⚡ electrical engineering

A physics-guided graph neural network for interpretable multiscale modelling of concrete properties

O artigo apresenta o HiCon-GNN, uma rede neural de grafos guiada pela física que modela a estrutura hierárquica do concreto para alcançar previsões de resistência de múltiplas propriedades competitivas, ao mesmo tempo em que fornece insights interpretáveis e fisicamente regularizados sobre comportamentos de materiais em múltiplas escalas.

Autores originais: Ye Li, Fangying Wang

Publicado 2026-07-22

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ye Li, Fangying Wang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando prever o quão forte será um bolo apenas olhando para uma lista de ingredientes: farinha, açúcar, ovos e fermento. A maioria dos programas de computador tenta fazer isso tratando o bolo como uma sopa gigante e plana de números. Eles dizem: "Ok, mais açúcar geralmente significa mais doce, então talvez mais forte?". Mas a vida real não é uma sopa. Um bolo é uma obra-prima em camadas. A massa (pasta) mantém as migalhas (areia) unidas, e todo o conjunto é assado em uma estrutura onde as bordas entre as migalhas e a massa são os pontos fracos. Se você ignorar essas camadas e apenas olhar para a lista de ingredientes, você perde a magia de como as partes realmente se encaixam.

Este é o problema que os cientistas enfrentam com o concreto. O concreto não é apenas uma mistura de cimento e pedras; é uma hierarquia. Começa com uma pasta pegajosa, que se mistura com areia para se tornar argamassa e, finalmente, grandes pedras são adicionadas para se tornar o concreto final. Os lugares onde as pedras tocam a argamassa são chamados de "zonas de transição interfacial" (ITZs), e são frequentemente os elos mais fracos onde as rachaduras começam. Por muito tempo, os computadores que tentavam prever a resistência do concreto ignoraram essa camada, tratando o material como um vetor plano e bagunçado de números. Mas e se pudéssemos ensinar um computador a ver as camadas, assim como um confeiteiro vê o bolo? Essa é a grande questão que esta pesquisa aborda: Podemos construir um modelo de computador inteligente que entenda as "camadas de cebola" do concreto para prever sua resistência melhor e explicar o porquê de ser forte?

Entra em cena o HiCon-GNN, um novo tipo de "cérebro inteligente" para o concreto projetado pelos pesquisadores Ye Li e Fangying Wang. Pense neste modelo não como uma calculadora simples, mas como um arquiteto digital que constrói uma cidade em miniatura, invisível, de concreto dentro de seu computador. Em vez de apenas ler uma lista de ingredientes, este modelo constrói um "grafo" — um mapa de pontos e linhas. Os pontos representam as diferentes partes (pasta, areia, pedras) e as linhas representam como elas se tocam.

A parte legal é esta: este modelo é "guiado pela física". Ele não apenas adivinha; ele segue as regras de como o concreto realmente funciona. Ele sabe que a pasta é a cola, que a areia o torna mais rígido e que as pedras adicionam volume, mas também criam bordas fracas. O modelo possui "submodelos" especiais para cada camada. Primeiro, ele descobre a resistência da pasta. Depois, usa isso para determinar a argamassa. Finalmente, observa como as pedras se assentam na argamassa e calcula a resistência de todo o bloco de concreto. É como construir uma torre de conhecimento: você não pode saber quão forte é o andar superior até saber quão forte é o alicerce.

Os pesquisadores treinaram este arquiteto digital em uma vasta biblioteca de 13.170 registros reais de concreto. Esses registros eram bagunçados e incompletos — alguns tinham dados sobre a pasta, outros sobre as pedras, alguns sobre a temperatura de cura, e muitos tinham partes faltando. Mas o HiCon-GNN é inteligente; ele tem olhos "cientes de máscaras" (mask-aware) que podem dizer: "Ah, você não me disse o tamanho da pedra? Sem problemas, vou aprender com as outras pistas", em vez de descartar os dados.

