⚡ engenharia elétrica

A large open multi-source soil compaction corpus and pretrained tabular estimators from index properties

Este artigo apresenta um grande corpus aberto e de múltiplas fontes de 4.878 testes de compactação de solo e demonstra que modelos tabulares pré-treinados podem prever com precisão a densidade seca máxima e o teor de umidade ótimo a partir de propriedades de índice, estabelecendo um novo benchmark para a pesquisa de aprendizado de máquina geotécnica.

Autores originais: Sompote Youwai, Chana Phutthananon, Warat Kongkitkul

Publicado 2026-10-15

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sompote Youwai, Chana Phutthananon, Warat Kongkitkul

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

Cada estrada, barragem e fundação de edifício começa com uma pergunta simples e crítica: o quão apertado podemos compactar a terra por baixo dela? Quando os engenheiros constroem com solo, eles não apenas o amontoam; eles o compactam, espremendo as partículas para remover o ar e a água, criando uma base sólida que não irá afundar ou deslocar-se sob peso. Para fazer isso com segurança, eles precisam conhecer dois números específicos para cada tipo de terra que utilizam. Primeiro, precisam saber a densidade seca máxima, que é o quão pesado o solo pode tornar-se quando espremido. Segundo, precisam do teor de humidade ótimo, a quantidade exata de água que o solo necessita para atingir esse peso máximo. Se o solo estiver demasiado seco, as partículas roçam umas contra as outras e recusam-se a compactar firmemente. Se estiver demasiado húmido, a água atua como um lubrificante que afasta as partículas. Encontrar o ponto ideal exige um teste físico onde os engenheiros misturam o solo com diferentes quantidades de água, batem-no num molde e pesam-no. Este processo é lento, caro e deve ser repetido para cada novo monte de terra que um projeto encontra, levando frequentemente um dia inteiro de trabalho de laboratório apenas para obter uma resposta.

Durante décadas, investigadores tentaram saltar este processo lento através de suposições baseadas em testes mais simples e rápidos. Esperavam que, ao medir propriedades básicas do solo — como a quantidade de argila que contém ou o quão pegajoso é quando húmido — pudessem prever os números de compactação pesada sem realizar o teste completo. No entanto, estas tentativas anteriores foram limitadas. A maioria dos estudos baseou-se em pequenas coleções de dados de apenas um laboratório ou um tipo de solo, o que significa que as suas "regras" falhavam frequentemente quando aplicadas a terras diferentes encontradas em diferentes lugares. Além disso, muitos destes estudos trataram a informação em falta como um problema a ser resolvido através da invenção de um número, em vez de aceitar que alguns solos simplesmente não possuem certas propriedades.

Uma equipa de investigadores da Universidade Tecnológica de Mong有两个 de Tecnologia de Thonburi abordou agora este problema construindo algo muito maior e mais honesto: uma coleção massiva e aberta de dados de solo extraídos de dezenas de estudos e laboratórios de todo o mundo. Em vez de adivinhar ou inventar dados, reuniram quase 5.000 registos de testes reais de solo, verificando cuidadosamente cada um para garantir que seguia as leis da física. Descobriram que quase doze por cento dos dados publicados descreviam estados de solo que eram fisicamente impossíveis, como um solo com mais de cem por cento de saturação de água, uma condição que não pode existir. Ao remover estes registos impossíveis, criaram uma base de dados limpa e fiável que abrange desde areia limpa até argila pesada, cobrindo quatro níveis diferentes de energia de compactação.

Com esta nova base de dados em mãos, os investigadores testaram uma abordagem moderna de previsão utilizando um tipo de inteligência artificial conhecida como modelo de fundação tabular. Ao contrário dos programas de computador tradicionais que aprendem ajustando as suas configurações internas com base nos dados específicos que recebem, este modelo foi pré-treinado em milhões de exemplos sintéticos e foi mantido congelado. Ele não "aprende" os dados do solo no sentido tradicional; em vez disso, olha para os novos registos de solo como contexto, tal como um estudante a ler um exemplo de um livro de texto antes de resolver um problema. Este método permitiu ao modelo prever a densidade seca máxima e o teor de humidade ótimo com alta precisão, alcançando um nível de precisão que rivaliza com os próprios testes físicos. O modelo previu com sucesso a densidade seca máxima com um erro de apenas 0,067 Mg/m³ e o teor de humidade com um erro de 1,67 pontos percentuais.

