Parameter optimization, shaking table test, and intelligent response prediction of adjacent structures connected by viscous dampers

Imagine dois edifícios altos posicionados lado a lado em uma cidade movimentada. Quando o chão começa a tremer durante um terremoto, esses edifícios não apenas balançam; eles dançam em seus próprios ritmos únicos. Se um edifício for alto e rígido enquanto seu vizinho for mais baixo e flexível, eles podem oscilar fora de sincronia. Isso é um pouco como dois dançarinos tentando se mover juntos, mas pisando nos pés um do outro, o que pode levar a uma colisão dolorosa ou "pancada" (pounding) que danifica ambas as estruturas. Os engenheiros sabem há muito tempo que adicionar um amortecedor de choque — como um amortecedor de carro gigante e de alta tecnologia — entre os edifícios pode ajudar a fazê-los se mover em harmonia e absorver a energia da oscilação. Mas aqui está a parte difícil: descobrir exatamente onde colocar esses amortecedores e o quão fortes eles precisam ser é um quebra-cabeça massivo. Se você errar o palpite, os amortecedores podem não ajudar em nada, ou podem até piorar a situação. Este é o desafio que os pesquisadores enfrentam: como ajustar esses "amortecedores sísmicos de choque" perfeitamente para que os edifícios vizinhos permaneçam seguros e estáveis durante um abalo.

Neste estudo, uma equipe de pesquisadores da Universidade de Fuzhou decidiu resolver esse quebra-cabeça usando uma mistura de matemática computacional superinteligente, experimentos físicos e inteligência artificial. Eles começaram construindo um gêmeo digital de duas torres adjacentes — uma com 15 andares e outra com 7 andares — e usaram um "algoritmo genético" (pense nisso como um processo de evolução digital que tenta milhares de configurações aleatórias de amortecedores e mantém apenas as melhores) para encontrar a receita perfeita. Eles descobriram que posicionar amortecedores em andares específicos e ajustar sua força poderia reduzir significativamente a oscilação dos edifícios. Para garantir que sua matemática computacional não fosse apenas uma fantasia, eles construíram um modelo em escala reduzida de 1/20 de tamanho dessas torres e o testaram em uma mesa vibratória gigante em um laboratório. Os resultados foram promissores: o modelo do mundo real comportou-se quase exatamente como o computador previu, e a adição de amortecedores reduziu a oscilação do topo da torre principal em até 35% e do topo da torre menor em quase 49%.

Mas os pesquisadores não pararam por aí. Eles perceberam que rodar uma simulação computacional complexa toda vez que um novo terremoto ocorre é muito lento para emergências do mundo real. Então, eles ensinaram um "cérebro computacional inteligente" (uma rede neural) a prever como os edifícios reagiriam em um instante. Ao alimentar essa IA com milhares de cenários de seus experimentos, eles criaram um modelo que poderia prever a oscilação e o balanço máximos dos edifícios com mais de 92% de precisão, quase instantaneamente. O trabalho deles sugere que usar múltiplos amortecedores em diferentes locais funciona melhor do que usar apenas um, e que essa combinação inteligente de otimização, testes físicos e previsão por IA oferece uma nova maneira poderosa de manter nossas cidades seguras quando o chão começa a se mover.

A Evolução Digital e o Teste Físico

Os pesquisadores abordaram o problema de conectar dois edifícios de tamanhos diferentes (uma estrutura "principal" de 15 andares e uma "subestrutura" de 7 andares) com amortecedores viscosos. Eles sabiam que simplesmente adivinhar onde colocar os amortecedores não era suficiente. Em vez disso, construíram um sistema sofisticado que combinava o MATLAB (um software de matemática) com o SAP2000 (um programa de engenharia estrutural). Eles utilizaram um Algoritmo Genético (GA), que funciona de forma semelhante à seleção natural. Imagine um computador que gera milhares de ideias aleatórias para onde colocar os amortecedores e qual deve ser sua força. Ele então "testa" essas ideias em um mundo virtual. As ideias que funcionam melhor — ou seja, as que reduzem mais a oscilação — são mantidas e "cruzadas" entre si para criar ideias ainda melhores para a próxima rodada. Esse processo se repete até que o computador encontre a configuração absoluta ideal.

Eles testaram dois cenários principais:

1. ASVD-1: Um sistema com um único conjunto de amortecedores.
2. ASVD-2: Um sistema com dois conjuntos de amortecedores colocados em locais diferentes.

O computador determinou que, para as torres específicas que estavam estudando, a melhor localização para um único amortecedor era no 7º andar, enquanto a melhor configuração de dois amortecedores envolvia colocá-los no 1º e no 7º andares. A "força" ideal (coeficiente de amortecimento) variou dependendo do tipo de terremoto, variando de 260 Ns/mm a 340 Ns/mm.

