Resumo Técnico: Modelos Híbridos (FEM-ML) para Predição de Deslocamento Lateral de Tampas de Estacas sob Carga Quasi-Estática

1. Definição do Problema

A predição precisa do deslocamento lateral de tampas de estacas sob cargas quasi-estáticas permanece um desafio significativo na engenharia geotécnica devido à natureza complexa e não linear da Interação Solo-Estrutura (ISE). Métodos analíticos tradicionais, como abordagens de Estado Limite Último (ex: Broms) e métodos de Reação do Subsolo (ex: curvas p-y), frequentemente dependem de simplificações que falham em capturar deformações complexas do solo, efeitos de grupo e a degradação estrutural não linear de estacas de concreto armado (CA), particularmente o fissuramento. Por outro lado, a Modelagem de Elementos Finitos (FEM) 3D sofisticada oferece alta fidelidade, mas é computacionalmente dispendiosa e demorada, tornando-se inadequada para iterações rápidas de projeto. Além disso, as aplicações existentes de Aprendizado de Máquina (ML) neste domínio sofrem com a falta de transparência (natureza de "caixa-preta") e com a escassez de conjuntos de dados de campo de alta qualidade para estacas de grande diâmetro. Este estudo aborda o compromisso entre precisão e eficiência propondo uma estrutura híbrida que utiliza a FEM para gerar dados sintéticos para treinar modelos de IA interpretáveis e precisos.

2. Metodologia

A pesquisa emprega uma metodologia híbrida de quatro fases combinando simulação baseada em física com modelagem orientada a dados:

Fase 1: Desenvolvimento e Validação da FEM

Um modelo numérico 3D robusto foi desenvolvido utilizando o PLAXIS 3D (v24.2).

• Modelos Constitutivos: O modelo Hardening Soil (HS) simulou o comportamento do solo, enquanto o Concrete Model (CM) foi utilizado para as estacas de CA para simular explicitamente o fissuramento e a redução da rigidez à flexão. A armadura de aço foi modelada como elementos de placa incorporados com elementos de interface para simular o comportamento de bond-slip (aderência-deslizamento).
• Validação: A estrutura FEM foi comparada com três testes de carga experimentais em escala real: dois do Projeto do Monotrilho do Cairo (Estacas 60C00 e NCC19) e um do Teste de Carga de Estacas de Kiev. A inclusão do CM melhorou significativamente a precisão para estacas longas em comparação com modelos Elásticos Lineares (LE), com erros mantendo-se dentro de uma faixa de engenharia aceitável (ex: -3,71% a 2,54%).

Fase 2: Estudo Paramétrico e Geração de Dados Sintéticos

Após a validação, um estudo paramétrico abrangente gerou 450 simulações FEM 3D únicas cobrindo:

• Configurações: Estacas isoladas e grupos quadrados (2×2, 4×4, 6×6).
• Geometria: Razões espaçamento-diâmetro (S/D) de 2–8 e razão comprimento-diâmetro (L/D) de 10, 20 e 30.
• Perfis de Solo: Seis tipos (3 argilas coesivas, 3 areias incoesivas) utilizando o modelo HS.
• Carregamento: Cargas laterais quasi-estáticas de até 25 mm de deslocamento, com cargas verticais variáveis para isolar a influência axial.
• Transformação de Dados: As curvas carga-deslocamento brutas foram ajustadas a uma função hiperbólica para extrair dois alvos fisicamente significativos: Rigidez Inicial ($K_{init}$) e Capacidade Lateral Última ($P_{ult}$). Esses alvos foram transformados via logaritmo para normalizar a variância dos dados.

Fase 3: Desenvolvimento de Modelos de IA

O conjunto de dados sintéticos foi dividido (80/20) em conjuntos de treinamento e teste para solos arenosos e argilosos. Diversos algoritmos de ML foram treinados para mapear sete características de entrada (espaçamento, número de estacas, comprimento, carga vertical, módulo de Young, peso específico e parâmetros de resistência ao cisalhamento) para os altermos de saída:

• Algoritmos: Regressão Linear (base), Gradient Boosting Regressor (GBR), Support Vector Regression (SVR) e Multi-Layer Perceptron (MLP).
• Otimização: Os hiperparâmetros para modelos não lineares foram ajustados usando Otimização por Enxame de Partículas (PSO) para minimizar o RMSE de Validação Cruzada de 5 dobras.
• Interpretabilidade: A Regressão Polinomial Evolutiva (EPR) foi empregada para derivar equações matemáticas simbólicas e transparentes. A análise SHAP (SHapley Additive exPlanations) foi aplicada aos melhores modelos GBR para quantificar a importância das características.

