An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

Quando o chão treme durante um terremoto, o solo sob nossos pés pode, às vezes, comportar-se como um líquido. Este fenômeno, conhecido como liquefação do solo, ocorre quando areia solta e úmida perde sua resistência e rigidez, fazendo com que edifícios afundem, estradas deformem e infraestruturas falhem. É uma das forças mais destrutivas desencadeadas por eventos sísmicos, sendo responsável por danos catastróficos nos grandes terremotos da história. Para proteger as comunidades, os engenheiros devem determinar, antes do início da construção, se o solo de um local específico tem probabilidade de se transformar em líquido sob estresse. Essa avaliação baseia-se em dois métodos primários de sondagem da terra: o Ensaio de Penetração Padrão (SPT), que mede a dificuldade de conduzir um amostrador no solo, e o Ensaio de Penetração de Cone (CPT), que empurra um cone através do solo para medir a resistência continuamente. Tradicionalmente, interpretar esses testes exige que um engenheiro geotécnico reúna dados manualmente, realize cálculos complexos e decida qual método se aplica, um processo que é demorado e propenso ao erro humano.

Uma equipe de pesquisadores da Índia, Austrália e Estados Unidos desenvolveu um novo sistema projetado para tornar essa verificação de segurança crítica mais rápida e acessível. Eles criaram uma estrutura automatizada que combina poderosos modelos de aprendizado computacional com uma inteligência artificial sofisticada capaz de compreender a linguagem humana. Em vez de forçar os engenheiros a formatar dados em planilhas rígidas, este novo sistema permite que eles descrevam as condições de um local em linguagem natural. O computador então lê a descrição, identifica os dados necessários de solo e de terremoto, escolhe o método de cálculo correto e entrega um relatório de engenharia claro. O objetivo não era substituir o julgamento humano, mas atuar como um assistente inteligente que lida com o trabalho pesado de processamento de dados e seleção de modelos, permitindo que os especialistas se concentrem nas decisões finais de segurança.

Os pesquisadores começaram ensinando dois programas de computador distintos a prever a liquefação. Um programa foi treinado em quase 2.000 casos reais onde o Ensaio de Penetração Padrão foi utilizado, enquanto o outro aprendeu com quase 500 casos envolvendo o Ensaio de Penetração de Cone. Esses programas, construídos sobre uma técnica chamada extreme gradient boosting, aprenderam a reconhecer os padrões complexos e não lineares entre a densidade do solo, os níveis de água e a intensidade do terremoto que levam à falha. Ao serem testados em novos dados não vistos anteriormente, o programa treinado no Ensaio de Penetração Padrão identificou corretamente se o solo sofreria liquefação ou permaneceria estável em 96 por cento dos casos. O programa treinado no Ensaio de Penetração de Cone alcançou uma taxa de sucesso de 91 por cento. Ambos os sistemas provaram ser altamente confiáveis, com o modelo do Ensaio de Penetração Padrão mostrando uma força particular em detectar solos perigosos e liquefáveis, um traço crucial para a segurança na engenharia.

A verdadeira inovação deste trabalho reside em como essas ferramentas de previsão foram conectadas a um modelo de linguagem de grande escala, um tipo de inteligência artificial projetada para compreender e gerar linguagem humana. Em tentativas anteriores de usar aprendizado de máquina para a engenharia geotécnica, os modelos de computador eram isolados; eles só podiam funcionar se um humano primeiro extraísse cada número de um relatório de campo e o alimentasse no sistema em um formato específico. Este novo framework remove essa barreira. Os pesquisadores construíram um "agente", um assistente digital que atua como o cérebro da operação. Quando um usuário digita uma descrição natural de um local — mencionando detalhes como profundidade do solo, a força do tremor do solo ou a resistência medida por uma sonda — o agente lê o texto, extrai os números relevantes e descobre qual dos dois modelos de previsão deve usar. Se a descrição contiver dados de resistência de cone, ele direciona a solicitação para o modelo de cone; se contiver contagens de golpes, ele envia para o modelo de penetração padrão.

Para garantir que este sistema funcione no mundo real, a equipe o testou com dez cenários diferentes, cada um descrevendo uma condição de local única. Em todos os casos, o agente extraiu corretamente os parâmetros necessários do texto e escolheu o modelo de previsão correto para executar. Em seguida, ele pegou a saída bruta do modelo computacional e a traduziu em um relatório de engenharia estruturado e profissional, que explicava o risco e oferecia recomendações. Este fluxo de trabalho de ponta a ponta demonstra que é possível preencher a lacuna entre dados de campo brutos e não estruturados e previsões de aprendizado de máquina de alta precisão sem exigir que o usuário seja um cientista de dados. O sistema efetivamente transforma uma análise de engenharia complexa e de múltiplas etapas em uma conversa simples.

No entanto, os pesquisadores são cuidadosos ao definir os limites de sua criação. Eles enfatizam que esta ferramenta é destinada à triagem preliminar e ao suporte à decisão, não como um substituto final para a análise tradicional ou para o julgamento profissional. O sistema é projetado para detectar potenciais perigos precocemente e agilizar o processo de revisão inicial, mas não consegue considerar todas as nuances geológicas únicas ou todo o escopo do histórico de um local. Para casos marginais onde o risco é incerto, ou quando os dados de entrada são incompletos, o sistema é programado para recomendar investigação adicional por um engenheiro qualificado. O estudo conclui que, embora o framework automatizado melhore significamente a acessibilidade e a eficiência da avaliação de riscos sísmicos, ele funciona melhor como um parceiro da expertise humana, lidando com o trabalho rotineiro de dados para que os engenheiros possam se concentrar na segurança das estruturas que constroem.