⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

Este estudo propõe uma estrutura de aprendizado de máquina informada pela física e interpretável que combina a regressão XGBoost com uma transformação logarítmica para derivar uma equação de lei de potência altamente precisa e transparente para prever a resistência ao cisalhamento por punção de lajes planas de concreto armado, superando significativamente as provisões convencionais do ACI 318-19, ao mesmo tempo em que mantém a usabilidade prática para engenheiros estruturais.

Autores originais: Aaqib Ali, Aslam Faqeer Mohammad

Publicado 2026-08-31

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Aaqib Ali, Aslam Faqeer Mohammad

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

No mundo da construção moderna, os pisos de concreto planos são uma escolha comum para tudo, desde edifícios de apartamentos até garagens de estacionamento. Eles oferecem um visual limpo e aberto e permitem layouts interiores flexíveis, mas trazem consigo um desafio estrutural oculto. Quando uma carga pesada pressiona um piso, a força deve viajar da laje larga para a coluna estreita que a suporta. Nesta junção, o concreto é submetido a um estresse intenso e localizado que pode causar sua falha súbita e sem aviso. Este tipo de falha, conhecido como cisalhamento por punção, ocorre quando o concreto ao redor da coluna racha e se desprende, de forma muito semelhante a um cortador de biscoitos atravessando a massa. Se isso ocorrer, o piso pode colapsar sobre o de baixo, potencialmente desencadeando uma reação em cadeia que derruba um edifício inteiro.

Por décadas, engenheiros confiaram em regras práticas padrão para evitar esse desastre. Essas regras, encontradas em códigos de obras, usam matemática simplificada para estimar quanta carga uma laje pode suportar antes de ser perfurada. Embora essas fórmulas sejam fáceis de usar, elas são baseadas em dados antigos e fazem suposições amplas que frequentemente ignoram a realidade complexa de como o concreto e o aço interagem. Elas podem ser excessivamente cautelosas, levando ao desperdício de materiais, ou perigosamente otimistas em situações específicas. Para resolver isso, pesquisadores começaram a recorrer ao aprendizado de máquina, um tipo de inteligência computacional que pode encontrar padrões em vastas quantidades de dados. No entanto, esses modelos computacionais são frequentemente vistos como "caixas pretas", o que significa que fornecem uma resposta sem explicar como chegaram a ela, o que torna os engenheiros hesitantes em confiar neles para cálculos de segurança vital.

Uma equipe de pesquisadores da Universidade de Engenharia e Tecnologia NED, no Paquistão, desenvolveu uma nova abordagem que preenche essa lacuna. Eles queriam criar uma ferramenta de previsão que fosse tão precisa quanto os modelos computacionais mais inteligentes, mas tão clara e utilizável quanto as regras tradicionais que os engenheiros já conhecem. Para fazer isso, eles reuniram uma coleção massiva de resultados de testes reais de laboratórios ao redor do mundo. Seu banco de dados incluiu 408 diferentes espécimes de lajes de concreto, cada um testado até a falha. Esses testes variavam amplamente em suas propriedades, utilizando concretos com resistências variando de 16,5 a 119 megapascais e lajes com profundidades efetivas entre 70 e 456 milímetros. Os pesquisadores também observaram o tamanho das colunas de suporte e a quantidade de reforço de aço no interior do concreto.

A equipe primeiro alimentou esses dados em um poderoso algoritmo de aprendizado de máquina chamado XGBoost. Este sistema agiu como um detetive altamente qualificado, analisando milhares de combinações de resistência do concreto, razões de aço e dimensões para aprender exatamente como elas influenciavam o ponto de falha. O modelo computacional aprendeu que os fatores mais críticos eram a profundidade da laje, o tamanho da coluna e a quantidade de reforço de aço, juntamente com uma medida calculada do perímetro ao redor da coluna onde a falha ocorreria. O modelo de aprendizado de máquina provou ser notavelmente preciso, prevendo corretamente a carga de falha para 95,95 por cento das variações nos dados. Em contraste, a fórmula padrão do código de obras capturou apenas cerca de 81,85 por cento das variações.

