⚡ engenharia elétrica

Explainable Machine Learning for Predicting the Splitting Tensile Strength of SCM-Blended Concrete Using Optimized Gaussian Process Regression

Este estudo estabelece uma estrutura confiável e explicável para prever a resistência à tração por fissura de concreto com adição de materiais cimentícios suplementares, otimizando um modelo de Regressão de Processo Gaussiano com técnicas Bayesianas e identificando o teor de água e de cimento como os principais fatores influenciadores.

Autores originais: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

Publicado 2026-09-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ali Alnaqbi, Abdalla Mahmoud Salim, Mohammad Al-Zu'bi, Ibrahim Elnaml, Abdulaziz Alotaibi, Ahmed Mohammad Youssef

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

O concreto é o material de construção mais amplamente utilizado na Terra, formando o esqueleto de nossas cidades, pontes e casas. Sua resistência e durabilidade vêm em grande parte do cimento Portland, um pó aglutinante que endurece quando misturado com água. No entanto, a produção desse cimento é uma grande fonte de emissões globais de carbono, levando os engenheiros a buscar formas de reduzir seu uso. Para fazer isso, eles frequentemente substituem uma parte do cimento por subprodutos industriais como cinza volante, sílica de fumaça ou escória granulada de alto-forno moída. Esses materiais, conhecidos como materiais cimentícios suplementares, podem reagir quimicamente para fortalecer o concreto ao mesmo tempo em que reduzem sua pegada ambiental. No entanto, prever como essas misturas complexas se comportarão é difícil. Embora os engenheiros possam medir facilmente quanto peso um bloco de concreto pode suportar antes de ser esmagado, medir quanta força é necessária para separá-lo é muito mais desafiador. Essa "resistência à tração por compressão indireta" é crítica porque o concreto é naturalmente fraco em tração, e rachaduras costumam começar quando o material é puxado. Sem previsões confiáveis, projetar estruturas mais seguras e sustentáveis exige testes laboratoriais extensos e dispendiosos.

Uma equipe de pesquisadores decidiu resolver esse problema ensinando um computador a prever a resistência à tração por compressão indireta dessas misturas de concreto ecológicas. Eles reuniram dados de um enorme banco de dados global contendo registros de centenas de diferentes receitas de concreto de todo o mundo. O computador foi alimentado com oito ingredientes principais para cada receita: as quantidades de cimento, água, brita grossa, areia fina e os vários subprodutos industriais usados como substitutos do cimento, juntamente com um aditivo químico chamado superplastificante, que ajuda a mistura a fluir. O objetivo era fazer com que o computador aprendesse os padrões ocultos que ligam esses ingredientes à resistência final do concreto, especificamente sua capacidade de resistir ao ser puxado.

Os pesquisadores testaram uma ampla variedade de modelos matemáticos para ver qual deles conseguia aprender esses padrões melhor. Eles compararam equações lineares simples, árvores de decisão e redes neurais complexas contra uma abordagem mais sofisticada chamada regressão de processo gaussiano. Este método é particularmente bom em lidar com dados do mundo real desordenados, onde as relações não são linhas perfeitamente retas. Após rodar milhares de simulações, a equipe descobriu que uma versão específica deste modelo de regressão, usando um kernel "quadrático racional", superou todas as outras. Este modelo de base pôde prever a resistência de uma nova mistura de concreto com um erro médio de apenas 0,34 megapascais, uma unidade de pressão usada para medir força.

Para tornar o modelo ainda mais afiado, os pesquisadores usaram uma técnica chamada otimização bayesiana para ajustar suas configurações internas. Esse processo é semelhante ao ajuste dos botões de um rádio de alta fidelidade para encontrar o sinal mais claro, mas o faz testando inteligentemente diferentes combinações em vez de adivinhar aleatoriamente. O modelo otimizado melhorou significativamente, reduzindo o erro médio de previsão para aproximadamente 0,29 megapascais e aumentando sua precisão geral. Essa melhoria significou que o modelo não era apenas mais preciso, mas também mais rápido para fazer previsões após ser treinado, permitindo que engenheiros avaliem novos designs de mistura quase instantaneamente.

