⚡ electrical engineering

Freeze-thaw Damage Model for Compressive Strength of Flowable Solidified Soil Based on Machine Learning

Este estudo desenvolve e avalia modelos de aprendizado de máquina para prever a resistência à compressão de solo solidificado fluível sob ciclos de gelo-degelo, identificando o algoritmo XGBoost como o preditor mais eficaz e utilizando a análise SHAP para revelar que o número de ciclos de gelo-degelo é o fator dominante que influencia a degradação da durabilidade.

Autores originais: Baolin Wang, Jinggan Shao, Yunjun Huang, Cong Li, Tingting Han, Bingsen Fan

Publicado 2026-08-12

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Baolin Wang, Jinggan Shao, Yunjun Huang, Cong Li, Tingting Han, Bingsen Fan

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, mas em vez de apenas areia, você está misturando uma cola especial e água para torná-lo super forte. Isso é um pouco como o que os engenheiros fazem com o "solo solidificado fluente". Eles pegam terra macia e viscosa (às vezes até resíduos de fábricas) e a misturam com aglutinantes para criar um material sólido perfeito para preencher buracos sob estradas ou fundações de edifícios. É uma maneira ecológica e inteligente de reutilizar resíduos e construir estruturas fortes. Mas há um porém: se você construir isso em um lugar frio, o clima joga um jogo cruel de "gelo e degelo". Quando a água dentro do solo congela, ela se expande como um balão, rachando o material por dentro. Quando derrete, as rachaduras permanecem. Faça isso repetidamente e seu castelo de areia forte se transformará em um monte de migalhas.

Por muito tempo, prever exatamente quanta resistência esse solo perderia após centenas desses ciclos de gelo e degelo era como tentar adivinhar o tempo com um mês de antecedência usando apenas um barômetro. Os engenheiros usavam fórmulas antigas que eram aceitáveis, mas que frequentemente erravam o alvo porque a relação entre os ingredientes da mistura e o dano é bagunçada e complicada. É aí que entra o artigo que você está prestes a ler. Ele troca o velho barômetro por uma bola de cristal de alta tecnologia chamada "Aprendizado de Máquina" (Machine Learning). Em vez de matemática simples, ele usa algoritmos de computador que aprendem com experimentos reais para detectar padrões que os humanos podem não perceber. A grande questão é: esses computadores inteligentes conseguem prever exatamente qual será a resistência do solo após o clima frio castigá-lo, e qual ingrediente é o mais importante?

A Bola de Cristal Digital: Prevendo a Resistência do Solo Congelado

Neste estudo, uma equipe de pesquisadores da Universidade de Zhengzhou e parceiros em Henan, China, decidiu ensinar computadores a prever o destino do solo solidificado fluente em condições de congelamento. Eles não apenas adivinharam; eles realizaram um experimento massivo. Eles pegaram argila siltosa (um tipo de solo) e a misturaram com diferentes quantidades de "solidificador" (a cola), "aditivo" (um produto químico auxiliar) e água. Eles criaram 50 lotes diferentes deste solo, cada um com uma receita única. Em seguida, submeteram esses pequenos cubos de solo a um ciclo brutal: congelá-los a -10 °C e descongelá-los a 20 °C, repetindo este processo até 50 vezes. Após cada rodada de congelamento e degelo, eles esmagaram os cubos para medir sua resistência à compressão.

Com essa montanha de dados, os pesquisadores construíram quatro diferentes "cérebros digitais" (modelos de aprendizado de máquina) para aprender as regras do jogo:

Árvore de Decisão (DT): Como um fluxograma que faz perguntas simples de sim ou não.
Rede Neural BP (BP): Um modelo que imita como os neurônios humanos se conectam.
Regressão de Vetores de Suporte (SVR): Um método que tenta encontrar a melhor linha para ajustar os pontos de dados.
XGBoost: Uma equipe avançada de árvores de decisão trabalhando juntas para fazer uma previsão mais inteligente.

O objetivo era ver qual "cérebro" conseguiria melhor prever a resistência do solo após a tortura do gelo e degelo, baseando-se apenas em quatro entradas: quanta cola foi usada, quanto de produto químico auxiliar, a relação água-solo e quantas vezes ele foi congelado.

O Confronto: Quem Tirou as Melhores Notas?

Quando os modelos foram testados, os resultados foram uma mistura de "uau" e "ops".

O modelo de Árvore de Decisão (DT) foi um pouco exibicionista na sala de aula (o conjunto de treinamento). Ele memorizou as respostas perfeitamente, obtendo uma pontuação quase perfeita. Mas quando enfrentou um novo teste (o conjunto de teste), ele desmoronou completamente. Ele sofreu de "overfitting" (sobreajuste), que é como um aluno que memorizou o exame de prática, mas entra em pânico quando as questões reais são ligeiramente diferentes. Suas previsões estavam totalmente dispersas, com uma pontuação de precisão baixa de 0,79.

