Resumo Técnico: Desenvolvimento de Algoritmos de Aprendizado de Máquina para Predizer o Nível de Dano de Estruturas de Concreto Armado Expostas a Cargas Dinâmicas Extremas

1. Definição do Problema

As estruturas de concreto armado (CA) são cada vez mais vulneráveis a cargas explosivas devido ao aumento da frequência de ataques terroristas e potenciais acidentes industriais. Os métodos tradicionais para avaliar danos por explosão — testes experimentais e simulações numéricas — enfrentam limitações significativas. A análise experimental é dispendiosa, demorada e apresenta graves riscos à segurança. Por outro lado, embora as simulações numéricas (por exemplo, Análise de Elementos Finitos usando LS-DYNA) ofereçam insights detalhados, elas exigem recursos computacionais extensos e expertise especializada, tornando-as impraticáveis para o projeto preliminar rápido ou triagem de vulnerabilidade em larga escala.

Existe uma necessidade crítica de um método mais simples, rápido e preciso para predizer os níveis de dano em colunas de CA sob carregamento de explosão. Este estudo aborda essa lacuna investigando a eficácia de algoritmos de Aprendizado de Máquina (ML) como alternativas baseadas em dados aos métodos de simulação tradicionais.

2. Metodologia

2.1 Geração de Dados e Simulação Numérica

A pesquisa utilizou um conjunto abrangente de dados gerado através de simulações numéricas em vez de experimentos físicos.

• Software: O LS-DYNA foi utilizado para modelar a resposta dinâmica de colunas de CA sob carregamento explosivo.
• Detalhes do Modelo: Os modelos representaram colunas de CA retangulares (seção transversal de 500×700 mm, altura de 4400 mm) com reforço longitudinal e transversal específico.
• Modelos de Materiais:
  • Concreto: Modelado usando MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) para capturar o comportamento não linear, acumulação de dano e efeitos de taxa de deformação.
  • Aço: Modelado usando MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
  • Taxa de Deformação: Fatores de Incremento Dinâmico (DIF) baseados no Código de Modelo CEB-FIB foram aplicados tanto ao concreto quanto ao aço para considerar as altas taxas de deformação típicas de eventos de explosão.
• Carregamento: As cargas de explosão foram simuladas usando um histórico de pressão-tempo triangular simplificado aplicado à superfície da coluna, definido pela sobrepressão de pico e duração da fase positiva.
• Validação: O modelo numérico foi validado contra dados experimentais de Baylot e Benvis (2007), mostrando concordância próxima na deflexão de meia altura e no deslocamento residual.

2.2 Avaliação de Dano

Um índice de dano ($D$) foi definido com base na capacidade de carga axial residual da coluna:
$$D = 1 - \frac{P_{residual}}{P_d}$$
Onde $P_{residual}$ é a capacidade da coluna danificada e $P_d$ é a capacidade da coluna não danificada. Os níveis de dano foram classificados em quatro categorias: Baixo ($0 < D < 0,2$), Médio ($0,2 < D < 0,5$), Alto ($0,5 < D < 0,8$) e Colapso ($0,8 < D < 1$).

2.3 Estrutura de Aprendizado de Máquina

Cinco algoritmos distintos de ML foram treinados e testados no conjunto de dados derivado dos modelos de elementos finitos:

1. Random Forest (RF)
2. Light Gradient Boosting Machine (LightGBM)
3. Categorical Boosting (CatBoost)
4. Extreme Gradient Boosting (XGBoost)
5. Support Vector Machine (SVM)

Características de Entrada (10 parâmetros):

• Geométricos: Profundidade da coluna ($D$), largura ($w$), altura ($H$).
• Materiais: Resistência à compressão do concreto ($f_c$), resistência ao escoamento do aço longitudinal ($f_y$), resistência ao escoamento do aço transversal ($f_{yt}$), taxa de reforço longitudinal ($\rho$), taxa de reforço transversal ($\rho_s$).
• Explosão: Peso da carga ($W$), Distância escalonada ($Z$).

3. Principais Contribuições

• Análise Comparativa: O estudo fornece uma comparação rigorosa de cinco algoritmos de ML de última geração especificamente para o problema não linear e rico em limiares de predição de dano por explosão em colunas de CA.
• Identificação do Algoritmo Ótimo: Identifica o CatBoost como o modelo superior para esta aplicação específica, superando o RF, XGBoost, LightGBM e SVM em termos de precisão e confiabilidade.
• Quantificação da Importância das Características: A pesquisa quantifica a influência relativa dos parâmetros geométricos, de materiais e de explosão na severidade do dano, oferecendo insights baseados em dados para otimização de projeto.
• Análise de Sensibilidade: O estudo mapeia as relações não lineares entre as variáveis de entrada (ex: peso da carga, profundidade da coluna) e o índice de dano resultante, identificando limiares críticos no comportamento estrutural.

