Resumo Técnico: Estrutura de Aprendizado de Máquina Integrada à Física para a Predição da Capacidade de Carga de Conexões de Aço-Madeira Parafusadas em Madeiras Tropicais Duras

1. Definição do Problema

A predição da capacidade de carga lateral de conexões de aço-madeira parafusadas continua sendo um desafio significativo na engenharia de madeira, particularmente para madeiras tropicais duras. Os padrões de projeto existentes, como o Modelo de Escoamento Europeu (EYM) e o Modelo de Cisalhamento de Fileira (RSM), foram calibrados primariamente utilizando espécies de coníferas temperadas (ex: abeto, pinho, bétula). Esses modelos frequentemente carecem de precisão quando aplicados a madeiras tropicais malaias como o Balau (Shorea spp.) e o Bitis (Madhuca spp.), que possuem densidades mais elevadas, estruturas de grãos distintas e mecanismos de falha diferenciados.

Além disso, a aplicação de aprendizado de máquina (ML) neste domínio enfrenta três obstáculos metodológicos específicos:

1. Escassez e Estrutura de Dados: Conjuntos de dados experimentais para testes de conexão são tipicamente pequenos e altamente estruturados, com múltiplos espécimes compartilhando entradas geométricas idênticas dentro de um único grupo de conexão.
2. Vazamento de Dados (Data Leakage): A validação cruzada aleatória padrão ao nível do espécime leva ao vazamento de dados, onde os modelos "memorizam" as respostas dos grupos em vez de aprenderem mapeamentos generalizáveis, resultando em estimativas de desempenho excessivamente otimistas.
3. Falta de Fundamentação Física: Modelos puramente orientados a dados podem produzir predições que violam princípios de engenharia estabelecidos, especialmente ao extrapolar além do domínio de treinamento.

2. Metodologia

2.1 Conjunto de Dados Experimentais

O estudo utilizou um conjunto de dados composto por 36 grupos de conexão (360 espécimes individuais) derivados de testes sistemáticos de conexões parafusadas de placa de aço para madeira, de cisalhamento simples e fileira única.

• Espécies: Balau e Bitis (Grupo de Resistência 1 da Malásia).
• Configuração: Parafusos M13 Grau 4.6, placas de aço doce de 6 mm, carga aplicada paralela às fibras.
• Variáveis: Número de fixadores ($N$), razão de distância de extremidade ($e/d$) e razão de espaçamento de parafusos ($s_b/d$).
• Alvo: A carga média de cada grupo foi utilizada como o ponto de dado para a modelagem.

2.2 Estrutura Integrada à Física

O estudo adotou uma estratégia de aprendizado de resíduo físico em vez de treinar modelos para prever a capacidade de carga do zero.

• Âncora Física: Três equações de projeto estabelecidas (EYM, RSM e MS544-5) foram computadas para cada grupo. O mínimo dessas três predições ($R_{min}$) serviu como a base física.
• Aprendizado de Resíduo: Os modelos de ML foram treinados para prever o erro residual ($\varepsilon = R_{exp} - R_{min}$) em vez da capacidade de carga absoluta. A predição final ($R_{ml}$) é calculada como $R_{min} + \hat{y}(\varepsilon)$. Isso garante que as predições permaneçam ancoradas na teoria física.

2.3 Validação e Explicabilidade

• Validação Cruzada Leave-One-Out por Grupo (Group-LOO-CV): Para evitar o vazamento de dados, o estudo empregou um esquema de validação cruzada de 36 dobras, onde grupos de conexão inteiros (não apenas espécimes individuais) foram retidos como conjuntos de teste. Isso garante que o modelo seja testado em configurações geométricas não vistas.
• Algoritmos: Seis algoritmos foram avaliados: Regressão de Vetores de Suporte (SVR), CatBoost, XGBoost, Floresta Aleatória (Random Forest), K-Vizinhos Mais Próximos (KNN) e Gradient Boosting.
• Explicabilidade: SHAP (SHapley Additive exPlanations) e importância por permutação foram utilizados para quantificar as contribuições das características e garantir a interpretabilidade física.
• Calibração: Um fator de calibração ($\phi$) foi derivado como o 5º percentil da razão entre os valores experimentais e preditos para gerar resistências de projeto conservadoras ($R_{5th}$).