A Rede Neural BP e o modelo SVR foram muito mais estáveis. Eles não memorizaram as respostas de forma tão obsessiva, então lidaram bem com o novo teste, alcançando uma alta precisão de 0,98. Eles eram confiáveis, mas ainda tinham alguns momentos instáveis.

A verdadeira estrela do show foi o XGBoost. Este modelo de conjunto (ensemble), que combina a sabedoria de muitas árvores menores, encontrou o equilíbrio perfeito. Ele não apenas memorizou; ele entendeu os padrões. Ele alcançou uma precisão de teste de 0,95, que foi ligeiramente inferior aos dois primeiros, mas veio com um bônus importante: era o mais estável. Quando os pesquisadores observaram os erros (o quão longe as previsões estavam), os erros do XGBoost eram pequenos e consistentes, enquanto os outros apresentavam variações selvagens. Foi o "cérebro digital" mais robusto para este trabalho.

O Ingrediente Secreto: O Que Realmente Importa?

Uma vez que tiveram seu melhor modelo (XGBoost), os pesquisadores usaram uma ferramenta especial chamada SHAP para perguntar ao computador: "Qual fator está realmente causando a quebra do solo?"

O computador deu um ranking de importância claro:

Ciclos de Gelo e Degelo (F-T): Este foi o chefe indiscutível. O número de vezes que o solo foi congelado e descongelado teve o maior impacto em sua resistência. Foi o fator dominante.
Dosagem do Solidificador (SD): Quanto de cola você coloca foi a segunda coisa mais importante.
Dosagem do Aditivo (AD): O produto químico auxiliar importava, mas menos que a cola.
Relação Água-Solo (WS): A quantidade de água foi o fator menos influente dos quatro, embora ainda desempenhasse um papel.

A análise também mostrou como esses fatores funcionavam. Por exemplo, mais ciclos de gelo e degelo (um número alto) sempre empurravam a resistência prevista para baixo. Mais solidificador (cola) empurrava a resistência para cima. Mas a relação nem sempre era uma linha reta; às vezes, ter demais ou de menos um ingrediente específico tinha efeitos diferentes, e o modelo de aprendizado de máquina foi inteligente o suficiente para captar essas nuances sutis.

A Conclusão

Este artigo não diz apenas que "computadores são legais". Ele prova que, para prever como o solo solidificado fluente sobrevive em climas frios, um modelo inteligente de aprendizado de máquina (especificamente o XGBoost) é muito superior ao palpite de estilo antigo ou a fórmulas simples. Ele pode prever o dano com alta precisão e, mais importante, diz aos engenheiros exatamente quais variáveis observar.

Os pesquisadores descobriram que, embora a receita do solo importe, a quantidade de ciclos de gelo e degelo é o principal vilão. Ao usar este modelo, engenheiros em regiões frias podem agora estimar rapidamente quanto tempo suas estruturas de solo durarão sem ter que esperar anos pela exposição ao clima real. É uma maneira mais rápida e inteligente de construir estradas e fundações mais seguras, garantindo que os "castelos de areia" do futuro não desmoronem quando o inverno chegar.

Resumo Técnico: Modelo de Dano por Degelo/Congelamento para a Resistência à Compressão de Solo Solidificado Fluível Baseado em Aprendizado de Máquina

Definição do Problema
O solo solidificado fluível é um material crítico para a engenharia geotécnica em regiões frias, utilizado em aplicações como aterro de subleito e tratamento de valas de fundação. No entanto, sua durabilidade é severamente comprometida pelos ciclos de gelo-degelo, um processo complexo e não linear impulsionado pelo acoplamento de múltiplos fatores. Fórmulas empíricas tradicionais e modelos estatísticos falham em capturar com precisão o mapeamento não linear entre as variáveis influentes e a degradação da resistência, resultando em limitação de generalização e precisão de previsão. Consequentemente, há uma carência de modelos de previsão eficientes, precisos e adaptáveis capazes de avaliar rapidamente o dano da resistência à compressão por gelo-degelo do solo solidificado fluível sob condições de trabalho complexas.

Metodologia
Para abordar essas limitações, este estudo desenvolveu um framework baseado em aprendizado de máquina para prever a resistência à compressão do solo solidificado fluível sob ciclos de gelo-degelo. A metodologia envolveu as seguintes etapas:

