⚡ electrical engineering

Interpretable hybrid XGBoost-MH models for predicting crack coalescence stress from direct shear testing of rock-like specimens containing non-persistent joints

Este estudo desenvolve um modelo híbrido interpretável de XGBoost-Otimização de Borboleta, validado em 450 testes de cisalhamento direto e integrado em uma GUI amigável ao usuário, para prever com precisão a tensão de coalescência de trincas em massas rochosas disjuntas, identificando simultaneamente os principais direcionadores mecânicos por meio de análise SHAP.

Autores originais: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Publicado 2026-07-10

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

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

Imagine que você tem um bloco gigante de rocha, mas não é um cubo sólido e perfeito. É mais como um quebra-cabeça feito de pedaços quebrados colados, com rachaduras atravessando-o que não chegam a ir até o outro lado. Estas são chamadas de "juntas não persistentes". Agora, imagine que você tenta deslizar a metade superior deste bloco lateralmente enquanto empurra para baixo sobre ele. O que acontece? A rocha não apenas desliza; as rachaduras começam a crescer, elas se encontram e, de repente, tudo se rompe. O momento exato em que as rachaduras unem suas forças para quebrar a rocha é chamado de Tensão de Coalescência de Trincas (CCS - Crack Coalescence Stress).

Por muito tempo, descobrir exatamente quando esse estalo acontece foi como tentar adivinhar o final de um romance de mistério lendo apenas a primeira página. Cientistas realizaram centenas de experimentos, mas a matemática por trás disso é tão tortuosa e complicada que é difícil prever sem fazer o trabalho sujo de laboratório todas as vezes.

É aí que este estudo entra. Os pesquisadores decidiram ensinar um cérebro de computador superinteligente a ser o detetive. Eles não usaram apenas um cérebro; construíram uma equipe de quatro algoritmos "metaheurísticos" diferentes — pense neles como quatro tipos diferentes de caçadores de tesouros, cada um com sua própria maneira única de buscar a melhor resposta. Os caçadores eram:

O Texugo (HBA - Honey Badger): Um escavador resistente e implacável.
A Borboleta (BOA): Uma buscadora sensível que segue trilhas de odor.
O Corvo (CSA): Um pássaro esperto que se lembra de onde escondeu comida e observa os outros.
O Lobo Cinzento (GWO): Um líder de alcateia que coordena uma caçada.

O trabalho deles era ajustar uma ferramenta de aprendizado de máquina poderosa chamada XGBoost. Pense no XGBoost como uma calculadora muito rápida e precisa que pode aprender com padrões. Mas, como um personagem de videogame, ele precisa que suas configurações sejam ajustadas perfeitamente para funcionar da melhor forma. Os quatro "caçadores" (algoritmos) correram para encontrar as configurações perfeitas para a calculadora.

A Grande Descoberta
A equipe realizou 450 testes de cisalhamento direto em amostras semelhantes a rochas feitas de gesso e cimento. Eles processaram todos esses dados e deixaram os quatro caçadores fazerem o seu trabalho. Aqui está o resultado: Todos os quatro caçadores foram bons, mas a Borboleta (BOA) foi a vencedora clara.

O modelo XGBoost–BOA não apenas adivinhou; ele acertou a previsão. Quando testado em novos dados não vistos, ele acertou 99,62% das vezes (uma pontuação chamada VAF). Seu erro foi minúsculo, com uma Raiz do Erro Quadrático Médio (RMSE) de apenas 1,2680 e um Erro Médio Absoluto (MAE) de 0,8159. No mundo da física de rochas, isso é como acertar o centro do alvo do outro lado da sala. Os outros caçadores (GWO, CSA e HBA) chegaram perto, mas as previsões da Borboleta foram as mais estáveis e confiáveis, com a menor quantidade de "oscilação" ou incerteza.

O Que Realmente Importa?
Os pesquisadores não queriam apenas uma caixa preta que fornece um número; eles queriam saber por que o computador fez sua escolha. Usando uma ferramenta especial de "raio-x" chamada análise SHAP, eles olharam dentro do cérebro do modelo. Eles descobriram que três coisas foram os grandes pesos que controlaram quando a rocha quebra:

Tensão Normal (σₙ): O quanto você está empurrando para baixo na rocha.
Resistência à Compressão Uniaxial (σc): O quão forte é o próprio material da rocha.
Coeficiente de Junta (JC): Um número que descreve quanto da superfície da rocha é realmente uma rachadura versus rocha sólida.

O modelo mostrou que, se você empurrar com mais força (maior tensão normal) ou se a rocha for mais forte (maior resistência à compressão), as rachaduras precisam de mais força para se unirem. Curiosamente, outros fatores como a elasticidade da rocha ou a razão de Poisson desempenharam um papel muito menor neste cenário específico. O modelo aprendeu que os "três grandes" são os que comandam as ações.