Os resultados são impressionantes. Quando testado em novas receitas de concreto nunca antes vistas, o HiCon-GNN previu a resistência à compressão (o quanto de peso ele pode suportar antes de esmagar) com um índice de precisão ( $R^2$ ) de 0,953, o que é incrivelmente alto. Ele também previu a resistência à tração (o quão difícil é puxá-lo para separar) e a resistência à flexão (o quão difícil é dobrá-lo) com pontuações de 0,887 e 0,926, respectivamente. Comparado a um modelo de computador padrão que ignora as camadas (uma rede neural "cega à estrutura"), o HiCon-GNN reduziu seus erros de previsão em 19% para compressão, 5% para tração e 16% para flexão.

Mas a verdadeira magia não é apenas a pontuação; é a "visão de raio-x" que o modelo nos proporciona. Como o modelo constrói as camadas, ele pode nos mostrar o que ele "pensa" que está acontecendo lá dentro. Ele revelou que a pasta é, de fato, a parte mais forte, que a argamassa é ligeiramente mais fraca devido à areia, e que o concreto final é o mais fraco devido às bordas rochosas. Ele até estimou a espessura dessas bordas fracas (as ITZs), descobrindo que elas têm geralmente cerca de 10,83 micrômetros de espessura e atuam como uma zona porosa e fraca onde as rachaduras adoram começar.

O modelo também descobriu que, para o concreto de altíssima resistência (como o Concreto de Ultra-Alto Desempenho, ou UHPC), que muitas vezes não possui pedras grandes, a penalidade da "borda fraca" desaparece, e a resistência do concreto torna-se quase idêntica à resistência da argamassa. Isso coincide perfeitamente com a física do mundo real.

Os pesquisadores são cuidadosos ao dizer que, embora esses números internos (como a porosidade estimada ou a espessura da borda) façam perfeito sentido físico e sigam as regras da ciência do concreto, eles são "hipóteses" geradas pelo modelo, não medições diretas de um microscópio. São como a teoria de um detetive muito inteligente sobre o que aconteceu na cena do crime, baseada em todas as pistas. Para ter 100% de certeza, você ainda precisaria olhar com um microscópio. No entanto, o fato de a lógica interna do modelo alinhar-se tão perfeitamente com o que sabemos sobre como o concreto funciona sugere que ele realmente aprendeu a "linguagem" do material.

Em suma, este artigo mostra que, quando ensinamos um computador a ver as camadas do concreto em vez de apenas os ingredientes, ele não apenas melhora em adivinhar números; ele começa a entender a história do material. Ele faz a ponte entre os dados brutos e a realidade física, ofereando uma ferramenta que pode ajudar engenheiros a projetar concreto mais forte, seguro e eficiente sem a necessidade de misturar e testar milhares de lotes em um laboratório. É um passo em direção a um futuro onde podemos projetar a mistura de concreto perfeita em um computador, sabendo exatamente como a pasta, a areia e as pedras irão dançar juntas para sustentar nossas pontes e edifícios.

Resumo Técnico: Uma Rede Neural de Grafos Guiada pela Física para Modelagem Multiescala Interpretável de Propriedades do Concreto

Definição do Problema
O concreto é um material compósito hierárquico onde o desempenho macroscópico emerge de processos acoplados químicos, microestruturais e de mesoescala. As abordagens existentes de aprendizado de máquina para prever propriedades do concreto tipicamente representam o material como um vetor "plano" de descritores de mistura. Embora estatisticamente eficazes dentro das distribuições de treinamento, esses modelos planos são mecanicamente incompletos: eles falham em representar explicitamente a pasta, a argamassa, a zona de transição interfacial (ITZ) e a topologia dos agregados, nem fornecem acesso a campos de materiais resolvidos por escala. Além disso, a maioria das abordagens informadas pela física neste domínio anexa restrições físicas a saídas ou escalas únicas, deixando a hierarquia inerente do concreto fora do modelo. Há uma necessidade de uma representação que retenha essa hierarquia e heterogeneidade, permanecendo compatível com o aprendizado orientado por dados para suportar a predição de múltiplas propriedades interpretáveis.

