciclo de "Simulação Rígida" de física, o estudo supera as limitações de "Caixa Preta" dos modelos puramente orientados a dados, garantindo que as soluções otimizadas em termos de custo sejam termodinamicamente válidas e seguras.
• Contribuição de Dados: Os autores publicam o conjunto de dados operacional de 533 materiais de proteção estrutural e o conjunto de dados bruto de 1.657 itens para enfrentar o gargalo da "Fome de Dados" na pesquisa de engenharia de incêndio.

Os autores concluem que este framework fornece um template escalável para o design inverso na engenharia civil, permitindo a descoberta de soluções de segurança onde custo e integridade estrutural são equilibrados através de otimização automatizada e orientada pelo desempenho.