3. Resultados Principais

3.1 Desempenho Preditivo

Todos os modelos superaram a linha de base baseada em códigos ($R_{min}$). A Regressão de Vetores de Suporte (SVR) emergiu como o modelo de melhor desempenho:

• $R^2$: 0,876 (±0,043)
• RMSE: 6,09 kN
• MAE: 4,80 kN
• Viés (Bias): -0,783 kN (ligeiramente conservador)

O CatBoost ($R^2$ = 0,846) e o XGBoost ($R^2$ = 0,842) seguiram de perto. Testes estatísticos (Wilcoxon signed-rank) indicaram que, embora o SVR tenha sido o melhor desempenho, as diferenças entre os três principais modelos não foram estatisticamente significativas ao nível de confiança de 95%. No entanto, o SVR demonstrou o desempenho mais consistente entre as dobras.

3.2 Importância das Características

A análise SHAP revelou que a Espécie de Madeira, a Razão de Espaçamento de Parafusos e a Razão de Distância de Extremidade foram os preditores mais influentes.

• Espécie de Madeira: Identificada como a característica dominante, refletindo a diferença de 6,9 kN na capacidade média entre Bitis e Balau.
• Utilização da Âncora Física: O SVR e o CatBoost atribuíram importância significativa à âncora física ($R_{min}$), garantindo consistência física. Em contraste, o XGBoost ignorou amplamente a âncora física (valor SHAP ~0,19 kN), baseando-se em vez disso em entradas geométricas, o que pode limitar sua confiabilidade de extrapolação.

3.3 Calibração e Aplicação de Projeto

O estudo derivou fatores de calibração ($\phi$) para converter as predições brutas em valores de projeto conservadores.

• Fator de Calibração SVR: $\phi$ = 0,842.
• Resistência Característica ($R_{5th}$): A predição calibrada do SVR resultou em um $R_{5th}$ de 26,27 kN, que é ligeiramente inferior ao benchmark experimental de 27,45 kN. Isso confirma que a estrutura produz valores de projeto conservadores e seguros, comparáveis aos padrões existentes como o MS544-5.

4. Principais Contribuições

1. Rigor Metodológico: O estudo aborda a questão crítica do vazamento de dados em conjuntos de dados experimentais pequenos e estruturados ao implementar o Group-LOO-CV, um passo necessário frequentemente negligenciado em aplicações de ML estrutural.
2. Estratégia de Resíduo Físico: Demonstra que treinar modelos para corrigir a lacuna entre as predições de código e os resultados experimentais (em vez de prever do zero) gera maior precisão e consistência física para madeiras tropicais duras.
3. Explicabilidade no Projeto: Ao integrar a análise SHAP, o estudo valida que os modelos de ML aprendem relações fisicamente significativas (ex: a dominância de espécies e razões de espaçamento) em vez de correlações espúrias.
4. Calibração Prática: A derivação de um fator de calibração específico fornece um caminho direto para integrar as predições de ML em estruturas de projeto conservadoras, unindo a precisão orientada por dados aos requisitos de segurança da engenharia.

5. Significância e Alegações

O artigo afirma representar uma das primeiras estruturas de aprendizado de máquina integradas à física desenvolvidas especificamente para a predição da capacidade de carga de conexões de aço-madeira parafusadas em madeiras tropicaas duras do Grupo de Resistência 1 da Malásia.

A significância do trabalho reside em sua capacidade de:

• Estender as orientações de projeto para madeiras tropicais onde os padrões existentes são menos precisos.
• Fornecer um "caminho claro e fundamentado na física" para estender as orientações de projeto sem substituir as teorias mecânicas estabelecidas.
• Oferecer um protocolo de validação robusto e resistente a vazamentos que pode servir como modelo para outros problemas de engenharia estrutural com dados limitados e estruturados.

Os autores mantêm uma postura modesta, reconhecendo que a estrutura está atualmente limitada às espécies Balau e Bitis e a configurações de fileira única. Eles enfatizam que o modelo é destinado a ser uma ferramenta de suporte à decisão para complementar, não substituir, os padrões de projeto existentes, e que trabalhos futuros exigirão validação em conjuntos de dados externos e uma gama mais ampla de espécies.