3. Principais Resultados

Desempenho do Modelo

• Superioridade do GBR: O modelo GBR otimizado por PSO alcançou a maior precisão preditiva. Para a predição de rigidez em argila, atingiu um coeficiente de correlação próximo a 0,99 com um RMSE tão baixo quanto 0,015. Consistiu em superar consistentemente as arquiteturas SVR e MLP em todos os conjuntos de dados.
• Transparência da EPR: Os modelos EPR geraram com sucesso equações simbólicas de forma fechada (ex: Eq. 3–6) que relacionam entradas geotécnicas às respostas das estacas, oferecendo um equilíbrio entre precisão e interpretabilidade de engenharia.

Insights Paramétricos

• Efeitos de Grupo: O aumento no número de estacas aumentou significativamente tanto a rigidez inicial quanto a capacidade última, sendo que o ganho de capacidade foi mais dominante em solos arenosos.
• Espaçamento: O maior espaçamento reduziu o efeito de "sombreamento", aumentando geralmente a capacidade, embora o tamanho do grupo tenha sido o fator governante principal.
• Carregamento Vertical: As cargas verticais aumentaram significativamente a capacidade lateral última (devido ao confinamento e ao atraso no fissuramento), mas tiveram um efeito negligenciável na rigidez elástica inicial.
• Rigidez do Solo: O módulo elástico do solo foi o parâmetro governante primário para a rigidez inicial.

Validação e Limitações

• Validação de Campo: O modelo GBR foi validado contra um caso de campo (Raj et al., 2024) e mostrou alta correlação no intervalo elástico inicial ($y < 0,02$ m). No entanto, em deslocamentos maiores ($y > 0,05$ m), o modelo tendeu a subestimar a capacidade última, provavelmente devido ao foco dos dados de treinamento no deslocamento inicial de 0,025 m e às limitações de parâmetros de solo equivalentes em depósitos estratificados.
• Benchmarks: Contra métodos clássicos (Broms, LPile), o modelo GBR teve bom desempenho para limites de serviço (erro de ±20%), mas exibiu um "efeito de platô" para a capacidade última em regimes de alta capacidade, uma limitação conhecida de modelos de conjunto baseados em árvores que não conseguem extrapolar além dos máximos de treinamento.

4. Significância e Contribuições

O artigo afirma que esta abordagem híbrida FEM-IA fornece uma ferramenta altamente precisa e orientada a dados que avança a confiabilidade e a eficiência do projeto de fundações de estacas laterais. Suas principais contribuições incluem:

1. Preenchimento da Lacuna Precisão-Eficiência: O estudo demonstra que modelos híbridos podem fornecer a precisão rigorosa da modelagem numérica 3D em uma fração do tempo exigido pela simulação direta, tornando-os adequados para iterações preliminares de projeto.
2. Abordagem do Problema da "Caixa-Preta": Ao integrar EPR e SHAP, o estudo transforma previsões de IA opacas em ferramentas explicáveis. A análise SHAP confirmou que a IA aprendeu princípios físicos, como o domínio da geometria na capacidade e das propriedades do solo na rigidez.
3. Modelagem Explícita de Fissuração de CA: A validação destacou a necessidade crítica de usar modelos constitutivos avançados (CM) para capturar o fissuramento do concreto, o que afeta significativamente a rigidez à flexão e o deslocamento de estacas longas.
4. Equações de Projeto Simbólicas: As equações derivadas por EPR oferecem aos engenheiros relações transparentes de forma fechada para prever respostas de grupos de estacas, facilitando a integração direta nos fluxos de trabalho de projeto sem depender de softwares complexos.

Os autores concluem que, embora o modelo atual seja uma ferramenta robusta para solos de média a alta dureza sob cargas operacionais, trabalhos futuros devem focar em expandir os conjuntos de dados com diversas medições de campo, integrar perfis de solo multicamadas complexos e avançar em Redes Neurais Informadas pela Física (PINNs) para lidar com problemas de ISE 3D em grande escala de forma mais eficaz.