⚡ electrical engineering

Investigation of Full-Process Settlement Behavior and Prediction Models for Long-Short Pile Composite Foundations

Este artigo propõe um modelo de predição híbrido integrando modelos empíricos (Weibull e Poisson modificado) com algoritmos inteligentes (EMD e LS-SVM) para caracterizar com precisão a evolução do recalque em formato de "S" e prever o recalque de todo o processo de fundações compostas de estacas longas e curtas, conforme validado pelo projeto Seoul Park.

Autores originais: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

Publicado 2026-08-08

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yang Liu, Guobo Han, Lihua Zhang, Xuemei Tian, Changjin Zhang, Hongbo Qu, Lili Zhang

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 está construindo um castelo de areia gigante em uma praia que está afundando lentamente. Você não quer apenas saber o quão profundo é o buraco agora; você quer saber exatamente o quanto ele vai afundar amanhã, no próximo mês e no próximo ano. Este é o desafio diário para engenheiros que constroem arranha-céus em solos moles. Eles usam "fundações compostas" especiais, que são como uma equipe de estacas de madeira longas e curtas cravadas na lama para sustentar o edifício. Mas o solo não afunda apenas em uma linha reta; ele se comporta como um ser vivo, reagindo ao peso do edifício, à chuva e aos operários da construção de uma forma desordenada e imprevisível. Para manter o edifício seguro e reto, os engenheiros precisam prever esse comportamento de afundamento perfeitamente. Se eles errarem o cálculo, o edifício pode inclinar ou rachar. Este artigo trata de encontrar a melhor "bola de cristal" para prever exatamente o quanto essas fundações especiais irão assentar ao longo do tempo.

Os pesquisadores neste estudo, liderados por Yang Liu e colegas, abordaram o problema de prever o "assentamento de processo completo" (o afundamento total do início ao fim) dessas fundações de estacas longas e curtas. Eles sabiam que fórmulas matemáticas simples muitas vezes têm dificuldade porque o movimento do solo é desordenado e muda de velocidade ao longo do tempo. Para corrigir isso, eles testaram três abordagens diferentes. Primeiro, usaram duas formas matemáticas clássicas chamadas modelo de Weibull e um modelo de Poisson Modificado. Pense nisso como tentar ajustar uma curva suave e pré-fabricada sobre uma trilha de caminhada acidentada. Eles descobriram que, embora essas curvas pudessem descrever o formato geral em "S" do afundamento (começando devagar, acelerando e depois desacelerando novamente), elas às vezes perdiam os pequenos calos e ondulações causados pelo ruído da construção ou mudanças súbitas de carga. O modelo de Poisson Modificado foi um pouco melhor em se dobrar para ajustar a curva, mas ainda tinha limites.

Para obter uma previsão verdadeiramente precisa, a equipe inventou um método híbrido mais inteligente chamado EMD-LS-SVM. Eles trataram os dados de assentamento como uma música complexa cheia de diferentes instrumentos tocando ao mesmo tempo. Primeiro, usaram uma técnica chamada Decomposição de Modo Empírico (EMD) para separar a "música" em seus instrumentos individuais: as notas graves e lentas (a tendência de afundamento de longo prazo), as melodias de médio alcance (a construção constante dos andares) e o ruído agudo e ruidoso (sobressaltos repentinos do trabalho de construção). Em seguida, usaram uma poderosa ferramenta de IA chamada Máquina de Vetores de Suporte de Mínimos Quadrados (LS-SVM) para prever o futuro de cada instrumento separadamente. Por fim, misturaram essas previsões de volta.

Os resultados, testados em um edifício real chamado Edifício B27 em um projeto residencial na China, mostraram que este novo método híbrido foi o vencedor claro. Enquanto os modelos simples de ajuste de curva eram aceitáveis, o modelo híbrido foi incrivelmente preciso. Ele previu o assentamento final em 600 dias em -27,5430 mm, com um erro máximo de apenas 0,4760 mm. Isso é uma enorme melhoria, reduzindo o erro dos modelos antigos em mais da metade. O estudo sugere que, ao decompor o problema em partes menores e mais simples e depois remontá-las, os engenheiros podem obter uma imagem muito mais clara de como o solo se comportará, ajudando-os a manter os edifícios seguros e estáveis sem o uso de suposições.

Resumo Técnico: Investigação do Comportamento de Recalque de Processo Completo e Modelos de Predição para Fundações Mistas de Estacas Longas e Curtas

Definição do Problema
A predição precisa do recalque de processo completo em fundações mistas de estacas longas e curtas é crítica para garantir a segurança e a funcionalidade de estruturas construídas em solos moles. No entanto, os métodos de predição existentes enfrentam duas limitações primárias:

Restrições de Modelos Empíricos: Modelos empíricos convencionais (ex: modelos padrão de Weibull e Poisson) frequentemente dependem de métodos de estimativa de parâmetros, como interpolação de spline cúbica ou regressão não linear, que são sensíveis aos valores iniciais e ao tamanho das amostras, levando a uma precisão e robustez limitadas na identificação de parâmetros.
Complexidade do Comportamento de Recalque: O recalque da fundação é um processo complexo e não estacionário, influenciado pelo aumento das cargas da superestrutura, consolidação do solo e interação estaca-solo. Ele exibe características pronunciadas de não linearidade e multiescala. Modelos empíricos únicos têm dificuldade em capturar simultaneamente a tendência evolutiva de longo prazo e as flutuações locais causadas por distúrbios de construção e variações ambientais.

