⚡ engenharia elétrica

Prediction of spray dust suppression time for blasting dust in tunnel using CFD and Operon symbolic regression

Este estudo demonstra que o algoritmo de regressão simbólica Operon fornece uma expressão explícita altamente precisa, eficiente e interpretável para prever o tempo de supressão de poeira por pulverização em detonações de túneis, superando vários outros métodos de aprendizado de máquina e regressão, ao mesmo tempo em que reduz significativamente os custos computacionais.

Autores originais: Zheng Chen, Chun Guo, Xuting Zheng

Publicado 2026-10-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zheng Chen, Chun Guo, Xuting Zheng

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 um túnel é detonado através de rocha sólida, o ar enche-se com uma nuvem espessa e sufocante de poeira. Isso não é apenas um incômodo; é um perigo sério para os trabalhadores que devem entrar no espaço para continuar a construção. Para limpar o ar, os engenheiros utilizam jatos de água de alta pressão que se transformam numa névoa fina, capturando as partículas de poeira e pesando-as para que caiam ao chão. O desafio é saber exatamente quanto tempo manter a água ligada. Se o spray parar cedo demais, resta poeira perigosa. Se correr por tempo demais, perde-se tempo e água valiosos. No passado, determinar a duração perfeita exigia a execução de milhares de simulações computacionais complexas, um processo que era preciso, mas incrivelmente lento e caro.

Uma equipa de investigadores propôs-se a encontrar uma forma mais rápida de prever este tempo crítico. Eles focaram-se num único túnel ferroviário na China, onde a rocha é um tipo de granito duro conhecido como granodiorito gneissico. Em vez de dependerem apenas de modelos computacionais lentos, combinaram medições do mundo real com uma nova espécie de ferramenta de descoberta matemática. Esta ferramenta, conhecida como regressão simbólica, atua como um cientista que pode olhar para um amontoado de dados e escrever a frase matemática exata que o explica, em vez de apenas adivinhar um número. O objetivo era criar uma fórmula simples e clara que os engenheiros pudessem usar imediatamente para saber quanto tempo pulverizar água após uma detonação, garantindo que o ar esteja seguro sem desperdiçar recursos.

Os investigadores começaram por observar um evento de detonação real no túnel. Colocaram sensores ao longo do chão para medir como a poeira se movia e quanto tempo levava a limpar. Descobriram que a concentração de poeira teve dois picos, com uma queda entre eles, atingindo um pico perigoso de 2100 miligramas por metro cúbico. O vento dentro do túnel movia-se lentamente, a cerca de 0,2 metros por segundo. Para compreender a física por trás disto, construíram um modelo computacional detalhado do túnel. Este modelo simulou a interação entre o ar, as gotas de água e as partículas de poeira. Eles testaram diferentes tamanhos de bicos, diferentes pressões de água e diferentes ângulos para o spray para ver como cada mudança afetava o tempo necessário para o ar ficar seguro.

Para dar sentido à vasta quantidade de dados gerados por estas simulações, a equipa desenhou um experimento estruturado. Eles testaram cinco fatores diferentes: o tamanho do primeiro bico, a pressão do segundo bico, o ângulo do segundo bico, a distância entre os anéis de pulverização e o volume de ar sendo forçado para dentro do túnel. Realizaram 25 combinações diferentes destas configurações. O fator mais importante revelou-se ser o volume de ar sendo forçado para dentro do túnel, seguido pelo ângulo do bico de pulverização. A distância entre os anéis de pulverização foi o que menos importou. Descobriram que a melhor configuração para o seu túnel específico envolvia um diâmetro de bico de 1,6 milímetros, uma pressão de pulverização de 5 megapascais, um ângulo de pulverização de 40 graus, um espaçamento de 60 metros entre os anéis e um suprimento de ar de 28 metros cúbicos por segundo.

Com estes dados em mãos, os investigadores recorreram ao algoritmo de regressão simbólica, um método que procura a melhor expressão matemática para descrever a relação entre as configurações de pulverização e o tempo que a poeira leva para limpar. Eles compararam este método com muitas outras técnicas comuns de aprendizagem computacional, tais como florestas aleatórias (random forests) e máquinas de vetores de suporte (support vector machines). Embora esses outros métodos fossem muito bons a memorizar os dados de treino, falharam ao prever novas situações com precisão, um problema conhecido como sobreajuste (overfitting). O método de regressão simbólica, especificamente uma ferramenta chamada Operon, teve o melhor desempenho. Encontrou uma fórmula que equilibrava precisão com simplicidade, alcançando uma precisão de previsão significativamente superior aos outros métodos quando testada em novos dados.