Metodologia: HiCon-GNN
Os autores propõem a HiCon-GNN (Rede Neural de Grafos de Concreto Multiescala Hierárquica), uma arquitetura guiada pela física que espelha a hierarquia pasta–argamassa–ITZ–concreto usando grafos de proxy acoplados.

Representação de Grafo: O modelo utiliza dois grafos de proxy de Elemento de Volume Representativo (RVE) acoplados, gerados a partir de descritores de mistura e de tamanho de partícula:
- Grafo de escala da argamassa: Conecta regiões de areia e pasta via arestas de contato.
- Grafo de escala do concreto: Conecta agregados graúdos e regiões de argamassa via arestas agregado–argamassa, argamassa–argamassa e agregado–agregado. As arestas agregado–argamassa carregam informações da ITZ.
Arquitetura e Fluxo: A informação flui através de quatro submodelos acoplados na ordem da montagem do material:
1. Submodelo da Pasta: Mapeia a química do aglomerante, o teor de água e a cura para propriedades ao nível da pasta, que povoam os nós de pasta do grafo da argamassa.
2. SubGNN da Argamassa: Realiza a passagem de mensagens sobre o grafo areia–pasta para prever as propriedades da argamassa, integrando o estado da pasta e a topologia sand–paste.
3. Submodelo da ITZ: Prediz propriedades de interface (espessura, porosidade, resistência, módulo) para cada aresta agregado–argamassa com base na mistura e na geometria da aresta.
4. GNN de Mesoescala do Concreto: Propaga a informação sobre o grafo do concreto para formar uma representação global de empacotamento, distribuição de argamassa e conectividade da ITZ.
Mecanismos Guiados pela Física:
- Codificadores Conscientes de Máscara (Mask-Aware Encoders): Mantêm registros incompletos da literatura distinguindo entre características estruturalmente ausentes (ex: agregado graúdo na argamassa) e dados faltantes, utilizando embeddings aprendidos para valores ausentes.
- Prios Físicos Suaves (Soft Physical Priors): Em vez de coeficientes empíricos fixos, o modelo emprega regularização suave na função de perda. Isso inclui tendências de resistência do tipo Abrams para a relação água/aglomerante (w/b), comportamento de elo fraco da ITZ (resistência da ITZ $\le$ resistência da argamassa) e consistência entre propriedades (tração/flexão vs. compressão).
- Cabeças Baseadas em Capacidade: As saídas de resistência não são regressões não restringidas, mas derivadas de uma representação multiescala compartilhada. A resistência da argamassa prevista serve como a capacidade base, modificada por fatores de eficiência aprendidos ( $\eta_{ITZ}$ , $\eta_{matriz}$ ) que contabilizam a qualidade da interface e a topologia da mesoescala.
Treinamento: O modelo foi treinado em 13.170 registros usando uma perda multitarefa ponderada que combina perdas supervisionadas para rótulos disponíveis (concreto, argamassa, pasta, ITZ) com termos de regularização física.

Principais Contribuições

Representação Hierárquica: A primeira aplicação de uma rede neural de grafos acoplada para codificar explicitamente a hierarquia pasta–argamassa–ITZ–concreto, permitindo que estados latentes intermediários sejam inspecionados como hipóteses fisicamente regularizadas.
Predição de Múltiplas Propriedades: Um único framework acoplado que prediz conjuntamente a resistência à compressão, tração e flexão, mantendo a consistência entre esses modos sem exigir modelos separados.
Interpretabilidade via Estados Latentes: O modelo fornece quantidades intermediárias (resistência da pasta/argamassa, porosidade, espessura/resistência da ITZ) que recuperam hierarquias físicas esperadas (ex: resistência pasta > argamassa > concreto; porosidade paste > mortar > concrete; ITZ > paste > mortar), fornecendo verificações de consistência interna indisponíveis para modelos cegos à estrutura.
Decomposição de Capacidade: O framework decompõe a resistência final em uma capacidade de base da argamassa e fatores de eficiência multiplicativos, isolando as contribuições específicas da fraqueza da interface e do empacotamento da mesoescala.

