From Wetting-Front Coalescence to Urban Road Collapse: Interpretable Machine Learning of Hydro-Mechanical Failure under Coupled Rainfall and Pipeline Leakage

Resumo Técnico: Da Coalescência da Frente de Umedecimento ao Colapso de Vias Urbanas

Definição do Problema
O colapso de vias urbanas representa uma grave ameaça à segurança pública e à infraestrutura em áreas de rápida urbanização. Embora pesquisas anteriores tenham estudado extensivamente a erosão induzida por vazamento de tubulações ou deslizamentos induzidos por chuva separadamente, o mecanismo de acoplamento hidro-mecânico entre a infiltração de chuva e o vazamento de tubulações permanece insuficientemente quantificado. Especificamente, a interação entre a frente de umedecimento da chuva, que migra para baixo, e a zona de umedecimento induzida pelo vazamento, que se expande para fora, e como a convergência delas transforma perturbações hidráulicas ocultas em colapso superficial, carece de uma descrição abrangente. Os métodos existentes enfrentam limitações: testes de modelos físicos são limitados pela escala e custo; simulações numéricas de alta fidelidade são computacionalmente dispendiosas para a triagem rápida de inúmeras seções de tubulação; e muitos modelos de aprendizado de máquina priorizam a precisão da previsão em detrimento da interpretabilidade física e da consistência do mecanismo.

Metodologia
O estudo propõe uma estrutura de modelagem de duplo surrrogado baseada em mecanismos, que integra testes físicos, simulação numérica e aprendizado de máquina interpretável.

1. Testes de Modelo Físico: Um modelo físico de grande escala (1,5 m × 1,0 m × 1,2 m) foi construído para validar o processo de evolução do colapso. O teste simulou chuva intermitente (15 mm/h) e vazamento contínuo de tubulação (0,01 MPa) para observar a migração da frente de umedecimento, a convergência de zonas e o assentamento superficial.
2. Modelagem Numérica Hidro-Mecânica: Um modelo de elementos finitos de plano de deformação 2D foi desenvolvido, incorporando a degradação de resistência e rigidez dependente da saturação. Parâmetros chave (ângulo de atrito interno, coesão, módulo de elasticidade) foram definidos como funções do grau de saturação ($S_r$) utilizando relações empíricas derivadas de testes triaxiais em argila siltosa de Hangzhou. O comportamento hidráulico foi modelado através do modelo de van Genuchten-Mualem (VGM), implementado via sub-rotina USDFLD para atualizar dinamicamente as propriedades do material.
3. Construção do Conjunto de Dados: Com base no modelo numérico validado, um banco de dados de fatorial completo de 120 casos numéricos foi gerado. As variáveis de entrada foram profundidade de enterramento da tubulação ($D$: 1–6 m), intensidade de chuva ($R$: 20–80 mm/d) e pressão de vazamento ($L$: 50–90 kPa). As respostas de saída foram profundidade de colapso superficial ($S$), área da zona quase saturada ($A_s$) e profundidade da frente de umedecimento ($Z_w$).
4. Modelagem de Duplo Surrogado:
   • GPR/Kriging: Utilizado como um benchmark para interpolação de alta precisão e quantificação de incerteza no espaço de parâmetros de baixa dimensão e pequena amostra.
   • XGBoost: Selecionado para previsão de resposta, classificação de risco e interpretação via SHAP (SHapley Additive exPlanations) para garantir que as previsões do modelo estejam alinhadas com os mecanismos físicos.
5. Avaliação de Risco: Um índice de risco abrangente ($RI$) foi desenvolvido através da normalização e média das três variáveis de resposta para classificar os cenários em categorias de risco baixo, médio e alto.

Principais Resultados

• Mecanismo de Falha: O estudo identifica um processo de falha em quatro estágios: (1) pré-umedecimento do solo raso pela chuva; (2) expansão da zona de umedecimento induzida pelo vazamento; (3) convergência das frentes de umedecimento superior (chuva) e inferior (vazamento), formando um caminho de amolecimento contínuo; e (4) propagação ascendente da deformação levando ao colapso superficial.
• Fatores Dominantes:
  • Pressão de Vazamento ($L$): O fator dominante, contribuindo com 86,42%, 87,79% e 92,77% para a variância na profundidade de colapso ($S$), área da zona quase saturada ($A_s$) e profundidade da frente de umedecimento ($Z_w$), respectivamente.
  • Intensidade de Chuva ($R$): Atua primariamente como um amplificador, dissipando a sucção matricial e baixando o limiar de falha, contribuindo com ~9–10% para a variância.
  • Profundidade de Enterramento ($D$): Regula o caminho de convergência espacial. Profundidades de enterramento intermediárias (2–3 m) mostraram produzir as respostas superficiais mais significativas devido à convergência ideal da frente de umedecimento, enquanto o enterramento mais profundo atenua a resposta.
• Desempenho do Modelo:
  • GPR/Kriging alcançou precisão excepcional no conjunto de teste independente ($R^2$ = 0,997–0,998).
  • XGBoost demonstrou forte capacidade preditiva ($R^2$ = 0,962–0,990) e, crucialmente, sua análise SHAP confirmou o mecanismo físico: dominação de $L$, amplificação de $R$ e regulação de $D$.
  • O classificador XGBoost alcançou 96,7% de precisão na distinção dos níveis de risco, não perdendo nenhum exemplo de alto risco no conjunto de teste.
• Zoneamento de Risco: Mapas de risco revelaram que o aumento da intensidade da chuva desloca as condições de alto risco para pressões de vazamento mais baixas. As zonas de alto risco são mais prevalentes em profundidades de enterramento intermediárias sob condições de alta pressão de vazamento e chuva forte.

Significância e Alegações
O artigo alega fornecer uma ferramenta interpretável e eficiente para identificar seções de tubulação vulneráveis e apoiar a inspeção direcionada e a prevenção de colapsos. Suas principais contribuições são:

1. Visão Mecanística: Esclarece que a chuva e o vazamento não são meramente fontes de água aditivas, mas interagem para formar um caminho de amolecimento contínuo através da coalescência da frente de umedecimento.
2. Estrutura Metodológica: Introduz uma abordagem de duplo surrogado que equilibra a interpolação de alta precisão (GPR) com a classificação de risco interpretável e a verificação de mecanismo (XGBoost-SHAP), abordando a limitação de "caixa preta" do aprendizado de máquina padrão na engenharia geotécnica.
3. Aplicação de Engenharia: A estrutura proposta serve como uma ferramenta auxiliar graduada para "triagem preliminar – verificação de prioridade – calibração de campo". Ela permite que engenheiros realizem a triagem rápida de seções de tubulação com base nos dados disponíveis (profundidade, pressão, previsão de chuva) para priorizar recursos para segmentos de alto risco (ex: aqueles com alta pressão de vazamento, exposição a chuva forte e profundidade de enterramento intermediária).

Os autores observam modestamente que os níveis de risco representam classificações relativas dentro do espaço de parâmetros específico estudado e não são probabilidades absoltas de falha em campo. A aplicação prática requer calibração adicional usando condições geológicas locais, geometrias específicas de defeitos de tubulação e dados de monitoramento de campo. O estudo não pretende substituir a análise detalhada específica de cada local, mas sim otimizar a alocação de recursos de inspeção.