O estudo também revelou exatamente quais as informações que mais importam. Quando os investigadores removeram os dados que descreviam o tamanho das partículas do solo, a precisão das previsões diminuiu significativamente, provando que saber se o solo é arenoso ou siltoso é o fator mais importante. Também descobriram que os limites de consistência, que medem como o solo se comporta quando húmido ou seco, eram cruciais para solos de granulação fina, mas irrelevantes para areias limpas. Crucialmente, o modelo aprendeu a lidar com a informação em falta corretamente. Quando uma amostra de solo não tinha limite de plasticidade por ser uma areia limpa, o modelo reconheceu esta ausência como um estado específico, em vez de tentar preenchê-la com um número falso. Isto permitiu que o sistema funcionasse em todo o espectro de tipos de solo, desde o cascalho mais grosso até à argila mais fina, sem falhar.

No entanto, os investigadores foram cuidadosos ao notar os limites do seu trabalho. Embora o modelo tenha tido um desempenho excecional na previsão de resultados para solos semelhantes aos da sua base de dados, ainda não foi testado em tipos de solo completamente novos de fontes não vistas ou de laboratórios diferentes. O estudo também destacou um compromisso entre a precisão pura e a segurança física. O modelo mais preciso ocasionalmente previa uma combinação de densidade e humidade que implicaria que o solo estava com mais de cem por cento de saturação, uma impossibilidade física. Para resolver isto, a equipa também derivou uma fórmula matemática mais simples que garante que os resultados serão sempre fisicamente possíveis, embora esta fórmula seja ligeiramente menos precisa do que o complexo modelo de computador.

Em última análise, este trabalho fornece uma nova fundação para o futuro da engenharia geotécnica. Ao disponibilizar este conjunto de dados verificado e demonstrar como a inteligência artificial moderna pode aprender com ele sem sobreajuste (overfitting), os investigadores deram à comunidade científica um padrão de referência partilhado. Isto permite que futuros engenheiros desenvolvam melhores ferramentas para prever o comportamento do solo, potencialmente poupando tempo e dinheiro em projetos de construção, garantindo simultaneamente que o chão sob os nossos edifícios permanece seguro e estável. O estudo confirma que, embora ainda não possamos prever perfeitamente o comportamento de todos os solos desconhecidos, avançámos muito além da era de adivinhar com base em experiências pequenas e isoladas. Temos agora um caminho claro, baseado em dados, para compreender como a terra se comporta sob pressão.

Resumo Técnico: Um Grande Corpus de Compactação de Solo Multifonte e Aberto e Estimadores Tabulares Pré-treinados

Definição do Problema
A determinação da Massa Seca Máxima (MDD) e do Teor de Umidade Ótima (OMC) é fundamental para a engenharia geotécnica, regendo a resistência, a rigidez e a permeabilidade de aterros projetados. Atualmente, esses parâmetros exigem um ensaio Proctor completo, um processo que leva aproximadamente um dia de trabalho por mudança de material. Embora existam inúmeras correlações para estimar esses parâmetros a partir de propriedades de índice (ex: limites de Atterberg, granulação), elas sofrem de seis limitações críticas identificadas na literatura:

Escala e Escopo: As correlações existentes dependem de conjuntos de dados pequenos (100–400 amostras), frequentemente restritos a solos coesivos, falhando em abordar aterros granulares.
Nível de Energia Único: A maioria dos conjuntos de dados fixa o esforço de compactação, limitando a generalização das correlações para outros níveis de energia.
Proveniência Descartada: Os registros são agrupados sem identificadores de origem, impedindo a avaliação em laboratórios ou materiais não vistos.
Precisão Confundida: As métricas de desempenho relatadas frequentemente confundem a arquitetura do modelo com o ajuste de hiperparâmetros e estratégias de imputação.
Medições Fabricadas: Solos não plásticos (que carecem de limites líquidos/plásticos) são frequentemente forçados em modelos via imputação, introduzindo dados fabricados.
Admissibilidade Não Verificada: A previsão independente de MDD e OMC pode gerar pares fisicamente impossíveis (ex: saturação > 100%), que raramente são monitorados.

Metodologia
O estudo aborda essas lacunas através de uma metodologia de três partes: montagem do corpus, avaliação de modelos usando aprendizado em contexto (in-context learning) e regressão simbólica.

