⚡ electrical engineering

Prediction of Local Scour Depth Around Cylindrical Bridge Piers in Cohesive Soil Using Advanced Machine Learning Algorithms

Este estudo avalia cinco algoritmos de aprendizado de máquina para prever a profundidade de erosão local ao redor de pilares cilíndricos de pontes em solos coesivos utilizando 122 registros laboratoriais, constatando que o modelo QNET alcançou a maior precisão (R² = 0,9958), ao mesmo tempo em que destacou a influência crítica do número de Froude e a necessidade de uma interpretação cautelosa devido ao tamanho modesto da amostra.

Autores originais: Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

Publicado 2026-09-01

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Nazila Kardan, Mehdi Soltani, Mehdi Majedi Asl, Tohid Omidpour

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

Toda ponte depende de seus fundamentos para se manter firme, mas a água que flui abaixo dela está constantemente tentando minar essa estabilidade. Quando a correnteza de um rio atinge um pilar de uma ponte, a água gira e acelera ao redor da estrutura, escavando um buraco no leito do rio. Esse processo, conhecido como erosão (ou scour), pode remover o solo que sustenta a ponte, podendo levar ao colapso durante uma inundação. Durante décadas, os engenheiros foram capazes de prever a profundidade desses buracos em rios com fundos arenosos ou pedregosos, onde o solo se move grão por grão. No entanto, muitos rios fluem sobre leitos coesivos, onde o solo é pegajoso e unido por argila e água. Nessas condições, o solo não é levado facilmente pela água; em vez disso, ele resiste à erosão de formas complexas que dependem de quão úmido o solo está, de quanto argila ele contém e de quão fortemente a água empurra contra ele. Como a interação entre a água corrente e esse solo pegajoso é tão intrincada, prever exatamente quão profundo um buraco de erosão se tornará nesses ambientes tem sido um desafio difícil e incerto para os engenheiros civis.

Uma equipe de pesquisadores de universidades do Irã propôs-se a resolver este problema específico ensinando computadores a reconhecer os padrões ocultos em experimentos laboratoriais passados. Eles reuniram 122 registros de estudos anteriores onde cientistas mediram a profundidade com que a água escavou ao redor de pilares cilíndricos de pontes em solo coesivo. Em vez de depender de fórmulas tradicionais, a equipe utilizou algoritmos avançados de aprendizado de máquina (machine learning), que são programas de computador capazes de aprender com dados para fazer previsões. Eles forneceram ao computador cinco tipos diferentes de sistemas de aprendizado, incluindo redes neurais artificiais, que mimetizam a forma como os cérebros humanos conectam informações, e outros modelos matemáticos projetados para encontrar relações entre variáveis. O computador recebeu quatro informações fundamentais para cada experimento: a velocidade da água em relação ao tamanho do pilar, a quantidade de água contida no solo, a porcentagem de argila no solo e uma medida de quanta força o solo poderia suportar antes de começar a sofrer erosão.

Os pesquisadores testaram esses modelos computacionais para ver qual deles conseguiria prever com maior precisão a profundidade do buraco de erosão com base nesses quatro fatores. Eles dividiram seus dados em dois grupos, usando a maior parte deles para ensinar os modelos e reservando uma parte menor para testar sua precisidade em novos exemplos não vistos anteriormente. Um dos modelos, chamado QNET, alcançou o desempenho mais alto relatado, embora os pesquisadores tenham interpretado essa pontuação quase perfeita com cautela, observando que ela provavelmente reflete a maneira específica como os dados foram divididos, e não uma garantia de precisão universal. Outro modelo, a rede neural artificial, também teve um desempenho muito bom, embora com um pouco mais de erro do que o melhor executor. Os outros modelos, incluindo um que tenta criar uma fórmula matemática simples a partir dos dados, mostraram menor precisão quando testados em novas situações. O estudo revelou que, embora os modelos computacionais fossem excelentes em encontrar padrões, o fator mais importante para uma previsão precisa foi consistentemente a velocidade da água em relação ao tamanho do pilar. No entanto, os modelos também confirmaram que saber apenas a velocidade da água não era suficiente; o computador precisava conhecer o conteúdo de água e o conteúdo de argila do solo para fazer uma previsão confiável.

Apesar da alta precisão dos modelos de melhor desempenho, os pesquisadores foram cuidadosos ao não declarar o problema completamente resolvido. Eles observaram que o computador foi treinado em um número relativamente pequeno de experimentos laboratoriais, e que as pontuações quase perfeitas poderiam ser específicas para aquele conjunto particular de dados, e não uma garantia para todos os rios do mundo. O estudo sugere que, embora o aprendizado de máquina ofere o uma nova ferramenta poderosa para entender como a água erode leitos de rios pegajosos, esses modelos devem ser vistos como auxiliares de previsão sofisticados que funcionam melhor dentro dos limites dos dados nos quais foram treinados. As descobertas enfatizam que a compreensão da segurança das pontes em solos coesivos requer olhar tanto para o poder da água quanto para as propriedades específicas do terreno, uma combinação que os métodos tradicionais têm tido dificuldade em capturar de forma eficaz. Ao demonstrar que os computadores podem aprender essas relações complexas, a pesquisa abre um caminho para projetos de pontes mais seguros, desde que o trabalho futuro continue a testar essas ferramentas contra condições do mundo real e conjuntos de dados maiores.