Mais importante ainda, os pesquisadores não pararam em uma previsão computacional. Eles pegaram os padrões complexos que a máquina aprendeu e os traduziram em uma equação matemática única e simples que qualquer engenheiro poderia usar com uma calculadora básica. Esta nova fórmula se parece e funciona como as regras tradicionais encontradas nos códigos de obras, mas é construída sobre a compreensão mais profunda proporcionada pelo aprendizado de máquina. Quando testada contra os mesmos dados, esta nova equação reduziu o erro médio de previsão em quase 60 por cento em comparação com o código padrão. Enquanto o código antigo frequentemente subestimava a resistência de lajes fortemente reforçadas ou superestimava a segurança de lajes finas, a nova fórmula ajustou-se para essas nuances, fornecendo uma estimativa muito mais confiável de quando uma laje falharia.

O estudo confirma que o novo método não é apenas um truque estatístico, mas está fundamentado na física real de como o concreto se comporta. Os pesquisadores descobriram que o computador identificou corretamente os mesmos princípios físicos que especialistas humanos há muito tempo compreendem: que uma laje mais profunda e um perímetro maior ao redor da coluna proporcionam mais resistência à falha. Ao combinar o poder de reconhecimento de padrões do aprendizado de máquina com a transparência de uma fórmula simples, a equipe criou uma ferramenta que é altamente precisa e fácil de confiar. Este trabalho sugere que o futuro do design estrutural não exige a escolha entre modelos computacionais complexos e regras simples; em vez disso, é possível usar o primeiro para refinar o segundo, garantindo que os edifícios sejam mais seguros e eficientes sem exigir que os engenheiros se tornem cientistas de dados.

Resumo Técnico: Uma Abordagem de Aprendizado de Máquina Baseada em Física para a Predição da Resistência ao Cisalhamento por Punção de Lajes Planas de Concreto Armado

Definição do Problema
A predição precisa da capacidade de cisalhamento por punção ( $V_u$ ) de lajes planas de concreto armado (CA) é um desafio persistente na engenharia estrutural devido às complexas interações não lineares entre propriedades dos materiais, características da armadura e parâmetros geométricos. As provisões de projeto convencionais, como a ACI 318-19, baseiam-se em formulações empíricas simplificadas. Embora sejam fáceis de implementar, essas equações frequentemente exibem uma incerteza de predição significativa porque assumem relações lineares e negligenciam variáveis fundamentais, como a contribuição mecânica direta da taxa de armadura de flexão ( $\rho$ ). Isso pode levar a projetos excessivamente conservadores em regiões altamente armadas ou estimativas perigosas e liberais em lajes finas com baixa armadura. Por outro lado, embora modelos avançados de Aprendizado de Máquina (ML), como o eXtreme Gradient Boosting (XGBoost), ofereçam uma precisão preditiva superior, sua natureza de "caixa-preta" — baseada em centenas de divisões de decisão descontínuas — limita sua adoção no design estrutural prático, onde são necessárias equações de forma fechada e transparentes para cálculos rápidos e conformidade com normas.

Metodologia
O estudo propõe uma estrutura orientada a códigos e baseada em dados que preenche a lacuna entre a precisão de alto desempenho do ML e a utilidade prática da engenharia. A pesquisa utilizou um banco de dados experimental abrangente composto por 408 espécimes de conexões laje-coluna de lajes planas de CA interiores provenientes de diversos estudos históricos. A metodologia procedeu através de quatro fases sistemáticas:

