⚡ electrical engineering

Open-Source Hardening Soil Material-Point Integrator and Neural-Network Surrogate for Ho Chi Minh City Soils

Este estudo apresenta uma implementação em Python de código aberto de um integrador de ponto-material de Solo de Endurecimento validado contra dados de solo da Cidade de Ho Chi Minh, que serve com sucesso como um gerador de dados de alta fidelidade baseado em física para o treinamento de um modelo substituto de rede neural altamente preciso.

Autores originais: Thao Hoang The, Phan Vo, Truong Xuan Dang

Publicado 2026-08-10

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Thao Hoang The, Phan Vo, Truong Xuan Dang

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 o solo sob nossos pés não como uma rocha sólida e imutável, mas como uma esponja viva e pulsante que se espreme, estica e reage dependendo de quanto você a aperta. Este é o mundo da engenharia geotécnica, a ciência de descobrir como o solo se comporta quando construímos arranha-céus, cavamos túneis profundos de metrô ou esculpimos enormes canteiros de obras. Para prever se o solo irá aguentar ou colapsar, os engenheiros usam "modelos constitutivos" — essencialmente receitas matemáticas complexas que dizem a um computador como o solo deve reagir ao estresse. Uma das receitas mais famosas chama-se modelo "Hardening Soil" (Solo de Endurecimento). Pense nisso como um sofisticado motor de física de um videogame para a terra: ele sabe que o solo fica mais rígido quanto mais você o aperta (como uma bola de estresse) e que ele se comporta de forma diferente quando você o pressiona versus quando o solta. No entanto, por anos, esse poderoso motor esteve trancado dentro de softwares caros e de código fechado, tornando difícil para cientistas independentes espiar sob o capô, verificar a matemática ou misturá-lo com novas tecnologias como a inteligência artificial. Este artigo intervém para abrir essa porta, criando uma versão gratuita e de código aberto deste motor de física de solo e usando-o para treinar um assistente de IA superinteligente que pode prever o comportamento do solo num piscar de olhos.

Os pesquisadores, trabalhando com solos de Ho Chi Minh, começaram construindo sua própria versão de código aberto do modelo Hardening Soil usando Python, uma linguagem de programação popular. Eles focaram em um tipo específico de comportamento do solo chamado "carregamento primário drenado", que é como observar como o solo se assenta e endurece quando você adiciona peso lentamente enquanto permite que a água escape. Eles não apenas escreveram código; eles o testaram rigorosamente. Primeiro, verificaram se o código fazia sentido internamente, garantindo que a matemática não fosse contraditória. Em seguida, compararam suas curvas de solo geradas por computador com dados do mundo real provenientes de 274 medições feitas em três tipos diferentes de solo local: argila mole, argila média e areia siltosa. Os resultados foram incrivelmente precisos. Quando tentaram prever quão rígido o solo seria sob diferentes pressões, seu modelo de código aberto coincidiu com os dados do mundo real com uma correlação de 0,999 (onde 1,0 é uma correspondência perfeita) e um erro médio de menos de 2%. De fato, a matemática interna foi tão consistente que o erro foi inferior a 0,1%, provando que seu "solo digital" estava se comportando exatamente como as equações de física exigiam.

Uma vez provado que seu modelo de código aberto era confiável, eles o usaram como um "gerador de dados" para resolver um grande problema na engenharia geotécnica: não há dados de solo do mundo real suficientes para treinar modelos avançados de IA. Testes de solo reais são caros e demorados. Assim, a equipe usou seu modelo verificado para simular 20.000 curvas de tensão-deformação diferentes, criando uma enorme biblioteca de cenários de "e se" cobrindo uma ampla gama de condições de solo. Eles então alimentaram essa biblioteca em uma rede neural — um tipo de IA projetada para reconhecer padrões. Esta IA, atuando como um "substituto" ou um caminho rápido para o complexo modelo de física, aprendeu a prever a curva de tensão-deformação completa do solo apenas olhando para alguns números de entrada. A IA foi surpreendentemente precisa, alcançando uma correlação de 0,9999 e um erro de apenas 1,47 kPa (uma unidade minúscula de pressão).

O artigo deixa claro que este é um caso de sucesso baseado em simulação, não um substituto para todos os testes futuros. Os autores afirmam explicitamente que seu modelo está atualmente limitado a condições de carregamento específicas (carregamento primário drenado) e ainda não lida com toda a complexidade de descarregamento, recarregamento ou projetos massivos do mundo real, como redes inteiras de túneis. Eles também observam que, embora a IA seja perfeita ao interpolar dentro dos dados nos quais foi treinada, ela ainda não foi testada contra novos dados de campo do mundo real não vistos. No entanto, a conquista central é inegável: eles criaram uma base reproduzível e de código aberto que faz a ponte entre a mecânica de solos tradicional e o aprendizado de máquina moderno. Ao provar que um modelo de física verificado pode gerar dados de alta qualidade para IA, eles forneceram um novo conjunto de ferramentas para que engenheiros realizem análises mais rápidas, transparentes e confiáveis de como nossas cidades interagem com o solo sob nossos pés.