O Que o Artigo Descarta
O estudo argumenta explicitamente contra a ideia de que você pode prever facilmente esse comportamento olhando apenas para um fator isolado, como apenas o comprimento da junta ou apenas o ângulo. O artigo sugere que a interação entre a tensão normal, a resistência do material e o coeficiente de junta é complexa demais para ser desvendada apenas com experimentos simples. A velha maneira de tentar adivinhar essas relações qualitativamente (apenas olhando e supondo) não é suficiente; você precisa desse tipo de abordagem baseada em dados e híbrida para ver o quadro completo.

O Quão Certos Eles Estão?
Os autores estão muito confiantes em seus números, mas são cuidadosos para não alegar que resolveram o universo. Eles provaram que seu modelo funciona incrivelmente bem nos 450 testes específicos que realizaram no laboratório. Eles usaram uma técnica chamada validação cruzada de 10 dobras (10-fold cross-validation), que é como testar um aluno em dez provas de prática diferentes para garantir que ele não está apenas memorizando respostas, mas realmente aprendendo a lição. Os resultados se mantiveram consistentes todas as vezes.

No entanto, eles são honestos sobre os limites. Este modelo foi treinado em amostras semelhantes a rochas feitas de misturas de gesso e cimento em um ambiente de laboratório. Eles não alegam que este modelo funcione perfeitamente em todos os tipos de rochas no mundo real (como uma montanha feita de granito ou arenito) sem mais testes. Eles sugerem que, embora a ferramenta seja poderosa, trabalhos futuros precisam testá-la em uma variedade maior de materiais e condições de estresse para que seja verdadeiramente universal.

O Bônus Legal: Um Videogame para Engenheiros
Para tornar isso útil para pessoas reais, a equipe não deixou apenas a matemática em um caderno. Eles construíram uma Interface Gráfica de Usuário (GUI). Imagine um aplicativo simples onde um engenheiro pode digitar a resistência da rocha, a pressão e os detalhes da rachadura, clicar em um botão "Prever" e obter instantaneamente a resposta. Isso transforma um problema matemático complexo e de alta tecnologia em uma ferramenta simples que qualquer pessoa pode usar para projetar túneis, barragens e encostas mais seguros.

Em resumo, o artigo mostra que, ao deixar uma "Borboleta" caçar as melhores configurações em um supercomputador, podemos prever exatamente quando uma rocha rachada irá romper sob pressão com uma precisão incrível, dando-nos um mapa mais claro de como o chão sob nossos pés pode se comportar.

Resumo Técnico: Modelos Híbridos Interpretáveis XGBoost-MH para Predição da Tensão de Coalescência de Trincas

Definição do Problema
A tensão de coalescência de trincas (CCS - crack coalescence stress) é um parâmetro mecânico crítico que governa a falha induzida por cisalhamento em maciços rochosos disjuntados, desempenhando um papel vital na análise de estabilidade de projetos de engenharia subterrânea e de superfície. Embora a pesquisa laboratorial tenha examinado extensivamente a iniciação e propagação de trincas sob vários estados de tensão, a influência simultânea e quantitativa da tensão normal ( $\sigma_n$ ), das propriedades mecânicas intrínsecas do material intacto e do coeficiente de descontinuidade (JC) sobre a CCS permanece insuficientemente compreendida. As abordagens experimentais tradicionais frequentemente enfrentam dificuldades para isolar esses efeitos não lineares acoplados, particularmente quando grandes conjuntos de dados estão disponíveis, mas as relações subjacentes estão obscurecidas. Este estudo aborda essa lacuna através do desenvolvimento de uma estrutura baseada em dados para predizer a CCS de amostras do tipo rocha contendo descontinuidades não persistentes sujeitas a carregamento de cisalhamento direto.

Metodologia
O estudo utiliza um banco de dados abrangente derivado de 450 testes de cisalhamento direto realizados em amostras cúbicas do tipo rocha (misturas de gesso e cimento) com diversas configurações de descontinuidades não persistentes. O programa experimental variou sistematicamente o coeficiente de descontinuidade (JC), a tensão normal ( $\sigma_n$ ) e as propriedades mecânicas do material (resistência à compressão uniaxial $\sigma_c$ , resistência à tração $\sigma_t$ , módulo de elasticidade $E$ , coeficiente de Poisson $\nu$ , coesão $C$ e ângulo de atrito interno $\phi$ ).