Resultados
Treinado em um banco de dados heterogêneo de 13.170 registros, a HiCon-GNN demonstrou desempenho competitivo contra bases fortes cegas à estrutura (ANN Tabular, Random Forest, Gradient Boosting, SVM, Árvore de Decisão e GEP):

Acurácia Preditiva: Nos dados de teste não vistos, a HiCon-GNN alcançou valores de $R^2$ de 0,953 (compressão), 0,887 (tração) e 0,926 (flexão).
Redução de Erro: Comparada a uma ANN tabular correspondente, a HiCon-GNN reduziu o RMSE em 19% (compressão), 5% (tração) e 16% (flexão). Embora modelos de ensemble específicos para o alvo (ex: Random Forest) tenham permanecido ligeiramente mais precisos para alvos individuais, a HiCon-GNN manteve uma precisão próxima à de especialistas em todos os três outputs dentro de um único modelo.
Estabilidade: O desempenho permaneceu estável através de cinco partições aleatórias de dados, com a resistência à compressão variando apenas $\pm 0,004$ no $R^2$ .
Consistência Física:
- O modelo recuperou corretamente a hierarquia de resistência: A resistência à compressão mediana aumentou de concreto (48,75 MPa) para argamassa (59,24 MPa) e pasta (96,97 MPa).
- A porosidade seguiu a hierarquia inversa (pasta > argamassa > concreto), e a porosidade da ITZ foi consistentemente maior que a da matriz circundante.
- O fator de eficiência da ITZ ( $\eta_{ITZ}$ ) correlacionou-se fortemente com a espessura da interface, confirmando que o modelo aprendeu o comportamento de "elo fraco" da ITZ.
- As predições de tração e flexão aderiram às tendências de referência empíricas (CEB-FIP, fib MC2010, ACI) sem serem forçadas a seguir equações fixas.

Significância e Alegações
O artigo argumenta que o principal valor da HiCon-GNN estende-se além da acurácia preditiva. Ao impor a hierarquia do material como um viés indutivo, o modelo aprende uma representação que é consistente com a mecânica do concreto.

Inspeção Mecanicista: Os estados latentes intermediários servem como "auditorias internas fisicamente regularizadas". Eles convertem a representação aprendida em hipóteses testáveis sobre a porosidade da pasta, espessura da ITZ e resistência de ligação, que podem ser validadas contra dados experimentais futuros.
Utilidade de Design: O framework oferece um caminho para o design de concreto orientado por dados que não é meramente um preditor de "caixa preta", mas um substituto (surrogate) estruturado. Ele identifica que a resistência da argamassa é a escala de referência dominante, enquanto a redução controlada pela interface e a topologia da mesoescala atuam como fatores limitantes.
Limitações e Escopo: Os autores observam modestamente que os RVEs gerados são proxies topológicos, não microestruturas medidas, e que as quantidades latentes são verificações de consistência, não medições calibradas. A generalização do modelo para químicas não vistas ou regimes raros (ex: agregados reciclados) permanece incerta sem dados mais fortes ou priors mais robustos. No entanto, o framework foi projetado para ser extensível, capaz de incorporar grafos microestruturais medidos ou acoplar-se com modelos de hidratação no futuro.

Em resumo, a HiCon-GNN demonstra que um modelo de grafo hierárquico e guiado pela física pode alcançar uma predição de múltiplas propriedades competitiva, ao mesmo tempo em que expõe um caminho estruturado e interpretável da química do aglomerante até a resistência macroscópica, preenchendo a lacuna entre a eficiência orientada por dados e a interpretabilidade física.

Mais como este