⚡ electrical engineering

Physics-Informed Neural Network for Stability Analysis of Embankments Supported by GESCs with Bending Deformation

Este estudo propõe uma nova estrutura de rede neural informada pela física (PINN) que integra a deformação por flexão de colunas de pedra revestidas com geosintéticos (GESCs) como uma restrição física para alcançar uma avaliação de estabilidade probabilística altamente precisa e rápida e um projeto otimizado para aterros sobre solos moles.

Autores originais: Xiaocong Cai, Ling Zhang, Bocheng Peng, Jingpeng Tan, Zijian Yang

Publicado 2026-09-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Xiaocong Cai, Ling Zhang, Bocheng Peng, Jingpeng Tan, Zijian Yang

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

Quando engenheiros constroem estradas ou ferrovias sobre solos moles e viscosos, eles frequentemente enfrentam um problema persistente: a terra simplesmente não consegue suportar o peso. Para resolver isso, eles cravam colunas espessas de pedra britada no solo, criando uma fundação reforçada que pode sustentar a carga pesada acima. No entanto, nos solos mais moles, essas colunas de pedra podem sofrer flambagem ou curvar-se lateralmente sob pressão, de forma muito semelhante a um graveto seco quebrando quando pressionado com muita força. Para impedir isso, os engenheiros envolvem as colunas de pedra em um tecido tecido resistente, semelhante a um saco de alta resistência, que aperta as pedras e as mantém sem se espalharem. Essa técnica, conhecida como o uso de colunas de pedra envoltas em geossintéticos, é uma forma padrão de tornar o solo fraco forte o suficiente para aterros. No entanto, prever exatamente quando e como essas colunas reforçadas podem falhar durante um terremoto continua sendo um quebra-cabeça difícil, porque o solo, as pedras e o tecido interagem de formas complexas e variáveis que são difíceis de calcular manualmente.

Uma equipe de pesquisadores da Universidade de Hunan abordou essa complexidade ensinando um computador a pensar como um físico. Em vez de depender apenas de grandes quantidades de dados ou de suposições puramente teóricas, eles desenvolveram um novo tipo de modelo inteligente que combina o poder de aprendizado da inteligência artificial com as regras inquebráveis da mecânica. Eles começaram criando uma descrição matemática detalhada de como essas colunas de pedra envoltas dobram e quebram, contabilizando especificamente a maneira como o revestimento de tecido resiste à tendência da coluna de quebrar. Eles testaram essa descrição contra experimentos do mundo real e simulações computacionais de um aterro de três metros e meio de altura construído sobre solo mole. Os resultados confirmaram que o novo método deles, que considera tanto a flexão quanto o cisalhamento das colunas, previu o ponto de falha de forma mais precisa do que métodos antigos que ignoravam o efeito de flexão. De fato, quando compararam seus cálculos com um teste de modelo físico, o método deles coincidiu muito mais proximamente com a falha observada do que abordagens anteriores, que tendiam a superestimar a segurança da estrutura.

Com essa regra física confiável em mãos, os pesquisadores construíram uma rede neural, um tipo de programa de computador projetado para encontrar padrões em dados. Eles alimentaram o programa com milhares de cenários gerados por seus cálculos baseados em física, cobrindo uma ampla gama de tipos de solo, tamanhos de coluna e intensidades de terremotos. O trabalho do programa era aprender a relação entre essas condições de entrada e a segurança resultante do aterro. O que tornou essa abordagem especial foi que os pesquisadores não deixaram o computador apenas adivinhar; eles o forçaram a obedecer à lei física de flexão que haviam derivado anteriormente. Cada vez que o computador fazia uma previsão, ele tinha que verificar se essa previsão fazia sentido de acordo com as leis da física. Se o palpite do computador violasse as regras de como a coluna deveria dobrar, o sistema o corrigia. Isso garantiu que o modelo final não fosse apenas um truque estatístico, mas uma ferramenta fundamentada na realidade.

