Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

Sob as ruas de muitas cidades modernas reside uma camada oculta de gás natural, aprisionada no solo frouxo e saturado de água logo abaixo da superfície. Este não é o gás profundo e de alta pressão usado para abastecer residências, mas sim uma mistura de metano, frequentemente de origem biológica, que se acumula em bolsões dentro da areia e do lodo. Como se situa tão perto da superfície, este gás pode acumular uma pressão significativa, criando uma ameaça silenciosa para projetos de construção, túneis de metrô e até mesmo para os alicerces de edifícios. Quando operários perfuram o solo ou escavam para um novo porão, correm o risco de perfurar esses bolsões pressurizados, o que pode levar a colapsos repentinos do solo, explosões de gás ou à ejeção de solo e água. Para planejadores urbanos e engenheiros, o desafio tem sido, há muito tempo, saber exatamente onde esses bolsões perigosos existem antes de iniciarem a escavação. Tradicionalmente, prever esses perigos dependia fortemente da experiência de geólogos e da interpretação das camadas rochosas locais, um método que funciona bem em alguns lugares, mas que tem dificuldade em capturar os padrões complexos e variáveis de acumulação de gás em ambientes urbanos densos.

Para enfrentar essa incerteza, uma equipe de pesquisadores recorreu a uma abordagem diferente, utilizando uma poderosa ferramenta de aprendizado computacional para mapear os riscos ocultos em Longgang, uma cidade costeira na Província de Zhejiang, China. Em vez de confiar apenas na intuição humana, a equipe inseriu uma quantidade massiva de dados geológicos em um algoritmo conhecido como XGBoost, um tipo de modelo de aprendizado de máquina projetado para encontrar padrões sutis em conjuntos de dados complexos. Os pesquisadores reuniram informações sobre oito condições específicas que influenciam se o gás irá se acumular e causar problemas: a profundidade em que o gás se encontra, a pressão que exerce, o número de camadas ricas em gás, a quantidade de carbono orgânico no solo, o teor de água, a porosidade do terreno, os níveis de saturação de gás e a pressão total da formação. Eles trataram a cidade como uma grade gigante, dividindo-a em pequenos quadrados e rotulando cada um deles com base em se era um local conhecido de colapso de solo ou uma área segura. Ao treinar o computador para reconhecer a combinação de fatores presentes nos locais perigosos versus os seguros, o modelo aprendeu a prever onde riscos semelhantes poderiam existir em outros lugares.

Os resultados desse treinamento digital foram impressionantes. O modelo computacional, uma vez refinado com um método sofisticado para encontrar as configurações perfeitas para seus cálculos, provou ser altamente preciso ao distinguir entre solo seguro e zonas perigosas. Quando testado contra dados do mundo real, o modelo alcançou uma pontuação alta que indica que ele pode separar zonas perigosas de áreas seguras de forma confiável, muito melhor do que um palpite aleatório. A análise revelou que o fator mais crítico para prever um desastre era simplesmente o número de camadas portadoras de gás presentes no solo; quanto mais camadas de solo rico em gás estiverem empilhadas, maior o risco. Logo atrás vieram a saturação do gás e a porosidade do solo. O modelo também esclareceu como certos fatores atuam contra o perigo, mostrando que um maior teor de carbono orgânico e condições de pressão específicas ajudam, na verdade, a suprimir o risco de uma erupção.

Usando esses insights, os pesquisadores geraram um mapa detalhado de Longgang que codifica a cidade por cores de acordo com seu nível de risco. O mapa mostrou que, embora a maior parte da cidade se enquadre em uma categoria de risco moderado, bairros específicos, particularmente as comunidades de Dongpai e Xipai, situam-se em zonas de alta suscetibilidade. Esta descoberta alinha-se estreitamente com registros históricos, uma vez que quase todos os colapsos de solo já ocorridos na área aconteceram dentro das zonas que o modelo identificou como de alto risco. O estudo demonstra que ferramentas baseadas em dados podem decodificar com sucesso os sinais geológicos complexos do gás raso, oferecendo uma maneira mais precisa de identificar zonas de perigo do que os métodos tradicionais sozinhos. Embora o modelo atual dependa de dados geológicos estáticos e ainda não leve em conta atividades humanas dinâmicas ou reações em cadeia que possam desencadear um colapso, ele fornece uma base sólida para o planejamento de segurança futuro. Ao identificar onde o solo tem maior probabilidade de falhar, esta abordagem ajuda cidades como Longgang a se prepararem para as forças invisíveis sob seus pés, garantindo que as construções futuras possam prosseguir com uma compreensão mais clara dos riscos abaixo.