O Agito do Mundo Real

Para provar que seu computador não estava apenas sonhando, a equipe construiu um modelo físico. Eles construíram uma torre principal de 15 andares e uma subestrutura de 7 andares usando paredes de cisalhamento de microconcreto e estruturas de cobre, em escala reduzida para 1/20 do tamanho de um edifício real. Eles colocaram este modelo em uma enorme mesa vibratória capaz de simular terremotos reais. Testaram o modelo com três registros de terremotos famosos: El Centro, San Fernando e SHW2.

Os resultados da mesa vibratória foram um grande sucesso. O comportamento do modelo físico coincidiu incrivelmente bem com as previsões do computador. As "frequências de vibração" naturais do modelo real foram menos de 5% diferentes do modelo computacional, e as respostas de oscilação reais (o quanto os andares se moveram) ficaram dentro de 10% da simulação. Isso deu aos pesquisadores alta confiança de que seu método de otimização digital era confiável.

Ao comparar os edifícios com e sem amortecimento, as melhorias foram claras:

• Sob o terremoto El Centro: O sistema de amortecedor único (ASVD-1) reduziu o deslocamento do topo da torre principal em 27,33% e a aceleração em 24,01%. O sistema de dois amortecedores (ASVD-2) foi ainda melhor, reduzindo o deslocamento em 35,69% e a aceleração em 26,98%. A torre menor viu ganhos ainda maiores, com o deslocamento caindo por quase 49% com a configuração de dois amortecedores.
• Sob o terremoto San Fernando: O sistema de dois amortecedores reduziu o deslocamento da torre principal em 47,68% e a aceleração em 19,14%.
• Sob o terremoto SHW2: O sistema de dois amortecedores reduziu o deslocamento da torre principal em 22,19% e a aceleração em 20,03%.

Os dados mostraram consistentemente que o ASVD-2 (a configuração de dois amortecedores) foi o vencedor. Ele proporcionou um melhor controle tanto sobre a estrutura principal quanto sobre a subestrutura do que a configuração de um único amortecedor, sugerindo que espalhar os amortecedores por diferentes andares ajuda os edifios a trabalharem juntos de forma mais eficaz para combater a oscilação.

A Bola de Cristal: Previsão por IA

Embora o algoritmo genético tenha encontrado as melhores configurações, rodar essas simulações complexas toda vez que um novo cenário de terremoto surge é demorado. Para acelerar o processo, os pesquisadores construíram uma rede neural SSA-BP. Pense nisso como uma "bola de cristal" treinada com os dados de seus experimentos e simulações.

Eles alimentaram este modelo de IA com um conjunto de dados massivo contendo 100 registros de terremotos diferentes (incluindo ondas de campo distante, campo próximo e ondas de pulso) e várias configurações de amortecedores. A IA aprendeu a prever quatro resultados principais:

1. Deslocamento máximo da estrutura principal (MSD).
2. Aceleração máxima da estrutura principal (MSA).
3. Deslocamento máximo da subestrutura (SD).
4. Aceleração máxima da subestrutura (SA).

Os resultados foram impressionantes. O modelo de IA alcançou um coeficiente de determinação (R²) superior a 0,92 para todos os quatro resultados, tanto nos dados de treinamento quanto nos de teste. Em termos simples, isso significa que as previsões da IA estavam extremamente próximas dos resultados reais, com muito pouco erro. Por exemplo, o Erro Médio Percentual Absoluto (MAPE) para a previsão da aceleração da estrutura principal foi de cerca de 8-9%. Isso sugere que, no futuro, os engenheiros poderiam usar esta ferramenta de IA para prever instantaneamente o quão bem um sistema de amortecimento funcionará, sem a necessidade de rodar horas de simulações computacionais pesadas.

Conclusão

Este estudo sugere que conectar edifícios adjacentes com amortecedores viscosos é uma forma altamente eficaz de reduzir danos causados por terremotos, desde que os amortecedores sejam colocados e ajustados corretamente. Os pesquisadores descobriram que usar um algoritmo genético para otimizar a localização e a força dos amortecedores funciona bem, e que usar dois amortecedores em locais estratégicos (como no 1º e no 7º andares em seu modelo) é superior ao uso de apenas um. Eles verificaram essas descobertas com testes reais em mesa vibratória, confirmando que seus modelos computacionais são precisos. Finalmente, demonstraram que um modelo de IA pode aprender com esses resultados para prever respostas de terremotos futuros de forma rápida e precisa, ofereando uma ferramenta promissora para um planejamento urbano mais seguro e resiliente.