Resumo Técnico: Predição da Profundidade de Erosão Local em torno de Pilares de Pontes Cilíndricos em Solos Coesivos Utilizando Algoritmos Avançados de Aprendizado de Máquina

Definição do Problema
A predição confiável da erosão local (scour) ao redor de pilares de pontes cilíndricos em leitos coesivos permanece um desafio significativo na engenharia hidráulica. Diferente dos sedimentos não coesivos, onde a erosão é governada principalmente pelo tamanho do grão e pela velocidade crítica, a erodibilidade do solo coesivo envolve interações complexas e não lineares entre o forçamento hidráulico e a resistência geotécnica. Fatores como o teor de água, o teor de argila e a resistência ao cisalhamento crítica do leito influenciam a ligação interparticular e os limiares de erosão, fazendo com que o material coesivo muitas vezes sofra erosão na forma de agregados ou blocos, em vez de grãos individuais. As relações empíricas tradicionais, amplamente desenvolvidas para sedimentos não coesivos, são difíceis de aplicar diretamente a leitos coesivos. Embora técnicas baseadas em dados tenham mostrado potencial, há uma necessidade de comparações sistemáticas de diferentes paradigmas de aprendizado de máquina sob um arcabouço adimensional fisicamente consistente para garantir a robustez e a interpretabilidade dos modelos.

Metodologia
O estudo utilizou um conjunto de dados de 122 registros laboratoriais compilados de investigações anteriores (especificamente o banco de dados de leito coesivo de Choi e Choi, 2022). A pesquisa focou na predição da profundidade máxima de erosão adimensional ( $d_{max}/D$ ) utilizando quatro preditores principais:

Teor de água ( $W_c$ )
Teor de argila ( $CP$ )
Número de Froude do pilar ( $Fr = V/\sqrt{gD}$ )
Resistência ao cisalhamento normalizada do leito ( $\tau_c / (\rho V^2)$ )

O conjunto de dados foi particionado em um conjunto de treinamento (~~70%) e um conjunto de teste de retenção (~~30%) para avaliar a generalização. Para avaliar sistematicamente a influência dos preditores, os autores empregaram um design exaustivo de subconjuntos de entrada, testando todas as 15 combinações não vazias das quatro variáveis.

Cinco algoritmos distintos de aprendizado de máquina foram avaliados sob este mesmo arcabouço:

Rede Neural Artificial (ANN): Implementada como um perceptron multicamadas.
Máquina de Vetores de Suporte (SVM): Utilizando um kernel de função de base radial.
K-Vizinhos Mais Próximos (KNN): Utilizando regressão baseada em distância euclidiana.
Programação de Expressão Gênica (GEP): Uma técnica de regressão simbólica evolutiva que gera fórmulas explícitas.
QNET: Um framework de modelagem de rede neural alternativo.

O desempenho foi avaliado através do coeficiente de determinação ( $R^2$ ), Erro Quadrático Médio (RMSE) e o índice de concordância de Willmott ( $DC$ ). Análises de sensibilidade foram conduzidas via exclusão de preditor um a um para determinar a influência relativa de cada variável.

Principais Resultados

Desempenho do Modelo: O QNET alcançou o maior desempenho reportado no conjunto de teste de retenção, com um $R^2$ de 0,9958, RMSE de 0,0111 e $DC$ de 0,9836. A ANN seguiu com um forte desempenho ( $R^2 = 0,9206$ , RMSE = 0,0303, $DC = 0,9285$ ). O SVM e o KNN demonstraram desempenho intermediário, enquanto a configuração de entrada total da GEP apresentou uma generalização mais fraca ( $R^2 = 0,6791$ ), apesar de fornecer uma expressão simbólica explícita.
Sensibilidade dos Preditores: A sensibilidade dos preditores variou conforme o modelo e a métrica.
- No SVM, a remoção do teor de argila ( $CP$ ) causou a maior queda no $R^2$ , enquanto a remoção do número de Froude ( $Fr$ ) causou a maior queda no $DC$ .
- No QNET e na ANN, a remoção do número de Froude ( $Fr$ ) resultou no declínio mais significativo no $R^2$ e no $DC$ , destacando o papel crítico da intensidade hidráulica.
- Os resultados da GEP também indicaram uma forte influência de $Fr$ , embora inconsistências em suas métricas de sensibilidade reportadas tenham impedido uma atribuição quantitativa precisa.
Generalização: Embora o QNET e a ANN tenham mostrado alta precisão de treinamento, o estudo observou uma lacuna de generalização mensurável para a ANN (treinamento $R^2$ 0,9996 vs. retenção $R^2$ 0,9206). O desempenho próximo à unidade do QNET foi interpretado com cautela devido ao tamanho modesto da amostra e à dependência de uma única partição de dados.

Significância e Alegações
O artigo afirma demonstrar o potencial do aprendizado de máquina para a predição de erosão em leitos coesivos, enfatizando que os frameworks preditivos devem considerar simultaneamente o forçamento hidráulico e a resistência do leito. O estudo destaca a importância de utilizar preditores fisicamente consistentes (como o número de Froude e a resistência ao cisalhamento normalizada) em vez de depender apenas de ajustes estatísticos.

Os autores declaram explicitamente que seus resultados devem ser interpretados como o desempenho reportado para a partição de dados específica utilizada, e não como prova definitiva de superioridade universal de modelo ou generalização para escala de campo. Eles alertam que o desempenho quase perfeito do QNET requer interpretação cuidadosa, dado o conjunto de dados limitado (122 registros) e a ausência de reamostragem repetida ou logs de validação externa. O estudo conclui que, embora o aprendizado de máquina ofereça ferramentas poderosas para este domínio, os modelos desenvolvidos devem ser considerados ferramentas de predição baseadas em dados dentro do domínio laboratorial representado, e não como equações de projeto irrestritas. Sugere-se que trabalhos futuros incluam validação externa rigorosa usando conjuntos de dados independentes (como os de Gudavalli e Kothyari et al.) e a aplicação de métodos de ensemble com técnicas de IA explicável.

Mais como este