Compilação e Pré-processamento de Dados: Uma matriz estrutural foi compilada, limpando valores nulos e transformando a taxa de armadura ( $\rho$ ) de uma porcentagem para uma escala decimal para garantir a integridade estatística.
Engenharia de Atributos Baseada em Física: Para impor transparência mecânica, o vetor de entrada foi aumentado com atributos baseados em física derivados da mecânica estrutural. Especificamente, o perímetro crítico de cisalhamento ( $b_0 = 4(c+d)$ ) e a métrica de tração do concreto ( $\sqrt{f'_c}$ ) foram computados. O vetor de entrada final incluiu a resistência à compressão do concreto ( $f'_c$ ), a tensão de escoamento do aço ( $f_y$ ), a altura útil ( $d$ ), a largura da coluna ( $c$ ), a taxa de armadura ( $\rho$ ), $b_0$ e $\sqrt{f'_c}$ .
Treinamento e Benchmarking do Modelo: Um regressor XGBoost foi treinado em 80% dos dados (326 espécimes) e validado em um conjunto de teste retido de 20% (82 espécimes). O desempenho do modelo foi comparado com a equação empírica padrão da ACI 318-19.
Mecanismo de Transformação Logarítmica Multiplicativa: Para abordar a limitação de "caixa-preta", os autores desenvolveram um motor especializado. O conjunto de dados foi mapeado para o espaço logarítmico para linearizar as relações, permitindo a otimização dos expoentes de lei de potência via regressão de mínimos quadrados. Esses parâmetros otimizados foram então transformados de volta em uma equação de lei de potência multiplicativa compacta e de forma fechada.

Principais Contribuições

Desenvolvimento de uma Equação de Projeto Interpretável: A principal contribuição é a derivação de uma equação de lei de potência independente de linha única ( $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ) que mantém a precisão preditiva de um modelo de ML complexo, enquanto adere ao formato das normas de projeto convencionais.
Integração de Atributos Baseados em Física: O estudo demonstra que a incorporação de parâmetros físicos específicos do domínio (perímetro de cisalhamento crítico e resistência à tração do concreto) no espaço de atributos do ML aumenta a capacidade do modelo de capturar relações fisicamente significativas.
Superioridade Quantitativa sobre Códigos Empíricos: A estrutura fornece uma comparação estatística rigorosa mostrando que a abordagem derivada de ML supera significativamente as provisões da norma ACI 318-19 em termos de explicação de variância e minimização de erro.

Resultos
O desempenho das estruturas propostas foi avaliado usando o Coeficiente de Determinação ( $R^2$ ), o Erro Absoluto Médio (MAE) e o Erro Quadrático Médio (RMSE) no conjunto de teste independente:

Modelo XGBoost: Alcançou um $R^2$ de 0,9595, com um MAE de 26,21 kN e um RMSE de 43,79 kN.
Fórmula Multiplicativa Derivada: Alcançou um $R^2$ de 0,9542, com um MAE de 35,5 kN e um RMSE de 56,22 kN.
Benchmark ACI 318-19: Alcançou um $R^2$ de 0,8185, com um MAE de 64,42 kN e um RMSE de 92,74 kN.

O modelo XGBoost demonstrou um aumento de 17,23% na explicação da variância em comparação com a linha de base da ACI 318-19. Além disso, a abordagem de ML reduziu o MAE em 59,31% e o RMSE em 52,78%, indicando uma redução substancial na dispersão da predição e a eliminação de erros de outliers de alta magnitude. A análise de importância de atributos confirmou que o modelo priorizou escalas geométricas (altura útil $d$ e perímetro crítico $b_0$ ) e propriedades de materiais ( $\rho$ e $\sqrt{f'_c}$ ) de uma maneira consistente com a mecânica clássica de fratura do concreto.

Significância e Alegações
O artigo afirma que esta abordagem consegue unir a lacuna entre a precisão de alto desempenho do aprendizado de máquina e os requisitos práticos do design estrutural. Ao traduzir padrões algorítmicos complexos em uma equação de lei de potência multiplicativa e transparente, o estudo fornece aos engenheiros uma ferramenta que é simultaneamente altamente precisa e imediatamente utilizável em campo, sem a necessidade de ferramentas computacionais complexas, conectividade à internet ou ambientes de execução de software. A equação derivada oferece uma alternativa confiável para a predição da capacidade de cisalhamento por punção, potencialmente reduzindo o risco de falha frágil através de estimativas de capacidade mais precisas do que as atuais normas empíricas permitem. Os autores observam que, embora o modelo atual seja otimizado para conexões laje-coluna interiores sem armadura de cisalhamento, a estrutura estabelece um caminho para futuras extensões que incluam armadura de cisalhamento, carregamento excêntrico e geometrias complexas.

Mais como este