Metaheuristic-Optimized Machine Learning Models for Predicting Shear Strength of Circular Concrete-Filled Steel Tubes with SHAP-Based and PDP Interpretability

Imagine que você esteja construindo um arranha-céu ou uma ponte enorme. Para fazer com que esses gigantes permaneçam de pé contra o vento, terremotos e tráfego pesado, os engenheiros costumam usar um truque inteligente: eles despejam concreto dentro de um tubo de aço oco. Pense nisso como um marshmallow coberto de chocolate, mas em vez de um doce macio, você tem uma casca de aço superforte abraçando um núcleo de concreto. O aço impede que o concreto rache, e o concreto impede que o aço sofra flambagem, criando um supermaterial que pode suportar um peso incrível. Isso é chamado de Tubo de Aço Preenchido com Concreto (CFST, na sigla em inglês).

No entanto, há um perigo sorrateiro nessas estruturas. Embora sejam ótimas para suportar cargas pesadas vindas de cima, elas podem subitamente romper lateralmente se forem empurradas com muita força pela lateral. Isso é chamado de "falha por cisalhamento", e acontece tão rápido que os edifícios não têm chance de avisar você antes de desmoronarem. Por décadas, os engenheiros tentaram prever exatamente quanta força esses tubos podem suportar antes de romper usando fórmulas matemáticas complexas. Mas essas fórmulas antigas são como tentar adivinhar o tempo olhando para uma única nuvem; elas frequentemente perdem as formas complicadas como o aço e o concreto interagem. É por isso que os cientistas estão recorrendo ao "aprendizado de máquina" — programas de computador que aprendem com experimentos passados para encontrar padrões que os humanos podem deixar passar. A grande questão é: será que um computador consegue aprender a receita secreta para um tubo seguro e inquebrável melhor do que os antigos livros de matemática?

Este artigo mergulha nessa questão, ensinando quatro diferentes "cérebros" de computador a prever a resistência ao cisalhamento de tubos circulares de concreto preenchidos com aço. Os pesquisadores reuniram dados de 230 experimentos passados, como um chef coletando 230 receitas diferentes para o bolo perfeito. Eles então alimentaram esses dados em quatro modelos inteligentes: dois que utilizam um método chamado "Otimização por Enxame de Partículas" (que funciona como um bando de pássaros procurando a melhor fonte de alimento) e dois que utilizam a "Otimização Bayesiana" (que atua como um detetive fazendo suposições educadas para resolver um mistério). Esses modelos foram combinados com dois estilos de aprendizado diferentes: "Random Forest" (que faz muitas perguntas e tira uma média das respostas) e "CatBoost" (um aprendiz super-rápido que é excelente em lidar com dados bagunçados).

Os resultados foram empolgantes. Os modelos de computador não apenas adivinharam; eles aprenderam os padrões com uma precisão incrível. O melhor desempenho foi de uma combinação chamada "BO-Cat" (Otimização Bayesiana com CatBoost). Na fase de teste, onde o modelo enfrentou novos dados que não tinha visto antes, ele obteve um índice de precisão (R²) de 0,9817. Para colocar em perspectiva, se a pontuação perfeita é 1,0, este modelo estava quase exato. O segundo melhor modelo, "PSO-Cat", também fez um trabalho fantástico, com uma pontuação de 0,9874. O artigo mostra explicitamente que esses modelos inteligentes são muito melhores do que as fórmulas matemáticas tradicionais e antigas, que frequentemente lutam com a dança complexa e não linear entre o aço e o concreto.

Mas os pesquisadores não queriam apenas uma "caixa preta" que desse respostas sem explicar o porquê. Eles queriam saber por que o computador fazia aquelas previsões. Usando uma ferramenta chamada SHAP (que atua como um holofote, destacando quais ingredientes eram mais importantes), eles descobriram que os fatores mais importantes eram o tamanho do núcleo de concreto e o tamanho do tubo de aço. Curiosamente, a razão entre o comprimento e a largura do tubo também desempenhou um papel crucial, enquanto a resistência específica do aço ou do concreto importava menos do que se poderia imaginar. A equipe até construiu uma "Interface Gráfica de Usuário" simples (uma ferramenta amigável, tipo um aplicativo) para que qualquer engenheiro pudesse digitar seus números e obter instantaneamente uma previsão segura, completa com uma explicação do que impulsionou aquele número.

Em suma, este estudo sugere que, ao combinar algoritmos de busca inteligentes com modelos de aprendizado poderosos, podemos prever a segurança desses blocos de construção críticos com muito mais precisão do que antes. O artigo confirma que os novos modelos são confiáveis, com os modelos BO-Cat e PSO-Cat provando ser os guias mais dignos de confiança para projetar estruturas mais seguras e fortes. Embora o artigo observe que mais dados e diferentes tipos de tubos poderiam tornar esses modelos ainda melhores no futuro, os achados atuais oferecem uma ferramenta poderosa para manter nossas pontes e edifícios de pé.