Surrogate-Assisted Multi-Objective Optimization of Stilling Basin Design: Integrating ANN Metamodeling with NSGA-II Using Real Experimental Data

A água correndo sobre uma barragem ou descendo por um vertedouro carrega um poder imenso. Se esse fluxo de alta velocidade atingir o leito do rio sem aviso, ele age como um jateamento de areia implacável, cavando buracos profundos e ameaçando comprometer a própria estrutura que retém a água. Para evitar essa destruição, engenheiros constroem uma bacia específica na base dessas estruturas, conhecida como bacia de dissipação. Seu trabalho é forçar a água a diminuir a velocidade e perder sua energia com segurança antes de continuar rio abaixo. Isso acontece por meio de um evento caótico e turbulento chamado salto hidráulico, onde a folha de água rápida e fina subitamente colide com uma piscina mais profunda e lenta. O objetivo é dissipar o máximo possível dessa energia destrutiva. No entanto, há um problema: a própria turbulência que quebra a energia também tende a escavar, ou cavar, o leito do rio. Os engenheiros enfrentam há muito tempo um difícil equilíbrio: projetar uma bacia que interrompa o poder da água sem cavar um buraco tão profundo que colapse a fundação.

Durante décadas, encontrar a forma perfeita para essas bacias significava depender de tentativa e erro, modelos físicos em laboratórios ou simulações computacionais complexas que poderiam levar dias para rodar um único design. Um novo estudo, porém, oferece uma maneira mais rápida e inteligente de resolver esse quebra-cabeça. Pesquisadores da Universidade Técnica do Norte e da Universidade de Karlstad desenvolveram um método que combina dados experimentais do mundo real com inteligência artificial para encontrar os melhores designs possíveis em questão de minutos. Em vez de adivinhar ou rodar milhares de simulações computacionais lentas, eles treinaram um cérebro digital para aprender com medições reais tiradas em experimentos anteriores. Esse sistema então usou um algoritmo de busca poderoso para explorar milhares de potenciais designs, identificando rapidamente os equilíbrios perfeitos entre deter a energia da água e proteger o leito do rio.

A equipe começou reunindo dados de alta qualidade de dois estudos distintos, revisados por pares, onde cientistas já haviam testado como a água se comportava em diferentes configurações de bacia. Eles coletaram oitenta pontos de dados distintos, cada um representando uma combinação específica de profundidade da água, velocidade, comprimento da bacia e a altura de pequenos blocos colocados dentro da bacia para interromper o fluxo. Esses blocos, chamados de dissipadores (baffles), são cruciais porque ajudam a quebrar a água e criar a turbulência necessária para diminuir sua velocidade. Os pesquisadores inseriram esses dados reais em uma rede neural artificial, um tipo de programa de computador modelado após o cérebro humano que é excelente em identificar padrões em informações complexas. Eles ensinaram esse modelo digital a prever duas coisas: quanta energia a água perderia (eficiência) e quão profundo o leito do rio seria cavado (profundidade de erosão). O modelo aprendeu tão bem que pôde prever o resultado de um novo design com uma precisidade superior a 95%, um nível de precisão que o tornou um substituto confiável para a realização de testes físicos caros ou simulações computacionais lentas.

Uma vez que o modelo digital foi treinado, os pesquisadores o colocaram para resolver o problema de encontrar o melhor design. Eles pediram ao computador para resolver um conflito clássico: maximizar a perda de energia enquanto simultaneamente minimiza a escavação do buraco. No mundo real, não se pode ter ambos ao mesmo tempo; geralmente, fazer a água perder mais energia significa que ela cavará um buraco mais profundo. Para navegar nisso, eles usaram um algoritmo chamado NSGA-II, que é projetado especificamente para lidar com objetivos conflitantes. Em vez de fornecer uma única resposta, o algoritmo gerou uma lista de 123 designs diferentes, cada um representando um compromisso único. Alguns designs eram muito bons em deter a energia, mas deixavam um buraco ligeiramente mais profundo, enquanto outros eram suaves com o leito do rio, mas não paravam o poder da água de forma tão eficaz. Essa coleção de opções, conhecida como fronteira de Pareto, oferece aos engenheiros um menu de escolhas em vez de uma solução única forçada, permitindo que escolham o design que melhor se adapta às suas necessidades específicas.

O estudo identificou um design específico como o "melhor compromisso", uma solução que se situa exatamente no meio da curva de compensação. Para essa configuração ideal, a água entra na bacia com uma profundidade de 0,064 metros e uma velocidade de 0,812 metros por segundo. A bacia em si tem cerca de 1,004 metros de comprimento, e os dissipadores dentro dela têm 0,036 metros de altura. Essa configuração específica consegue dissipar 51,10 por cento da energia da água, mantendo a profundidade de erosão em apenas 0,005 metros. Os pesquisadores também descobriram quais fatores eram mais importantes. Eles descobriram que a velocidade da água de entrada era o principal fator determinante para a perda de energia; alterar a velocidade tinha um impacto massivo em quanta potência era dissipada. Por outro lado, a altura dos dissipadores era o fator mais crítico para controlar quão profundo o leito do rio seria cavado. Ao ajustar essas duas variáveis, os engenheiros podem ajustar a bacia para priorizar tanto a segurança contra a erosão quanto a redução máxima de energia.

Talvez a descoberta mais significativa deste trabalho seja a rapidez com que esses resultados foram alcançados. No passado, otimizar um design como este usando simulações detalhadas de dinâmica de fluidos computacional poderia levar dias ou até semanas de tempo de computação. Ao usar o modelo de inteligência artificial treinado com dados reais, os pesquisadores completaram todo o processo de otimização, incluindo dez execuções separadas para garantir a confiabilidade, em cerca de 25 minutos no total. Essa redução dramática de tempo significa que os engenheiros agora podem explorar uma gama muito mais ampla de possibilidades e encontrar melhores soluções sem serem limitados por restrições computacionais. Embora o estudo observe que os resultados específicos são válidos apenas dentro da faixa das condições testadas, o método em si é uma ferramenta poderosa. Ele prova que, ao combinar dados experimentais reais com algoritmos inteligentes, podemos resolver problemas hidráulicos complexos de forma eficiente, garantindo que as estruturas que protegem nossos rios e cidades sejam projetadas com precisão e praticidade.