O resultado final foi uma equação específica que prevê o tempo de supressão da poeira com base nas configurações de pulverização. Os investigadores notaram que a equação apresentava algumas oscilações e flutuações, o que explicaram pelo facto de a poeira não limpar uniformemente em todo o túnel ao mesmo tempo. Em alguns pontos, a poeira permanece em bolsões, enquanto noutros, limpa rapidamente. A fórmula captura esta incerteza. Quando testaram a sua equação de melhor desempenho, ela previu que a poeira seria limpa em cerca de 459 segundos em média para a configuração ideal, com o pior cenário levando cerca de 710 segundos. Nas suas simulações, as gotas de água estabilizaram em 100 segundos, e as gotas maiores depositaram-se perto do meio do túnel, enquanto a névoa mais fina alcançou mais longe.

Este estudo fornece uma ferramenta prática para engenheiros de túneis. Em vez de executarem horas de simulações computacionais complexas para cada novo projeto, podem agora usar esta fórmula para estimar quanto tempo devem manter os seus jatos de água ligados. Os investigadores enfatizam que esta abordagem vai além da simples adaptação de dados para realmente descobrir as regras subjacentes que governam o processo de limpeza da poeira. Embora o modelo atual seja baseado em condições específicas num determinado tipo de túnel ferroviário, o método oferece um caminho para previsões mais rápidas e fiáveis para ambientes de túneis complexos no futuro. O trabalho demonstra que, ao combinar simulações físicas com descoberta matemática inteligente, é possível transformar um problema de engenharia lento e caro numa rápida e solucionável calculadora.

Resumo Técnico: Predição do Tempo de Supressão de Poeira por Pulverização para Poeira de Desmonte em Túneis Usando CFD e Regressão Simbólica Operon

Definição do Problema
A supressão de poeira por pulverização é uma medida crítica para o controle da poeira de desmonte em engenharia de túneis, particularmente em túneis ferroviários, onde as propriedades da poeira e as formas das seções transversais diferem dos ambientes de minas de carvão. As simulações numéricas (CFD) são amplamente utilizadas para otimizar os parâmetros de supressão, mas incorrem em altos custos computacionais, especialmente à medida que os modelos se tornam mais refinados. Os métodos de predição existentes, como os métodos de superfície de resposta ou redes neurais, frequentemente sofrem com grandes erros de predição em relações de alta dimensão ou carecem de interpretabilidade (natureza de "caixa-preta"). Há uma necessidade específica de um método que possa determinar rapidamente o tempo ideal de supressão de poeira por pulverização, fornecendo simultaneamente uma expressão matemática explícita e interpretável que equilibre precisão com plausibilidade física.

Metodologia
O estudo emprega uma abordagem híbrida combinando testes de campo, simulação numérica e aprendizado de máquina:

Dados de Campo e Inversão Numérica:
- Testes de campo foram realizados em um túnel ferroviário de via única (granodiorito gneissico Grau III) utilizando um monitor de poeira CCZ3000. Os dados revelaram uma concentração máxima de poeira de 2100 mg/m³ e um diâmetro característico de 16,561 μm.
- Um modelo CFD acoplado gás-líquido-sólido foi estabelecido e validado contra os dados de campo. O modelo utilizou uma malha média (1.023.576 elementos) para simular a migração da poeira e a interação da pulverização.
Desenho Experimental Ortogonal:
- Um experimento ortogonal foi desenhado para investigar cinco fatores influentes: diâmetro do orifício do bocal nº 1 (A), pressão de pulverização do bocal nº 2 (B), ângulo de pulverização do bocal nº 2 (C), espaçamento do anel de pulverização (D) e taxa de suprimento de ar do duto de ar forçado (E).
- O índice de avaliação foi o tempo necessário para que a concentração média de poeira na seção transversal caísse abaixo do limite de segurança de 4 mg/m³ dentro de um alcance de 200 m.
- Um "Teste 26" suplementar foi adicionado para verificar a combinação ótima derivada da análise ortogonal.
Engenharia de Variáveis e Análise Dimensional:
- A análise inicial de importância (valores SHAP) indicou que a taxa de suprimento de ar (E) foi o fator mais significativo, enquanto o espaçamento do anel de pulverização (D) foi o menos significativo.
- Para tratar inconsistências dimensionais e melhorar a precisão da regressão, os autores construíram novas variáveis adimensionais ( $X_1, X_2, X_3$ ) baseadas em parâmetros físicos (densidade do ar, tamanho da gota, tamanho da poeira e tempo de ventilação).
Regressão Simbólica (Operon):
- O algoritmo Operon, um framework de regressão simbólica de alto desempenho baseado em programação genética baseada em árvores, foi utilizado para derivar uma expressão matemática explícita para o tempo de supressão de poeira.
- O Operon foi comparado contra outros 12 algoritmos, incluindo PySR, GpGomea, SVR, Random Forest, XGBoost e várias combinações de regressão.
- O critério de seleção do modelo foi a métrica SCORE, que equilibra o coeficiente de determinação ( $R^2$ ) e a complexidade da equação.

