Modelo de resistência ao cisalhamento de elementos de concreto leve baseado em rede neural profunda e otimização COVID-19

Por que concreto mais leve e matemática inteligente importam

Edifícios e pontes estão ficando mais altos, mais longos e mais eficientes, e os engenheiros buscam materiais que sejam fortes e ao mesmo tempo leves. O concreto leve ajuda a reduzir o peso das estruturas e melhora o isolamento, mas prever como ele irá fissurar e falhar sob certos tipos de carregamento é complicado. Este estudo mostra como uma forma moderna de inteligência artificial, combinada com um algoritmo inspirado na propagação da COVID-19, pode prever uma propriedade-chave do concreto leve com mais precisão do que as regras de projeto atuais, levando potencialmente a estruturas mais seguras e eficientes.

O desafio de evitar que o concreto se rompa por cisalhamento

Quando uma viga de concreto em um edifício ou ponte suporta cargas, ela pode falhar de maneiras diferentes. Um dos modos mais súbitos e difíceis de prever é o cisalhamento, em que fissuras diagonais se formam e atravessam a viga. Fórmulas clássicas de dimensionamento usadas em códigos de obras ao redor do mundo são deliberadamente conservadoras, mas frequentemente discordam entre si e podem avaliar incorretamente o comportamento de vigas reais. O problema se torna ainda mais complexo com concreto leve, cujo menor peso e agregados diferentes alteram a formação de fissuras e o caminho das forças pelo material, enfraquecendo certos mecanismos internos que normalmente ajudam a resistir ao cisalhamento.

Como um modelo de deep learning interpreta o comportamento estrutural

Para enfrentar isso, os autores construíram uma rede neural profunda, um tipo de modelo de IA composto por muitas camadas de unidades simples de processamento que detectam padrões nos dados. Eles treinaram essa rede com resultados experimentais de vigas de concreto leve, fornecendo detalhes geométricos, resistências dos materiais, propriedades das armaduras de aço e a maneira como a carga é aplicada. Em vez de começar com parâmetros iniciais aleatórios, eles ajustaram os parâmetros internos iniciais da rede usando uma estratégia de busca especial apelidada de algoritmo de otimização COVID-19, que toma emprestado conceitos de como uma infecção se espalha, desaparece ou é contida. Esse ponto de partida mais inteligente ajuda a rede a aprender mais rapidamente e a evitar ficar presa em soluções pobres.

Testando contra vigas reais e normas de projeto

Os pesquisadores então submeteram seu modelo ao teste, comparando suas previsões com medições laboratoriais reais e com três códigos de projeto amplamente usados dos Estados Unidos, Europa e Japão. Eles deram atenção especial às regiões de dados onde o comportamento se torna altamente não linear, isto é, onde pequenas variações nas entradas podem produzir saltos grandes e irregulares na resistência ao cisalhamento. Exatamente nessas zonas desafiadoras, a rede profunda acompanhou os resultados de teste muito mais de perto do que as equações dos códigos, que tendiam a se afastar. Avaliado ao longo de todo o conjunto de dados, o novo modelo apresentou o menor erro médio e o ajuste mais estreito entre resistências previstas e observadas, mantendo bom desempenho em verificações cruzadas repetidas que previnem sobreajuste.

O que o modelo revela sobre os ingredientes-chave

Além de simplesmente prever números, os autores usaram a rede treinada para investigar quais propriedades da viga e do material são mais relevantes. A análise destacou a profundidade efetiva da viga, a resistência à compressão do concreto, sua massa unitária e a largura da viga como os principais determinantes da capacidade ao cisalhamento no concreto leve. Em contraste, alguns fatores frequentemente considerados importantes, como o tamanho dos agregados e a quantidade de aço para flexão, mostraram influência surpreendentemente baixa neste conjunto de dados, suscitando questões para experimentos futuros e sugerindo que os projetistas podem querer concentrar-se mais em um grupo mais restrito de parâmetros ao refinar regras para traços de concreto leve.

O que isso significa para estruturas futuras

Para não especialistas, a conclusão principal é que um modelo de deep learning cuidadosamente treinado pode atuar como um intérprete qualificado entre testes de laboratório e a prática corrente de projeto. Neste estudo, a rede otimizada pelo algoritmo COVID-19 fez um trabalho melhor do que as fórmulas dos códigos existentes ao estimar como vigas de concreto leve resistem a forças de cisalhamento, especialmente em casos difíceis onde o comportamento está longe de ser simples. Embora os engenheiros continuem a depender dos códigos para aprovação regulatória, ferramentas como este modelo podem ajudá-los a identificar projetos excessivamente conservadores ou potencialmente inseguros e avançar em direção a estruturas mais leves e eficientes que façam uso mais inteligente dos materiais.

Citação: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Palavras-chave: concreto leve, resistência ao cisalhamento, rede neural profunda, engenharia estrutural, algoritmo de otimização