Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

O solo sob nossos pés raramente é uniforme. Em muitos lugares, o solo é macio, úmido e propenso a deslocamentos, tornando-se uma base ruim para estradas, edifícios ou pontes. Engenheiros há muito sabem como corrigir isso misturando a terra fraca com agentes estabilizadores como cal ou cimento. Esses aditivos desencadeiam reações químicas que unem as partículas do solo, transformando uma massa viscosa em um material sólido e capaz de suportar carga. No entanto, descobrir exatamente quanto estabilizador usar e quanto tempo esperar para o solo endurecer é um processo lento e caro. Isso exige a mistura de dezenas de diferentes lotes em um laboratório, esperando semanas para que eles curem e, depois, esmagando-os para medir sua resistência. Para cada novo tipo de solo ou para cada mudança na receita, esse ciclo deve ser repetido, consumindo tempo e recursos que poderiam ser melhor aproveitados na construção.

Uma equipe de pesquisadores desenvolveu uma nova maneira de acelerar esse processo sem sacrificar a precisão. Eles criaram um modelo computacional que atua como um preditor altamente qualificado, aprendendo com experimentos passados para adivinhar a resistência de futuras misturas de solo. Mas, em vez de apenas alimentar o computador com números brutos, os pesquisadores o ensinaram a pensar como um engenheiro geotécnico. Eles construíram o modelo usando recursos "guiados pela física", o que significa que deram ao computador descritores que refletem os processos físicos e químicos reais que ocorrem no solo, como a forma como o aglutinante interage com o tempo e como a plasticidade natural do solo muda. Essa abordagem permite que o modelo entenda o "porquê" por trás da resistência, não apenas o "o quê". O resultado é uma ferramenta que pode triar potenciais misturas de solo de forma rápida e confiável, ajudando engenheiros a decidir quais combinações valem a pena serem testadas em laboratório e quais provavelmente falharão, tudo isso fornecendo uma explicação clara de por que uma mistura específica deve ter um bom desempenho.

Os pesquisadores focaram em um tipo específico de tratamento de solo envolvendo argila caulin, um solo fraco comum, estabilizada com dois materiais: nano xisto, um pó de rocha finamente moído, e cal virgem, uma forma reativa de óxido de cálcio. Eles começaram com um banco de dados de 180 medições laboratoriais individuais tiradas de 36 diferentes designs de mistura. Cada design variava a quantidade de nano xisto e de cal utilizados, bem como o número de dias que o solo teve para curar. O objetivo era prever a resistência à compressão simples, uma medida padrão de quanta pressão o solo pode suportar antes de romper. Para fazer isso, eles testaram vários tipos diferentes de algoritmos de aprendizado de máquina, variando de equações lineares simples a redes neurais artificiais complexas e modelos avançados baseados em árvores. Eles não simplesmente dividiram os dados em grupos de treinamento e teste aleatórios, uma prática comum que às vezes pode esconder falhas em um modelo. Em vez disso, utilizaram um método rigoroso chamado validação cruzada de grupo aninhada (nested group cross-validation). Isso garantiu que o modelo fosse testado em designs de mistura inteiramente novos, que ele nunca havia visto antes, evitando que ele simplesmente memorizasse os resultados de amostras semelhantes e desse uma falsa sensação de precisão.

Após treinar e testar esses modelos, os pesquisadores descobriram que um algoritmo específico chamado CatBoost teve o melhor desempenho, mas apenas após refinarem as informações que ele recebia. Inicialmente, forneceram ao modelo sete recursos projetados para capturar a física do processo de estabilização, como a quantidade total de aglutinante usado e como esse aglutinante interagia com o tempo de cura. Através de um processo cuidadoso de remoção de recursos um a um, descobriram que um desses inputs era, na verdade, redundante e estava confundindo o modelo. Ao removê-lo, criaram uma versão simplificada com seis descritores fundamentais que incluíam o conteúdo total de aglutinante, a interação entre o nano xisto e os dias de cura e uma medida da plasticidade relativa do solo. Esse modelo refinado, que eles nomearam de CatBoost-6PG, alcançou um alto nível de precisão, prevendo corretamente a resistência das misturas de solo com uma margem de erro de cerca de 151 quilopascais. Esse desempenho foi significativamente melhor do que os modelos mais simples e até superou os modelos mais complexos que não utilizavam esses inputs baseados na física.