4. Resultados

4.1 Desempenho do Modelo

O desempenho foi avaliado usando $R^2$, Erro Quadrático Médio (MSE), Erro Absoluto Médio (MAE), Score de Variância Explicada (EVS), Erro Percentual Absoluto Médio (MAPE) e Erro Logarítmico Médio Quadrático (MSLE).

• CatBoost (Nível 1): Alcançou o maior desempenho com um $R^2$ de 0,7125, um MAE de 1.061,09 e um MAPE de 17,63%. Demonstrou o melhor equilíbrio entre precisão e confiabilidade.
• Random Forest (Nível 2): Mostrou bom desempenho ($R^2 = 0,6274$) com a maior estabilidade (menor desvio padrão em $R^2$), tornando-se uma alternativa robusta.
• XGBoost (Nível 2): Alcançou uma precisão média competitiva ($R^2 = 0,6109$), mas exibiu alta variabilidade (desvio padrão de 0,2313), sugerindo sensibilidade às divisões de dados.
• LightGBM (Nível 3): Entregou um desempenho marginal ($R^2 = 0,5043$), provavelmente devido à sua estratégia de crescimento por folha (leaf-wise) que causou overfitting em padrões localizados.
• SVM (Nível 4): Falhou completamente com um $R^2$ de -0,0170, indicando incapacidade de capturar as não linearidades complexas e transições descontínuas (ex: do dano localizado ao colapso) inerentes ao carregamento de explosão.

4.2 Importância das Características

Com base no modelo CatBoost, os parâmetros de entrada foram classificados pelo seu nível de influência na predição de dano:

1. Profundidade do Elemento Estrutural ($D$): 38,45% (Fator dominante).
2. Peso da Carga: 27,25%.
3. Resistência ao Escoamento do Reforço Longitudinal ($f_y$): 14,55%.
4. Distância Escalonada ($Z$): 6,42%.
5. Taxa de Reforço Transversal ($\rho_s$): 3,04%.
6. Resistência ao Escoamento do Reforço Transversal ($f_{yt}$): 2,71%.
7. Resistência à Compressão do Concreto ($f_c$): 2,66%.
8. Altura da Coluna ($H$): 2,21%.
9. Largura da Coluna ($w$): 1,78%.
10. Taxa de Reforço Longitudinal ($\rho$): 0,93%.

4.3 Sensibilidade e Limiares

• Profundidade: Existe um limiar distinto entre 550 mm e 650 mm. Aumentar a profundidade além de 600 mm gera retornos decrescentes na redução do dano.
• Peso da Carga: O dano aumenta logaritmicamente com o peso da carga, estabilizando-se conforme a estrutura se aproxima do colapso total.
• Resistência do Concreto: Aumentar $f_c$ além de 45 MPa oferece benefício adicional mínimo devido ao efeito de taxa de deformação (DIF), que normaliza as diferenças de resistência estática.
• Reforço Transversal: Dentro do intervalo estudado, as variações no reforço transversal tiveram impacto negligenciável na métrica de dano da capacidade de carga axial residual, desde que os requisitos mínimos de norma fossem atendidos.

5. Significância e Alegações

O artigo alega que os modelos de ML desenvolvidos, particularmente o CatBoost, fornecem uma ferramenta rápida e precisa para predizer os danos estruturais e modos de falha de colunas de CA sob carregamento de explosão.

• Utilidade Prática: Os modelos podem substituir simulações de elementos finitos computacionalmente caras para projeto preliminar e triagem de vulnerabilidade, desde que coeficientes de segurança apropriados sejam aplicados.
• Orientação de Projeto: O estudo oferece recomendações de projeto específicas e fundamentadas em dados:
  • Priorizar o aumento da profundidade da coluna em vez de aumentar a resistência do concreto ou adicionar reforço transversal para resistência a explosões.
  • Utilizar aço longitudinal de alta resistência ($f_y \ge 500$ MPa) para aproveitar os benefícios da taxa de deformação.
  • Evitar especificar resistências de concreto significativamente acima de 45 MPa para resistência a explosões, pois o ganho marginal é baixo.
  • Focar na distância escalonada (afastamento) como uma medida de proteção primária durante o planejamento do sítio.

Os autores concluem que, embora os modelos sejam limitados aos intervalos de parâmetros e dados de simulação numérica utilizados, eles representam um passo significativo em direção a um projeto de resistência a explosões eficiente e baseado em dados. O estudo explicitamente evita alegar aplicabilidade universal além dos intervalos testados e sugere que trabalhos futuros incorporem dados experimentais e se estendam a outros elementos estruturais.