Avaliando a precisão preditiva de modelos de aprendizado de máquina supervisionados para explorar a resistência mecânica de concreto incorporando escória de alto-forno

Por que um concreto mais inteligente importa

O concreto molda nossas cidades, mas a produção do cimento que o une libera grandes quantidades de dióxido de carbono — cerca de 8% das emissões globais. Uma via promissora para reduzir essa pegada é substituir parte do cimento comum por subprodutos industriais, como a escória de alto-forno, um material vítreo da produção de aço. O problema: encontrar a receita certa para um concreto forte, durável e de baixo carbono normalmente exige meses de trabalho laboratorial. Este estudo mostra como o aprendizado de máquina moderno pode realizar grande parte desse ensaio e erro virtualmente, acelerando o projeto de concretos mais verdes.

Um ingrediente mais limpo da produção de aço

A escória de alto-forno é produzida quando o minério de ferro é fundido para produzir ferro-gusa. Quando esse subproduto fundido é resfriado rapidamente e moído até virar um pó fino, ele se comporta como um cimento de ação lenta. Misturado ao concreto, reage com compostos formados durante a hidratação do cimento para criar gel ligante adicional, que aperta os poros internos. Os benefícios são três: menos cimento é necessário (reduzindo as emissões de CO₂), ataques químicos de sais e ácidos são mais bem resistidos, e a resistência continua a crescer por períodos mais longos. Mas o desempenho depende sensivelmente de quanto de escória é adicionada, de como ela interage com outros materiais e do tempo de cura do concreto.

Transformando experimentos dispersos em um único conjunto de dados

Em vez de realizar novos testes laboratoriais para cada mistura possível, os pesquisadores vasculharam estudos anteriores e conjuntos de dados abertos sobre concretos contendo escória. Eles reuniram 675 registros de dados, cada um descrevendo uma receita de concreto e sua resistência à compressão medida (a pressão que suporta antes de romper). Oito ingredientes e condições-chave foram acompanhados: quantidades de cimento, escória de alto-forno, cinza volante, agregados graúdo e miúdo, água, um aditivo redutor de água de alta abrangência chamado superplastificante, além da idade de cura em dias. Todos os valores foram verificados, padronizados para unidades comuns, limpos de erros óbvios e reescalados para que os modelos de aprendizado de máquina pudessem comparar as variáveis em pé de igualdade.

Treinando máquinas para prever a resistência do concreto

Com esse banco de dados em mãos, a equipe treinou seis modelos supervisionados de aprendizado de máquina diferentes para prever a resistência à compressão a partir do projeto da mistura: AdaBoost, uma Árvore de Decisão única, Gradient Boosting, k-Nearest Neighbors e dois métodos avançados baseados em árvores conhecidos como LightGBM e XGBoost. Eles usaram 80% dos dados para treino e 20% para testar quão bem cada modelo lidava com receitas novas e não vistas. Para evitar overfitting — quando um modelo decorre dos dados passados, mas falha na prática — ajustaram sistematicamente as configurações dos modelos com busca em grade e validação cruzada, depois avaliaram o desempenho usando medidas padrão de precisão, como o coeficiente de determinação (R²) e várias estatísticas de erro.

O que controla a resistência em misturas mais verdes

Os dois modelos mais potentes, LightGBM e XGBoost, reproduziram as resistências laboratoriais com alta precisão, captando mais de 94% da variação nos dados de teste. Para tornar esses modelos “caixa-preta” compreensíveis, os autores aplicaram SHAP (um método que atribui a cada entrada uma parte da predição) e gráficos de dependência parcial, que mostram como alterar uma variável desloca a resistência prevista enquanto as outras permanecem constantes. Essas ferramentas revelaram que a idade de cura teve o maior efeito positivo: cura mais longa consistentemente significou concreto mais resistente. Superplastificante e teor de cimento foram os próximos mais influentes, aumentando a resistência ao melhorar o empacotamento e reduzir água desnecessária. A água em si mostrou forte efeito negativo — excesso enfraquece a mistura — enquanto a escória de alto-forno ajudou até certo ponto, depois estabilizou.

Encontrando a faixa ideal para a escória

Ao varrer os modelos por diferentes teores de escória, os pesquisadores identificaram uma janela de substituição ótima: quando a escória de alto-forno representava aproximadamente 30–40% do material cimentício total, o concreto tendia a atingir maiores resistências à compressão, especialmente em idades de cura de 28 dias e além. Aumentar muito a escória, particularmente acima de 50%, frequentemente retardou o ganho de resistência inicial, o que pode ser crítico para cronogramas de construção. Essas percepções, extraídas de muitos estudos pequenos, oferecem orientação prática: engenheiros podem mirar com segurança nessa faixa intermediária de escória para equilibrar resistência, durabilidade e economia de carbono sem testar exaustivamente cada projeto.

O que isso significa para a construção futura

Para não especialistas, a mensagem principal é clara: computadores agora podem aprender com experimentos passados de concreto o suficiente para sugerir misturas fortes e de baixo carbono antes que uma única amostra seja moldada. Neste trabalho, o modelo LightGBM mostrou-se ligeiramente mais preciso que o XGBoost, mas ambos foram precisos e interpretáveis o bastante para indicar quais ingredientes importam mais e onde a escória apresenta melhor desempenho. Essa combinação de velocidade e transparência permite que projetistas reduzam tempo, custo e desperdício de material ao aproveitar melhor subprodutos industriais. À medida que os conjuntos de dados crescem e se tornam mais padronizados, tais ferramentas podem ajudar a indústria da construção a reduzir seu impacto climático enquanto ainda entrega estruturas seguras e duráveis.

Citação: Sobuz, M.H.R., Majumder, S., Afrin, M.S. et al. Evaluating the predictive accuracy of supervised machine learning models to explore the mechanical strength of blast furnace slag incorporated concrete. Sci Rep 16, 6712 (2026). https://doi.org/10.1038/s41598-026-36437-x

Palavras-chave: concreto com escória de alto-forno, aprendizado de máquina, resistência à compressão, construção sustentável, substituição do cimento