Predição dos deslocamentos dos topos de estacas e da superfície do solo ao redor de estacas baseada em algoritmos de aprendizado de máquina

Por que pequenas movimentações subterrâneas importam

Quando novas linhas de metrô ou viadutos são construídos, milhares de estacas profundas de concreto são cravadas no solo para sustentar as estruturas. Essa compressão do solo ao redor pode deslocar estacas, vias, edificações e tubulações enterradas por apenas alguns milímetros — mas até movimentos tão pequenos podem rachar o concreto ou deformar redes de utilidades. O estudo por trás deste artigo investiga como ferramentas modernas de aprendizado de máquina podem prever esses deslocamentos subterrâneos com mais precisão do que fórmulas tradicionais, ajudando engenheiros a projetar fundações mais seguras em cidades densas.

Como cravar estacas remodela o solo

Durante a construção, longas estacas ocas de concreto são pressionadas para dentro de solos moles em vez de serem marteladas — um método comum em projetos urbanos como a Linha 1 do Metrô de Bogotá, na Colômbia. À medida que cada estaca é içada, o solo precisa deslocar-se: é comprimido lateralmente e para cima, exercendo pressão sobre estacas vizinhas e sobre a superfície do terreno. Em casos severos isso pode levar à ruptura de estacas, levantamento de pavimento ou dano a tubulações próximas que podem estar a apenas algumas dezenas de centímetros. Há muito tempo os engenheiros usam teorias simplificadas que tratam cada estaca como um cilindro expansivo no solo para estimar esses efeitos, mas esses métodos têm dificuldade em captar a realidade complexa de solos em camadas, arranjos de estacas complicados e sequências de construção.

Treinando computadores para ler a resposta do solo

Os pesquisadores recorreram ao aprendizado de máquina, um ramo da inteligência artificial em que computadores aprendem padrões a partir de dados em vez de depender apenas de equações escritas à mão. Eles coletaram centenas de medições de deslocamento horizontal nos topos das estacas e em pontos de monitoramento ao redor delas no projeto de Bogotá. Para cada medição também registraram um conjunto de fatores influentes, incluindo o teor de água e a densidade relativa do solo, sua rigidez, a distância de um ponto até o centro do grupo de estacas, o ângulo em torno do grupo em que se situava e quanto tempo havia se passado desde a conclusão da cravação para que o solo pudesse acomodar-se.

Colocando diferentes máquinas de aprendizado à prova

Foram comparados vários tipos de algoritmos. Uma rede neural clássica conhecida como rede de retropropagação (BP) serviu como referência. A equipe então a reforçou usando uma abordagem chamada AdaBoost, que combina muitos preditores fracos em um “comitê” mais preciso, criando um modelo AdaBoost-BP. Também testaram redes neurais profundas com múltiplas camadas ocultas, florestas aleatórias compostas por muitas árvores de decisão e um método popular de boosting de árvores chamado XGBoost. Todos os modelos foram calibrados e validados usando validação cruzada, um procedimento que treina repetidamente em parte dos dados e testa no restante para evitar sobreajuste. Para conjuntos de dados pequenos e grandes, os modelos de boosting e de aprendizado profundo claramente superaram a rede BP básica, com as redes neurais profundas em particular reproduzindo as medições de campo de forma muito mais próxima.

O que realmente controla o movimento do solo

Com modelos precisos em mãos, os autores investigaram quais fatores eram mais relevantes. Usando análise SHAP, uma técnica que explica modelos complexos atribuindo a cada entrada uma contribuição para a predição, descobriram que a geometria simples domina: a distância horizontal ao centro do grupo de estacas e a direção em torno dele são os principais determinantes do deslocamento. Pontos mais próximos do centro tendem a mover-se mais, e os padrões de movimento variam ao redor da rosa dos ventos porque as filas de estacas não são perfeitamente simétricas. O tempo desde a interrupção da cravação também desempenha um papel importante, refletindo a lenta readaptação e o creep do solo. Entre as propriedades do solo, teor de água, densidade relativa e ângulo de atrito interno (uma medida relacionada a quão bem os grãos se travam) têm a influência mais forte, enquanto outros parâmetros como coesão e peso específico global importam menos.

Novas ferramentas para construção subterrânea mais segura

Ao comparar suas previsões orientadas por dados com a teoria tradicional de expansão cilíndrica, os autores mostraram que modelos de aprendizado de máquina, especialmente redes neurais profundas, podem prever deslocamentos horizontais nos topos de estacas e em pontos da superfície do solo com muito mais precisão. Para projetos futuros — como linhas de metrô adicionais — a abordagem poderia ser usada durante o projeto para testar diferentes arranjos, espaçamentos e sequências construtivas no computador antes de qualquer interferência no solo, reduzindo o risco para edifícios e tubulações próximas. Em suma, ao permitir que computadores aprendam diretamente a partir de medições de campo detalhadas, os engenheiros obtêm uma imagem mais nítida de como o solo responderá, facilitando a preservação da estabilidade e integridade das infraestruturas urbanas vitais.

Citação: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Palavras-chave: fundação por estacas, deslocamento do solo, aprendizado de máquina, infraestrutura subterrânea, construção de metrô