Talvez a parte mais importante deste estudo tenha sido tornar o "processo de pensamento" do computador compreensível. Modelos avançados de aprendizado de máquina são frequentemente criticados por serem "caixas pretas", onde fornecem uma resposta sem explicar o porquê. Para corrigir isso, os pesquisadores usaram duas ferramentas para abrir a caixa e olhar lá dentro. Eles criaram mapas visuais mostrando como a mudança de um único ingrediente afetava a resistência prevista. Esses mapas revelaram tendências claras e lógicas: aumentar a quantidade de água na mistura consistentemente diminuía a resistência prevista, enquanto adicionar mais cimento consistentemente a aumentava. Os mapas também mostraram que adicionar sílica de fumaça e escória granulada de alto-forno moída geralmente melhorava a capacidade do concreto de resistir a forças de tração, enquanto a cinza volante tinha um efeito mais complexo e menos previsível.

Para confirmar essas descobertas, a equipe utilizou um método estatístico que mede exatamente o quanto cada ingrediente contribuiu para cada previsão individual. Esta análise confirmou que a água e o cimento eram os dois fatores mais poderosos influenciando o resultado. Mostrou que o computador aprendeu as mesmas regras físicas que engenheiros humanos conhecem há décadas: excesso de água enfraquece a ligação, enquanto mais cimento a fortalece. O estudo concluiu que, ao combinar previsão de alta precisão com explicações claras, este novo framework oferece uma maneira confiável de projetar concreto sustentável. Ele permite que engenheiros experimentem novas receitas, mais verdes, com confiança, sem a necessidade de construir e testar cada variação em um laboratório físico, pavimentando o caminho para uma construção mais eficiente e ambientalmente amigável.

Resumo Técnico: Aprendizado de Máquina Explicável para a Predição da Resistência à Tração por Impacto de Concreto com Adição de Materiais Cimentícios Suplementares (SCM) Usando Regressão de Processos Gaussianos Otimizada

Definição do Problema
A produção de cimento Portland é uma fonte significativa de ônus ambiental, impulsionando a adoção de Materiais Cimentícios Suplementares (SCM), como cinza volante (FA), sílica ativa (SF) e escória granulada de alto-forno moída (GGBFS), para criar concretos de menor emissão de carbono. Embora a resistência à compressão do concreto com adição de SCM tenha sido extensamente estudada, sua resistência à tração por impacto (STS) — uma propriedade crítica para a iniciação e propagação de fissuras — permanece sub-pesquisada em estudos baseados em dados. A STS é difícil de estimar de forma confiável devido à natureza heterogênea do concreto e às complexas interações não lineares entre os constituintes da mistura (cimento, água, agregados, SCMs e aditivos). As equações empíricas existentes frequentemente carecem de aplicabilidade em diversos designs de mistura, e muitos modelos de aprendizado de máquina (ML) operam como "caixas pretas", oferecendo alta precisão, mas limitada visão de engenharia sobre como variáveis específicas influenciam as predições.

Metodologia
Este estudo desenvolveu um framework de ML explicável utilizando um conjunto de dados global de 395 misturas válidas de concreto com adição de SCM, extraídas de um banco de dados maior de 1.456 registros. As características de entrada incluíram oito variáveis de mistura: cimento, água, agregado graúdo, agregado miúdo, cinza volante, sílica ativa, GGBFS e superplastificante. A variável alvo foi a resistência à tração por impacto (STS) em MPa.

