Previsão do fator de segurança para aterros rodoviários altos usando Random Forest de efeitos mistos e otimização por colônia de abelhas

Por que a estabilidade dos aterros rodoviários importa

Ao trafegar por uma rodovia construída sobre um monte de terra elevado, você confia que essa elevação artificial não cederá de repente. A segurança desses aterros altos é avaliada por um número chamado “fator de segurança”, que compara as forças que mantêm o solo no lugar com as forças que tendem a fazê‑lo escorregar. Tradicionalmente, engenheiros dependem de cálculos manuais ou de simulações computacionais pesadas para estimar esse fator. Este estudo mostra como o aprendizado de máquina moderno pode tornar essas previsões mais rápidas e confiáveis, potencialmente reduzindo o risco de falhas catastróficas de taludes que ameaçam pessoas, bens e redes de transporte.

Construindo milhares de aterros virtuais

Para treinar e testar seus modelos, os pesquisadores primeiro criaram um grande conjunto de dados realista usando simulações numéricas avançadas em vez de depender apenas de alguns estudos de caso reais. Eles modelaram aterros rodoviários entre 6 e 30 metros de altura com vários formatos de encosta, incluindo projetos escalonados que usam bancadas horizontais chamadas bermas para melhorar a estabilidade. Variaram propriedades-chave do solo — como a massa unitária, o teor de água, a rigidez, a resistência ao deslizamento e a coesão — juntamente com a resistência do solo de fundação sob o aterro. Para cada um dos 1.176 cenários, um programa de elementos finitos calculou o fator de segurança e procurou pela superfície de ruptura mais provável, fornecendo uma “verdade de referência” confiável contra a qual as previsões de aprendizado de máquina puderam ser avaliadas.

De modelos clássicos a florestas mais inteligentes

A equipe comparou então três tipos de modelos orientados por dados. O primeiro foi o conhecido método Random Forest, que combina muitas árvores de decisão para produzir previsões robustas. O segundo, chamado Mixed Effects Random Forest, estende essa ideia ao considerar explicitamente dados agrupados ou “em clusters” — exatamente a situação em trabalho geotécnico, em que conjuntos de medições podem provir do mesmo local, tipo de solo ou fase de construção. Por fim, introduziram uma nova abordagem híbrida: Mixed Effects Random Forest otimizado por Artificial Bee Colony (ABC‑MERF). Aqui, um algoritmo de otimização inspirado em enxames, modelado no comportamento de abelhas na busca por alimento, ajusta automaticamente as muitas configurações da floresta de efeitos mistos para extrair melhor desempenho sem tentativas e erros pelo engenheiro.

Limpeza dos dados e validação das previsões

Antes de treinar os modelos, os pesquisadores prepararam cuidadosamente os dados. Identificaram outliers extremos usando um método padrão de box‑plot e os limitaram a limites razoáveis para que valores raros e estranhos não distorcessem o processo de aprendizado. Todas as entradas foram então escaladas entre 0 e 1, o que é adequado ao otimizador baseado em abelhas e mantém as variáveis comparáveis. Os dados foram divididos em conjuntos de treino e teste, e um protocolo de avaliação rigoroso utilizou várias medidas de erro, incluindo quão próximas as previsões estavam dos fatores de segurança simulados e quanto da variação nos dados os modelos conseguiam explicar. Verificações adicionais, como gráficos de resíduos e testes estatísticos, foram usadas para confirmar que os modelos não estavam apenas memorizando os dados de treino, mas de fato aprendendo os padrões subjacentes.

O que os modelos aprenderam sobre solo e taludes

As três abordagens tiveram desempenho impressionante, mas o modelo ABC‑MERF destacou‑se como o melhor. Ele explicou mais de 99% da variação no fator de segurança e manteve erros típicos de previsão em torno de dois por cento da faixa de segurança. Tão importante quanto, o comportamento do modelo fez sentido físico. Análises de importância das variáveis e curvas de resposta mostraram que o ângulo de atrito interno do solo do aterro e a altura do aterro foram os fatores mais influentes, seguidos pela inclinação do talude, coesão e uso de bermas. Ângulos de atrito maiores e maior coesão aumentaram a estabilidade, enquanto aterros mais altos e taludes mais íngremes a reduziram — exatamente o que a mecânica dos solos básica prevê. Essa concordância entre resultados orientados por dados e a teoria da engenharia é crucial para que os profissionais confiem em ferramentas de aprendizado de máquina em projetos com segurança crítica.

De ferramenta de pesquisa a assistente de engenharia

O estudo conclui que um híbrido cuidadosamente concebido de florestas aleatórias de efeitos mistos e otimização inspirada em abelhas pode fornecer previsões altamente precisas e fisicamente significativas do fator de segurança para aterros rodoviários altos. Para um leitor leigo, a mensagem principal é que engenheiros agora podem combinar testes virtuais detalhados com aprendizado de máquina avançado para rapidamente avaliar muitas opções de projeto e identificar configurações de risco antes de sua construção. Embora tais modelos não substituam o julgamento especializado ou investigações específicas do local — especialmente sob terremotos ou chuvas intensas — eles oferecem uma poderosa ferramenta de apoio à decisão para ajudar a manter os aterros sob nossas estradas estáveis e seguros ao longo de sua longa vida útil.

Citação: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

Palavras-chave: estabilidade de taludes, aterros rodoviários, fator de segurança, aprendizado de máquina, engenharia geotécnica