Principais Resultados

Sensibilidade dos Fatores: A análise de amplitude dos experimentos ortogonais classificou os fatores que afetam o tempo de supressão de poeira em ordem decrescente de influência: Taxa de suprimento de ar (E) > Ângulo de pulverização do bocal nº 2 (C) > Pressão de pulverização do bocal nº 2 (B) > Diâmetro do bocal nº 1 (A) > Espaçamento do anel de pulverização (D).
- A combinação ótima identificada foi: diâmetro nº 1 de 1,6 mm, pressão nº 2 de 5 MPa, ângulo nº 2 de 40°, espaçamento de 60 m e suprimento de ar de 28 m³/s.
Insights da Simulação Numérica: No Teste 26 ótimo, o tempo máximo de segurança registrado foi próximo de 710 s (com uma média de 459 s), representando o menor valor médio e a menor dispersão entre todos os ensaios. Em contraste, o Teste 9 apresentou o maior tempo de segurança no conjunto de dados, com aproximadamente 1.780 s. A simulação mostrou que as gotas se estabilizaram aos 100 s. Gotas grandes (>50 μm) concentraram-se entre 50–110 m, enquanto gotas mais finas (<50 μm) foram encontradas abaixo de 120 m. Partículas de poeira (<10 μm) ocuparam principalmente as zonas médias e superiores. Até os 600 s, a maior parte da poeira foi capturada e, até os 800 s, a poeira do túnel estava quase inteiramente capturada ou descartada além da seção de 200 m.
Desempenho do Algoritmo:
- O Operon demonstrou a melhor capacidade de generalização entre todos os algoritmos testados. Embora muitos modelos complexos (ex: TPS, KNN, GPR+SVR+RF) tenham alcançado ajustes quase perfeitos no conjunto de treinamento ( $R^2 \approx 1,0$ ), eles sofreram de overfitting severo no conjunto de teste ( $R^2$ caiu para 0,15–0,34).
- O Operon alcançou o maior $R^2$ de teste de 0,58 entre todos os algoritmos, seguido por GpGomea, SVR, PySR e outros, que variaram entre 0,15 e 0,35. O Operon manteve tempos de treinamento curtos e complexidade controlada, com uma capacidade de $R^2$ máximo previsto de aproximadamente 0,85 em configurações específicas.
- A equação final derivada (Eq. 13) expressa o tempo de supressão de poeira $T$ como uma função das novas variáveis, incorporando termos trigonométricos e de raiz quadrada para capturar relações não lineares.

Significância e Alegações
O artigo afirma fornecer uma ferramenta prática para estimar a duração da supressão de poeira por pulverização sob condições de desmonte de túneis semelhantes, sem a necessidade de simulações de CFD extensas e demoradas para cada cenário. Ao utilizar o algoritmo de regressão simbólica Operon, o estudo conseguiu unir a predição baseada em dados e a interpretabilidade física.

Os autores enfatizam que este método oferece uma alternativa de "caixa-branca" às redes neurais, produzindo uma expressão matemática explícita que engenheiros podem analisar e aplicar diretamente. O estudo conclui que, embora a equação derivada reflita a incerteza inerente aos dados de supressão de poeira de alcance limitado (evidenciada pelas oscilações na superfície de ajuste), ela representa um passo significativo para mover a regressão simbólica do simples "ajuste de dados" para a "descoberta de conhecimento" em sistemas ambientais complexos de túneis. Trabalhos futuros são propostos para integrar aprendizado profundo e restrições físicas para refinar ainda mais essas equações de predição.

Mais como este