Metodologia
O estudo propõe uma estrutura de predição híbrida que integra modelagem estatística empírica com algoritmos inteligentes baseados em dados. A metodologia está estruturada em três fases:

Modelagem Empírica Otimizada:
- Modelo de Weibull: Estabelecido para caracterizar a evolução do recalque em formato de "S". Um método de identificação de parâmetros baseado em otimização foi desenvolvido para minimizar a soma dos erros quadráticos entre os valores medidos e previstos, sujeito a uma restrição de erro absoluto máximo de 1 mm.
- Modelo de Poisson Modificado: Um parâmetro de modificação de forma ( $c_4$ ) foi introduzido ao modelo de Poisson convencional. Este aprimoramento aumenta a flexibilidade do modelo para capturar a evolução assimétrica do recalque e variações significativas nas taxas de recalque, que são comuns em sistemas de estacas longas e curtas devido à redistribuição de tensões.
Predição Inteligente Híbrida (EMD-LS-SVM):
- Decomposição de Modo Empírico (EMD): Os dados brutos de monitoramento de recalque são decompostos em múltiplas Funções de Modo Intrínseco (IMFs) e um componente residual. Este processo adaptativo separa o sinal em distintas escalas temporais: componentes de alta frequência (flutuações de curto prazo/ruído), componentes de média frequência (efeitos de carregamento por estágio) e componentes de baixa frequência/residuais (tendências de consolidação de longo prazo).
- Máquina de Vetores de Suporte de Mínimos Quadrados (LS-SVM): Um modelo LS-SVM independente é construído para cada componente decomposto. O LS-SVM foi escolhido por sua capacidade de lidar com problemas de regressão não linear de pequenas amostras de forma eficiente, transformando o problema de programação quadrática em um sistema de equações lineares.
- Reconstrução Ponderada: A predição final é gerada reconstruindo otimamente os componentes previstos usando coeficientes de ponderação determinados pelo critério de erro de predição mínimo.
Validação de Engenharia:
- Os modelos foram validados utilizando dados de monitoramento de campo do Edifício B27 no Desenvolvimento Residencial Seoul Park (Hebei, China). A fundação utilizou um sistema de estacas mistas de CFG (Cimento-Brita-Cinza) [Cement Fly-ash Gravel] (estacas longas: 21,45 m; estacas curtas: 11,90 m) em solo de argila siltosa.

Principais Resultados

Padrão de Evolução do Recalque: O recalque de processo completo da fundação mista segue um típico padrão de evolução em "S", caracterizado por um estágio de desenvolvimento inicial, um estágio de crescimento rápido (onde a taxa de recalque atinge o pico) e um estágio de consolidação estável.
Desempenho do Modelo Empírico: Tanto o modelo de Weibull otimizado quanto o modelo de Poisson modificado capturaram com sucesso a tendência geral de recalque com erros absolutos máximos abaixo de 1,0 mm. O modelo de Poisson modificado demonstrou flexibilidade e desempenho preditivo superiores durante os estágios de mudanças rápidas na taxa de recalque devido ao seu parâmetro de forma adicional.
Características Multiescala: A EMD separou com sucesso o sinal de recalque em distintos mecanismos físicos. A IMF1 capturou distúrbios de construção de curto prazo; a IMF2 refletiu o carregamento por estágio e a interação estaca-solo; e o componente residual representou a tendência de consolidação do solo de longo prazo.
Superioridade do Modelo Híbrido: O modelo combinado EMD-LS-SVM superou significativamente os modelos empíricos individuais.
- Alcançou um erro absoluto máximo de 0,4760 mm aos 158 dias, representando uma redução de mais de 50% em comparação com os erros máximos dos modelos empíricos.
- Aos 128 dias, o modelo alcançou um erro de 0,0000 mm.
- Capturou efetivamente tanto a tendência de evolução global quanto as flutuações locais, particularmente durante períodos de mudanças rápidas na taxa de recalque, onde os modelos empíricos apresentaram desvios.

Significância e Alegações
O artigo alega que a abordagem híbrida proposta aborda as limitações dos métodos tradicionais ao:

Melhorar a Identificação de Parâmetros: Utilizando algoritmos de otimização para melhorar a precisão e a robustez dos parâmetros dos modelos empíricos.
Decompor a Complexidade: Utilizando a EMD para transformar uma série temporal não estacionária complexa em componentes mais simples e estacionários, reduzindo assim a dificuldade do mapeamento não linear para o LS-SVM.
Melhorar a Precisão da Predição: Fornecendo uma base teórica e referência técnica para o monitoramento de recalque e controle de segurança. O estudo afirma que o modelo EMD-LS-SVM oferece uma solução mais confiável para a predição inteligente do recalque de fundações mistas, capaz de lidar com os efeitos acoplados do carregamento de construção, interação estaca-solo e consolidação dependente do tempo.

Os autores concluem que, embora os modelos empíricos sejam suficientes para capturar tendências gerais, o modelo combinado EMD-LS-SVM é necessário para predições de alta precisão em condições de engenharia complexas, onde as flutuações locais e os comportamentos multiescala são significativos.

Mais como este