O verdadeiro valor deste trabalho, no entanto, reside em sua transparência. Os pesquisadores não pararam em obter uma boa previsão; eles queriam entender o que o modelo estava realmente aprendendo. Usando uma técnica chamada análise SHAP, eles mapearam quais fatores eram mais importantes. Descobriram que o modelo identificou corretamente o índice de plasticidade do solo — uma medida de quanta água o solo pode conter antes de se tornar pegajoso — como o fator mais crítico. A alta plasticidade consistentemente levou a previsões de resistência mais baixas, o que se alinha perfeitamente com a mecânica dos solos estabelecida. O modelo também aprendeu que a passagem do tempo era crucial, com períodos de cura mais longos levando a um solo mais forte, e que a interação entre o aglutinante e o tempo permitido para a cura era mais importante do que a quantidade de aglutinante isoladamente. Por exemplo, o modelo mostrou que adicionar mais nano xisto só ajudava se houvesse tempo suficiente para que as reações químicas ocorressem. Essas percepções confirmam que o modelo não está apenas encontrando padrões estatísticos, mas sim capturando os mecanismos físicos reais da estabilização do solo.

Para garantir que as previsões fossem confiáveis, a equipe também quantificou a incerteza, ou o intervalo de resultados possíveis, para cada previsão. Eles simularam milhares de cenários onde os valores de entrada, como a quantidade exata de cal ou o tempo de cura, eram levemente variados para mimetizar imperfeições do mundo real. Descobriram que a maior fonte de incerteza vinha da variabilidade nos próprios materiais de entrada, e não dos cálculos internos do modelo. Quando contabilizaram essa variabilidade, o modelo forneceu um intervalo de previsão que cobria quase 90 por cento dos resultados de teste reais. Isso significa que, embora o modelo forneça um número específico para a resistência esperada, ele também fornece uma margem de segurança, informando aos engenheiros o quanto esse número pode flutuar na realidade. Esta é uma característica vital para a engenharia, onde a segurança depende da compreensão dos limites de uma previsão.

O estudo também explorou o quão útil o modelo seria nas fases iniciais de um projeto, quando os engenheiros podem ainda não possuir dados detalhados sobre as propriedades de compactação ou limites de plasticidade do solo. Eles testaram o modelo usando apenas as variáveis básicas de design de mistura: as quantidades de nano xisto e de cal, e o tempo de cura. Embora o modelo ainda pudesse fazer uma estimativa bruta com essas informações limitadas, sua precisão caiu significamente. Essa descoberta é prática e honesta: o modelo não é um substituto para os testes laboratoriais, mas uma ferramenta poderosa para guiá-los. Ele pode ajudar os engenheiros a reduzir a lista de misturas promissoras para testar, economizando tempo e dinheiro, mas ainda depende das propriedades fundamentais do solo para fazer suas previsões mais precisas.

Em última análise, esta pesquisa oferece uma ponte entre os dados brutos e a intuição da engenharia. Ao combinar o aprendizado de máquina com uma compreensão profunda dos processos físicos envolvidos, os pesquisadores criaram uma ferramenta que é ao mesmo tempo precisa e explicável. O modelo não trata o solo como uma caixa preta, mas aprende as regras de como os aglutinantes, o tempo e as propriedades do solo interagem para criar resistência. Essa abordagem permite um processo de design mais eficiente, onde os engenheiros podem selecionar misturas com confiança e focar seus recursos nas combinações com maior probabilidade de sucesso. O trabalho demonstra que, quando a inteligência artificial é guiada pelas leis da física, ela pode se tornar uma parceira confiável na resolução de desafios complexos de engenharia, oferecendo clareza e confiança no design das estruturas que sustentam nossas vidas diárias.