Para predizer a CCS, os autores desenvolveram uma estrutura de modelagem híbrida integrando o algoritmo Extreme Gradient Boosting (XGBoost) com quatro técnicas de otimização metaheurística baseadas em população:

Algoritmo Honey Badger (HBA)
Algoritmo Butterfly Optimization (BOA)
Algoritmo Crow Search (CSA)
Otimizador Grey Wolf (GWO)

Os algoritmos metaheurísticos foram empregados para otimizar sistematicamente os hiperparâmetros do modelo XGBoost (ex: número de estimadores, taxa de aprendizado, profundidade máxima). O processo de modelagem envolveu:

Particionamento de Dados: O conjunto de dados foi dividido em 80% para treinamento e 20% para teste.
Otimização: Uma estratégia de validação cruzada de 10 dobras (10-fold cross-validation) foi implementada no conjunto de treinamento para minimizar o sobreajuste (overfitting) e selecionar os hiperparâmetros ideais através da minimização do Erro Quadrático Médio (RMSE).
Avaliação: O desempenho do modelo foi avaliado utilizando índices estatísticos ( $R^2$ , VAF, RMSE, MAE), critérios informacional-teóricos (AIC, BIC), diagnósticos gráficos (diagramas de Taylor, curvas de característica de erro de regressão), análise de resíduos e avaliação de incerteza.
Interpretabilidade: O melhor modelo desempenhado foi analisado utilizando SHapley Additive exPlanations (SHAP) e Partial Dependence Plots (PDP) com Individual Conditional Expectation (ICE) para elucidar a importância das características e os efeitos não lineares.
Aplicação: Uma Interface Gráfica de Usuário (GUI) amigável foi desenvolvida para facilitar a aplicação prática na engenharia.

Principais Resultados
Todos os quatro modelos híbridos demonstraram excelentes capacidades preditivas. No entanto, o modelo XGBoost–BOA superou consistentemente os demais, alcançando o melhor equilíbrio entre precisão, generalização e robustez.

Métricas de Desempenho: O modelo XGBoost–BOA alcançou um $R^2$ na fase de teste de 0,9960 e uma Variância Explicada (VAF) de 99,62%. Registrou os menores erros de predição com um RMSE de 1,2680 e MAE de 0,8159.
Generalização: Diferentemente do modelo XGBoost–CSA, que apresentou a maior precisão de treinamento, mas sinais de sobreajuste (maior erro de teste), o modelo XGBoost–BOA manteve um desempenho superior no conjunto de teste independente.
Incerteza: A análise de incerteza confirmou que o modelo XGBoost–BOA possui a largura de banda de confiança mais estreita (WCB = 0,4056), indicando a maior confiabilidade para dados não observados.
Importância das Características: A análise SHAP identificou a tensão normal ( $\sigma_n$ ) como o fator dominante influenciando a CCS, seguida pela resistência à compressão uniaxial ( $\sigma_c$ ) e pelo coeficiente de descontinuidade (JC). Outros parâmetros mecânicos ( $\sigma_t, \nu, E, C, \phi$ ) foram considerados de influência secundária dentro do escopo do conjunto de dados.
Efeitos Não Lineares: Os gráficos PDP–ICE revelaram comportamentos de degraus distintos e interações não lineares, particularmente uma queda abrupta na CCS prevista em um JC de 0,65, e um aumento forte e quase monotônico na CCS com o aumento da tensão normal.

Significância e Contribuições
O artigo afirma que a principal contribuição deste trabalho é o desenvolvimento de uma ferramenta prática e transparente para avaliar a tensão de coalescência de trincas em sistemas rochosos disjuntados sob condições de cisalhamento direto. Ao acoplar o XGBoost com a otimização metaheurística, o estudo consegue capturar com sucesso os efeitos complexos e acoplados de parâmetros geométricos e mecânicos que são difíceis de isolar apenas através de testes laboratoriais.

A significância do trabalho reside em três áreas principais:

Precisão Preditiva: O modelo híbrido XGBoost–BOA fornece um método altamente preciso e robusto para predizer a CCS, superando outras configurações ajustadas por metaheurísticas.
Interpretabilidade: Diferente dos modelos de "caixa-preta", a integração das análises SHAP e PDP–ICE garante que as predições do modelo sejam fisicamente consistentes com conceitos estabelecidos de mecânica da fratura, validando a dominância da tensão normal e da geometria das descontinuidades.
Utilidade na Engenharia: A integração do modelo preditivo em uma GUI permite que engenheiros explorem rapidamente os efeitos paramétricos e estimem a CCS para design e avaliação experimental, preenchendo a lacuna entre a modelagem computacional avançada e as aplicações práticas de engenharia de rochas.

Os autores reconhecem modestamente que o estudo é baseado em amostras de escala laboratorial com composições de materiais e configurações de descontinuidades específicas. Eles sugerem que, embora o banco de dados seja extenso, a expansão futura para incluir geometrias, trajetórias de tensão e tipos de materiais mais amplos fortaleceria a aplicabilidade geral do framework proposto.

Mais como este