Montagem do Corpus: Os autores montaram um corpus aberto de 4.878 ensaios de compactação de laboratório de seis depósitos e 48 estudos de acesso aberto. O conjunto de dados abrange quatro níveis de energia Proctor e teores de finos de 0,1% a 100%.
- Harmonização: As fronteiras de granulometria (2,0 mm vs. 4,75 mm) e os níveis de energia de compactação foram padronizados com base em métodos relatados, em vez de inferidos.
- Triagem Física: Os registros foram auditados contra a condição de Vazio de Ar Zero (ZAV). 11,8% dos registros harmonizados foram rejeitados por implicarem estados fisicamente impossíveis (saturação > 1,0), com taxas de rejeição variando conforme a gravidade específica assumida.
- Tratamento de Dados Ausentes: Crucialmente, a ausência de limites de consistência para solos não plásticos foi preservada como um estado explícito de "ausente", em vez de ser imputada com valores fabricados.
Abordagem de Modelagem: O estudo utiliza Modelos de Fundação Tabulares (especificamente TabPFN e TabICL) que empregam aprendizado em contexto. Diferente dos modelos convencionais, que são ajustados nos dados alvo, esses modelos são pré-treinados em dados sintéticos e permanecem congelados. Durante a inferência, a dobra de treinamento é fornecida como contexto para o registro de consulta, não requerendo gradiente descendente ou ajuste de hiperparâmetros nos dados geotécnicos.
- Linhas de Base Comparativas: Os modelos de fundação foram comparados contra um ensemble de gradiente boostado (XGBoost) e um perceptron, todos avaliados sob um esquema idêntico de validação cruzada de cinco dobras aleatórias.
- Regressão Simbólica: Uma expressão de forma fechada adimensional foi derivada usando PySR em um subconjunto de registros completos para garantir a invertibilidade física e a aplicação livre de unidades.

Resultados Principais

Precisão Preditiva: O TabPFN 3.5 alcançou o maior desempenho entre todos os modelos testados, rendendo um $R^2$ de 0,817 para MDD (Erro Absoluto Médio [MAE] = 0,067 Mg/m³) e 0,801 para OMC (MAE = 1,67 pontos percentuais). Estes resultados representam uma redução significativa no erro em comparação com uma linha de base de preditor de média.
Importância de Entrada: Estudos de ablação revelaram que a granulometria (teores de finos e areia) e os limites de consistência são os preditores dominantes. A remoção da granulometria reduziu o $R^2$ de MDD em 0,229, enquanto a remoção dos limites de consistência reduziu-o em 0,080. Em contraste, a energia de compactação e a gravidade específica contribuíram minimamente para a precisão agrupada (perdas < 0,012), devido ao fato de o corpus ser dominado (97,5%) por níveis de energia Proctor padrão.
Admissibilidade Física: Embora o TabPFN 3.5 tenha sido o mais preciso, ele ainda produziu 9 pares fisicamente impossíveis (saturação > 1,0) de 4.878. O modelo de forma fechada adimensional forçou a admissibilidade física por construção (zero pares impossíveis), mas ao custo da precisão ( $R^2$ caiu para 0,733 para MDD).
Aprendizado em Contexto vs. Imputação: O estudo descobriu que tratar valores ausentes como "ausentes" (nativo do TabPFN) versus substituir pela média da coluna (TabICL) resultou em diferenças de desempenho negligenciáveis (diferença de 0,013 no $R^2$ ) dentro desta partição aleatória, embora os autores notem que isso não garante o desempenho em fontes não vistas.

Significância e Alegações
O artigo posiciona este trabalho como um conjunto de dados de referência (benchmark) e uma demonstração metodológica, em vez de uma solução definitiva para aplicação em campo.

Benchmarking: O corpus fornece o primeiro conjunto de dados de grande escala, multifonte e multienergia com proveniência explícita, permitindo a comparação reprodutível de modelos de aprendizado de máquina em engenharia geotécnica.
Mudança Metodológica: Demonstra que modelos de fundação tabulares pré-treinados podem superar ou igualar ensembles reajustados em conjuntos de dados geotécnicos pequenos e heterogêneos sem exigir ajuste de hiperparâmetros, desde que os dados incluam o tratamento explícito de estados ausentes.
Limitações: Os autores declaram explicitamente que os escores relatados medem a interpolação dentro do corpus, não a generalização para fontes ou laboratórios não vistos. Como cada fonte é representada tanto nas dobras de treinamento quanto nas de teste, os resultados não validam a transferência para um novo material de empréstimo. Além disso, o conjunto de dados é limitado a valores de pico laboratoriais; ele não suporta a previsão de densidade de campo ou a modelagem da curva completa umidade-densidade.

O estudo conclui que, embora a previsão de alta precisão seja alcançável, a separação entre precisão preditiva e admissibilidade física permanece um desafio. Trabalhos futuros exigem conjuntos de teste externos e dados de energia equilibrados para validar as capacidades reais de generalização.

Mais como este