Resumo Técnico: Integrador de Ponto de Material de Solo de Hardening Soil de Código Aberto e Surrogato de Rede Neural para Solos de Ho Chi Minh

Definição do Problema
O modelo de Hardening Soil (HS) é um arcabouço constitutivo padrão para a análise de escavações profundas e túneis de metrô devido à sua capacidade de capturar o comportamento não linear de carregamento primário, descarregamento–recarregamento e rigidez dependente de tensão. No entanto, sua adoção generalizada é dificultada por duas limitações primárias:

Restrições Proprietárias: O modelo é implementado predominantemente em softwares comerciais de código fechado (ex: PLAXIS), o que limita a verificação independente, modificação e integração com fluxos de trabalho modernos de aprendizado de máquina.
Escassez de Dados: Dados de testes geotécnicos de alta qualidade são caros e escassos, restringindo o treinamento direto de modelos de aprendizado profundo intensivos em dados para comportamentos complexos do solo.

Metodologia
Este estudo aborda essas limitações através de um fluxo de trabalho de três estágios:

Implementação de Código Aberto: Um integrador de ponto de material baseado em Python foi desenvolvido para a resposta de carregamento primário triaxial drenado. A implementação incorpora:
- A lei de rigidez dependente de tensão (lei de potência).
- O critério de ruptura de Mohr–Coulomb.
- A relação tensão–deformação hiperbólica (formulação de Kondner/Duncan–Chang).
- Nota de Escopo: A implementação atual foca no carregamento primário e não inclui a formulação completa de múltiplas superfícies do HS (ex: mecanismo de cap, dilatância ou ramos separados de descarregamento–recarregamento).
Validação Experimental: O integrador foi validado contra dados de testes triaxiais consolidados-drenados (CD) de três tipos de solos representativos de Ho Chi Minh: argila mole em estado de fluxo, argila média e areia siltosa. O conjunto de dados compreendeu 274 pontos medidos de 48 espécimes testados sob tensões de confinamento de 100, 200 e 300 kPa. A validação utilizou um protocolo de leave-one-out para avaliar o desempenho preditivo sem sobreajuste (overfitting).
Treinamento de Surrogato de Rede Neural: O modelo de ponto de material validado serviu como um gerador de dados baseado em física. Ele produziu 20.000 curvas de tensão–deformação amostrando cinco parâmetros de entrada ( $E_{50ref}$ , $c'$ , $\phi'$ , $\sigma_3$ e $m$ ) a partir de distribuições uniformes. Esses dados treinaram um Perceptron Multicamadas (MLP) para mapear os parâmetros de entrada diretamente para as curvas de tensão–deformação.

Principais Resultados

Expoente de Dependência de Tensão ( $m$ ): O expoente ajustado $m$ variou de 0,61 a 0,94 entre as camadas de solo, com médias de grupo entre 0,66 e 0,85. Esses valores alinham-se com dados regionais e com a faixa teórica de dependência de tensão para comportamentos do tipo argila e areia.
Validação do Modelo:
- Consistência Interna: A implementação numérica apresentou um erro relativo máximo de 0,071% entre o módulo secante prescrito e o valor extraído da curva simulada.
- Validação Externa: A validação leave-one-out contra os dados experimentais resultou em um $R^2$ agrupado de 0,998, uma correlação de Pearson de 0,999 e um Erro Médio Percentual Absoluto (MAPE) de 1,9%. Os valores de $R^2$ específicos por grupo variaram de 0,966 a 0,996.
Desempenho do Surrogato: A rede neural treinada alcançou um $R^2$ de 0,9999 e um Erro Quadrático Médio (RMSE) de 1,47 kPa em um conjunto de teste mantido à parte de 3.000 amostras. O surrogato demonstrou um mapeamento suave e diferenciável, adequado para otimização baseada em gradiente.

Significância e Alegações
O artigo afirma fornecer um arcabouço reprodutível e de código aberto que une a modelagem constitutiva e o aprendizado de máquina na engenharia geotécnica. Suas principais contribuições são:

Transparência: Ao mover a formulação HS para um ambiente de código aberto, o estudo permite a verificação independente e customização, abordando a natureza de "caixa preta" dos softwares comerciais.
Geração de Dados: O estudo demonstra um fluxo de trabalho viável para usar um modelo baseado em física verificado para gerar conjuntos de dados sintéticos de larga escala, superando assim a escassez de dados experimentais de alta qualidade necessários para o treinamento de modelos de aprendizado profundo.
Capacidade de Análise Inversa: O surrogato diferenciável resultante oferece uma ferramenta computacionalmente eficiente para análise inversa e simulações de grande escala, como aquelas envolvendo interações entre escavação e túneis de metrô.

Limitações
Os autores explicitamente observam que o estudo é limitado ao carregamento primário drenado em compressão triaxial convencional. A implementação ainda não reproduz o comportamento completo de valor de contorno de problemas de escavação ou túnel, nem inclui extensão triaxial ou validação de oedometro (esta última sendo apenas ilustrativa). A alta precisão do surrogato é interpretada como uma interpolação precisa dentro do domínio de parâmetros amostrados, em vez de uma generalização comprovada fora da distribuição (out-of-distribution).

Mais como este