Geração de Dados e Seleção de Parâmetros: Dados experimentais foram gerados utilizando argila siltosa misturada com solidificadores à base de resíduos industriais sólidos e aditivos de policarboxilato. Corpos de prova cúbicos (5 cm × 5 cm) foram preparados com proporções de mistura variadas (5 dosagens de solidificador × 5 dosagens de aditivo × 5 razões água-sólido = 125 combinações) e submetidos a até 50 ciclos de gelo-degelo (congelamento a -10°C, degelo a 20°C). Quatro variáveis de entrada principais foram selecionadas:
- Dosagem de Solidificador (SD)
- Dosagem de Aditivo (AD)
- Razão Água-Sólido (WS)
- Número de Ciclos de Gelo-Degelo (F-T)
  O conjunto de dados cobriu gradientes práticos de engenharia com distribuições completas de variáveis.
Construção do Modelo: Quatro algoritmos distintos de aprendizado de máquina foram empregados para estabelecer os modelos de previsão:
- Árvore de Decisão (DT)
- Rede Neural de Retropropagação (BP)
- Regressão de Vetores de Suporte (SVR)
- Extreme Gradient Boosting (XGBoost)
  O conjunto de dados foi dividido em um conjunto de treinamento de 80% e um conjunto de teste de 20%. Os hiperparâmetros foram otimizados para cada modelo.
Avaliação e Interpretabilidade: O desempenho do modelo foi avaliado utilizando o coeficiente de determinação ( $R^2$ ), o Erro Quadrático Médio (RMSE) e o Erro Médio Absoluto (MAE) tanto no conjunto de treinamento quanto no de teste. Além disso, o framework SHAP (SHapley Additive exPlanations) foi utilizado para realizar a análise de sensibilidade de características, quantificando a contribuição e os efeitos não lineares de cada fator de entrada nos resultados da previsão.

Principais Resultados

Desempenho do Modelo: Todos os quatro modelos alcançaram alta precisão de ajuste no conjunto de treinamento ( $R^2 > 0,99$ $R^{2} > 0, 99$ ). No entanto, diferenças significativas surgiram na generalização no conjunto de teste:
- DT: Sofreu de overfitting severo, apresentando um $R^2$ baixo de 0,79 no conjunto de teste com flutuações drásticas de erro.
- BP e SVR: Demonstraram generalização estável com valores de $R^2$ de 0,98 no conjunto de teste. Contudo, exibiram certas desvios e flutuações de previsão.
- XGBoost: Alcançou um $R^2$ de 0,95 no conjunto de teste. Embora ligeiramente inferior ao BP e SVR em termos de $R^2$ bruto, demonstrou um equilíbrio geral superior, a menor amplitude de flutuação nos erros de previsão e a menor dispersão na razão entre os valores previstos e experimentais. Eficazmente suprimiu os problemas de overfitting observados na árvore de decisão única.
Importância das Características: A análise SHAP revelou a classificação da importância dos fatores como: F-T > SD > AD > WS.
- O Número de Ciclos de Gelo-Degelo (F-T) foi identificado como o fator de controle dominante.
- A análise SHAP indicou que altos valores de F-T (representados por pontos azuis no gráfico de resumo) correspondem a valores SHAP positivos, que aumentam o valor de saída previsto pelo modelo. Entretanto, no contexto físico do estudo, um aumento em F-T representa o acúmulo de danos, o que leva a uma redução na resistência à compressão. O modelo captura esse mecanismo de degradação não linear onde a variável de entrada impulsiona a previsão de saída do estado de dano.
- A Dosagem de Solidificador (SD) mostrou uma correlação positiva com a resistência (altos valores de SD aumentam a saída do modelo).
- A análise confirmou que cada fator exerce efeitos não lineares distintos, positivos ou negativos, dependendo da magnitude de seu valor.

Principais Contribuições

Modelagem Comparativa: O estudo comparou sistematicamente quatro algoritmos de aprendizado de máquina, identificando o XGBoost como o modelo mais robusto para este problema específico de regressão não linear multivariada, oferecendo um melhor equilíbrio entre capacidade de ajuste e generalização do que DT, BP ou SVR.
Interpretabilidade: Ao integrar a análise SHAP, o estudo foi além das previsões de "caixa preta" para quantificar a influência específica e o comportamento não linear dos principais parâmetros de engenharia (SD, AD, WS, F-T) na resistência à compressão.
Framework Baseado em Dados: A pesquisa fornece uma metodologia validada para prever rapidamente índices mecânicos de solo solidificado fluível, reduzindo a dependência de testes experimentais tradicionais demorados.

Significância
O artigo afirma que o método de modelagem baseado em XGBoost e a análise interpretativa propostos oferecem uma referência técnica para a previsão rápida de índices mecânicos para amostras de compressão similares. O objetivo é superar as ineficiências dos métodos experimentais tradicionais e a baixa precisão dos modelos empíricos convencionais. Os autores postulam que esses resultados fornecem suporte técnico inovador e referências teóricas para:

Avaliação da durabilidade de obras de solo solidificado fluível em regiões frias.
Otimização de proporções de materiais.
Garantia da segurança do serviço a longo prazo de tais projetos de engenharia.

O estudo conclui que, embora técnicas de aprendizado de máquina tenham sido aplicadas a diversos materiais, faltavam modelos direcionados para o dano de resistência à compressão por gelo-degelo do solo solidificado fluível, e este trabalho aborda essa lacuna específica.

A Bola de Cristal Digital: Prevendo a Resistência do Solo Congelado

O Confronto: Quem Tirou as Melhores Notas?

O Ingrediente Secreto: O Que Realmente Importa?

A Conclusão

Mais como este