O resultado foi um preditor altamente preciso que poderia calcular instantaneamente a segurança de um aterro sem a necessidade de executar simulações lentas e complexas a cada vez. O modelo aprendeu a prever quatro resultados principais: o fator de segurança geral, o momento de flexão máximo que a coluna poderia suportar, a resistência do material de pedra e o ângulo específico da zona de compressão da coluna. Quando testado contra dados que nunca havia visto antes, o modelo foi notavelmente preciso, com suas previsões coincidindo quase perfeitamente com os valores calculados. Os pesquisadores descobriram que o modelo conseguia distinguir como diferentes fatores influenciavam o resultado. Por exemplo, confirmaram que um revestimento mais forte melhora significativamente a estabilidade, enquanto aterros mais altos ou terremotos mais fortes a reduzem. Eles também descobriram que o diâmetro da coluna e a resistência do tecido são os fatores mais críticos para determinar como a coluna se comportaria sob estresse.

Este trabalho oferece uma nova maneira de projetar fundações mais seguras para estradas e ferrovias construídas sobre solo mole. Ao incorporar as leis da física diretamente no processo de aprendizado, os pesquisadores criaram uma ferramenta que é ao mesmo tempo rápida e confiável. Ela evita as armadilhas dos modelos puramente orientados por dados, que às vezes podem produzir resultados impossíveis, e a lentidão das simulações tradicionais, que levam tempo demais para mudanças rápidas de projeto. O estudo demonstra que, quando a inteligência artificial é guiada pelas regras fundamentais de como os materiais dobram e quebram, ela pode fornecer aos engenheiros uma avaliação de estabilidade imediata e confiável. Essa abordagem permite a otimização dos projetos, garantindo que a quantidade certa de material seja usada para manter as estruturas seguras durante eventos sísmicos, sem a necessidade de superdimensionamento ou adivinhação. As descobertas sugerem que este método pode se tornar uma ferramenta padrão para o projeto de aterros, oferecendo um caminho claro para infraestruturas mais resilientes em regiões propensas a terremotos.

Resumo Técnico: Rede Neural Informada pela Física para Análise de Estabilidade de Aterros Suportados por GESCs com Deformação por Flexão

Definição do Problema
A avaliação da estabilidade de aterros construídos sobre solos moles melhorados com Colunas de Pedra Encasadas em Geossintéticos (GESCs) é complicada pelo comportamento mecânico complexo das colunas sob carregamento sísmico e estático. Enquanto as colunas de pedra comuns (OSCs) tipicamente falham por cisalhamento ao longo de uma superfície de deslizamento, as GESCs exibem um modo de falha mais complexo envolvendo compressão, flexão e cisalhamento combinados, devido ao confinamento lateral proporcionado pelo encasque geossintético. Os métodos tradicionais de equilíbrio limite frequentemente negligenciam a deformação por flexão e a contribuição da resistência à tração do geossintético, o que pode levar a previsões imprecisas do fator de segurança. Além disso, embora os Métodos de Elementos Finitos (FEM) possam modelar essas interações, eles são computacionalmente proibitivos para estudos paramétricos, análises de confiabilidade e iterações rápidas de projeto necessárias para lidar com incertezas geotécnicas. Modelos de aprendizado de máquina puramente orientados a dados, por outro lado, muitas vezes carecem de consistência física e generalização, funcionando como "caixas pretas" que podem violar leis mecânicas fundamentais.

Metodologia
Este estudo propõe uma nova estrutura de Rede Neural Informada pela Física (PINN) projetada para unir a eficiência dos modelos orientados a dados à fidelidade física. A metodologia procede em três etapas principais:

Formulação Teórica e Validação:
- Um método de cálculo teórico para estabilidade sísmica é estabelecido, incorporando explicitamente a contribuição do momento fletor das GESCs. O modelo trata o encasque geossintético de forma semelhante ao aço longitudinal em concreto armado (suportando tensão de tração) e os agregados de pedra como concreto (suportando tensão de compressão).
- Equações para o momento fletor crítico ( $M_u$ ), resistência à compressão uniaxial ( $f_c$ ) e o ângulo central de compressão ( $\alpha$ ) são derivadas com base em princípios de equilíbrio limite e restrições geométricas.
- O método teórico é validado contra testes de modelo, simulações numéricas (FLAC3D) e estudos analíticos existentes. Os resultados indicam que considerar a falha por flexão produz um Fator de Segurança (FS) mais consistente com as observações experimentais do que métodos que negligenciam a flexão.
Geração de Conjunto de Dados:
- Um conjunto de dados de alta fidelidade com 10.000 amostras é gerado usando uma simulação de Monte Carlo (MC) incorporada pela física.
- Quinze parâmetros de entrada são modelados como variáveis aleatórias (distribuições normais truncadas ou uniformes), incluindo propriedades geotécnicas (coesão, ângulo de atrito, peso específico do solo, aterro e coluna), parâmetros geométricos (diâmetro da coluna, altura do aterro, inclinação do talude, razão de substituição de área) e condições de carregamento (coeficiente sísmico, resistência à tração do geossintético).
- Para cada vetor de entrada, o modelo teórico calcula os outputs correspondentes: Fator de Segurança (FS), momento fletor crítico ( $M_u$ ), resistência à compressão ( $f_c$ ) e ângulo central de compressão ( $\alpha$ ).
Arquitetura e Treinamento da PINN:
- Uma rede neural feedforward totalmente conectada (arquitetura 15-20-15-10-3) é empregada.
- Inovação Principal: A restrição física algébrica que governa o equilíbrio de flexão da GESC (derivada das equações teóricas) é "codificada rigidamente" na função de perda como um termo de penalidade.
- A função de perda total é uma soma ponderada da perda orientada a dados (Erro Quadrático Médio entre as previsões e os alvos da simulação MC) e da perda informada pela física (resíduo da equação de restrição física).
- O modelo é treinado usando o algoritmo de Levenberg-Marquardt para minimizar essa perda composta, garantindo que as previsões sejam estatisticamente precisas e mecanicamente admissíveis.

Principais Contribuições

Nova Estrutura PINN: Desenvolvimento de uma arquitetura PINN específica para aterros suportados por GESCs que integra a mecânica de flexão da coluna diretamente no processo de aprendizado.
Integração de Restrição Física: A derivação e integração direta de restrições físicas algébricas (equilíbrio de flexão) na função de perda, garantindo que o modelo adira às leis mecânicas fundamentais em vez de depender apenas de correlações estatísticas.
Modelo Teórico Abrangente: Estabelecimento e validação de um método de análise de estabilidade sísmica que considera modos de falha combinados de compressão, flexão e cisalhamento, abordando uma lacuna nas práticas atuais de projeto.
Modelo Substitutos de Alta Fidelidade: Criação de um modelo substituto (surrogate) rápido e diferenciável, capaz de prever métricas de estabilidade complexas sem o custo computacional de repetidas simulações de FEM.

Resultos

Precisão Preditiva: A PINN treinada demonstrou um desempenho excepcional nos conjuntos de treinamento, validação e teste. O coeficiente de determinação ( $R^2$ ) para o Fator de Segurança (FS) e para os principais parâmetros físicos ( $M_u$ , $f_c$ , $\alpha$ ) excedeu 99% (atingindo especificamente até 99,99% para $M_u$ ).
Generalização: A sobreposição quase perfeita das curvas de perda dos conjuntos de treinamento, validação e teste indica que o modelo aprendeu o mapeamento físico subjacente em vez de memorizar ruído, confirmando fortes capacidades de generalização.
Análise de Sensibilidade: A análise de sensibilidade global revelou que a resistência à tração do geossintético ( $T$ ) possui uma forte correlação positiva com o FS, enquanto a altura do aterro ( $H$ ), o diâmetro da coluna ( $D_c$ ) e o coeficiente sísmico ( $k_h$ ) exibem correlações negativas. O modelo capturou com sucesso essas relações não lineares.
Validação: O método teórico usado para gerar os dados foi validado contra simulações FLAC3D e testes de modelo, mostrando que negligenciar a deformação por flexão leva à superestimação da estabilidade, enquanto o método proposto alinha-se de perto com os modos de falha observados.

Significância e Alegações
O artigo afirma que este trabalho representa uma direção transformadora para ferramentas de projeto geotécnico, oferecendo um método que é simultaneamente eficiente computacionalmente e fisicamente confiável. Ao impor leis físicas dentro da rede neural, o modelo evita as limitações de "caixa preta" dos modelos puramente orientados a dados e os gargalos computacionais dos métodos numéricos tradicionais. Os autores afirmam que a estrutura PINN desenvolvida permite a avaliação rápida da estabilidade probabilística e o projeto otimizado de aterros suportados por GESCs. O estudo conclui que, embora a estrutura seja promissora, trabalhos futuros devem focar na incorporação de condições de carregamento mais complexas (dinâmicas/cíclicas), modelos constitutivos avançados e maior validação contra dados de monitoramento de campo mais amplos.

Mais como este