A pesquisa seguiu um fluxo de trabalho estruturado:

Seleção de Características: A relevância dos preditores foi avaliada usando quatro métodos distintos: redundância mínima e relevância máxima (mRMR), teste F, RReliefF e importância de Floresta Aleatória (Random Forest). Uma classificação geral foi derivada pela média das classificações desses métodos.
Triagem de Modelos de Base (Baseline): Uma ampla gama de algoritmos de regressão (regressão linear, árvores de decisão, máquinas de vetor de suporte, métodos de conjunto/ensemble, redes neurais e Regressão de Processos Gaussianos) foi avaliada no MATLAB Regression Learner usando validação cruzada de 5 camadas (5-fold cross-validation). O desempenho foi medido via RMSE, MSE, MAE, MAPE e $R^2$ .
Otimização de Hiperparâmetros: A família de modelos de base com melhor desempenho foi otimizada usando três estratégias: otimização Bayesiana, busca aleatória (random search) e busca em grade (grid search). O espaço de busca incluiu funções de base, funções de kernel, escalas de kernel, parâmetros de ruído e opções de padronização.
IA Explicável (XAI): O modelo otizado final foi interpretado usando Gráficos de Dependência Parcial (PDPs) para visualizar efeitos marginais e SHapley Additive exPlanations (SHAP) para quantificar a importância global das características e contribuições individuais.

Principais Resultados

Desempenho de Base: Entre mais de 30 modelos testados, a Regressão de Processos Gaussianos (GPR) Quadrática Racional emergiu como a base superior, alcançando um $R^2$ de 0,85, RMSE de 0,51 MPa e MAPE de 10,02%. Isso superou modelos lineares, SVMs e redes neurais.
Impacto da Otimização: Todas as três estratégias de otimização (Bayesiana, aleatória e em grade) convergiram para a mesma precisão preditiva para o modelo final ( $R^2$ = 0,89, RMSE = 0,41898 MPa, MAPE = 8,9%). No entanto, a otimização Bayesiana foi a mais eficiente computacionalmente, exigindo 89,72 segundos de tempo de treinamento em comparação com 187,81 segundos da busca aleatória e 316,86 segundos da busca em grade.
Ganhos de Desempenho: Em relação ao GPR Quadrático Racional de base, o modelo otimizado por via Bayesiana reduziu o RMSE em 17,85% e o MSE em 32,48%, enquanto aumentou a velocidade de predição em aproximadamente 101%.
Importância das Características: A classificação das características variou conforme o método, mas os resultados médios identificaram o superplastificante, a água e o cimento como os três principais preditores. A análise SHAP confirmou a água e o cimento como os principais influenciadores globais.
Interpretação Física: Os gráficos de dependência PDP e SHAP revelaram tendências fisicamente consistentes:
- Cimento: O teor mais elevado correlaciona-se positivamente com o aumento da STS.
- Água: O teor mais elevado correlaciona-se negativamente com a STS.
- SCMs: Sílica ativa, GGBFS e superplastificante geralmente mostraram tendências positivas, enquanto a cinza volante mostrou um efeito negativo conforme a dosagem aumentava.
- Agregados: Agregados graúdos e miúdos exibiram respostas complexas e não lineares com interações dependentes de outros componentes da mistura.

Significância e Alegações
O artigo afirma que o framework proposto fornece uma ferramenta confiável e baseada em dados para prever o desempenho de tração de concretos sustentáveis com adição de SCM. Ao integrar a otimização de hiperparâmetros com técnicas de IA explicável (PDP e SHAP), o estudo demonstra que uma alta precisão preditiva pode ser alcançada sem sacrificar a interpretabilidade de engenharia. Os autores afirmam que o modelo captura com sucesso as relações não lineares entre a composição da mistura e a resistência à tração, oferecendo uma alternativa transparente aos modelos de caixa preta.

O estudo conclui que, embora o modelo atual seja preciso dentro dos limites do conjunto de dados compilado, sua aplicação prática requer validação externa futura com dados experimentais independentes e a inclusão de variáveis adicionais, como condições de cura e propriedades específicas de materiais, para aumentar a robustez. O trabalho não propõe novos protocolos experimentais, mas estabelece um framework computacional validado para apoiar o design de materiais cimentícios sustentáveis orientado pelo desempenho.

Mais como este