Avaliação baseada em aprendizado de máquina dos fatores de resistência ao cisalhamento em misturas solo-rocha para aterros de subestações em montanhas

Por que isso importa para manter a energia ligada

Cidades em crescimento em regiões montanhosas precisam de subestações capazes de entregar eletricidade com segurança, frequentemente apoiadas em encostas escavadas e preenchidas. Em vez de trazer solo de construção ideal, os engenheiros reutilizam cada vez mais o material local excedente composto por solo misturado com fragmentos de rocha. Essas misturas solo–rocha são econômicas e sustentáveis, mas seu comportamento sob carga é difícil de prever, aumentando o risco de recalques diferenciais ou mesmo de ruptura de talude sob equipamentos elétricos vitais. Este estudo mostra como uma forma simples de inteligência artificial pode analisar muitas propriedades do solo que interagem entre si para identificar quais são as mais importantes para manter essas subestações montanhosas estáveis.

Solo reaproveitado, comportamento complexo

Em terreno íngreme, construir uma plataforma nivelada para uma subestação geralmente significa cortar algumas encostas e preencher outras. Para controlar custos e o tráfego de caminhões, os empreiteiros frequentemente reutilizam o material local excedente composto por argila, rocha vulcânica intemperizada e fragmentos de basalto mais duro. Juntas, essas frações formam misturas solo–rocha: materiais heterogêneos e irregulares cuja resistência depende de quanto de água contêm, de quão compactados estão e de como o material fino liga as pedras maiores. Como a mistura pode variar de um ponto a outro e camada a camada, o terreno pode assentar de maneira desigual sob transformadores pesados, ameaçando componentes elétricos sensíveis que exigem movimentos muito pequenos.

De testes de laboratório a um modelo de aprendizado

Os pesquisadores coletaram materiais representativos de um canteiro de subestação no sudoeste da China, depois os trituraram, peneiraram e misturaram para criar combinações controladas. No laboratório, compactaram essas misturas em amostras padrão e realizaram ensaios de cisalhamento direto sob diferentes pressões, simulando as cargas dentro das camadas de aterro. Para cada amostra mediram propriedades físicas-chave: a densidade em seco, o teor de umidade, a razão de vazios, e dois limites simples que descrevem até que ponto o material fino pode ficar úmido antes de se comportar mais como uma pasta ou um líquido. Essas medições, associadas à resistência ao cisalhamento resultante (dividida em atrito interno e coesão), formaram um conjunto de dados de 112 casos cuidadosamente preparados.

Ensinando uma rede neural sobre solo e rocha

Em vez de tentar forçar essas relações complexas em fórmulas simples, a equipe treinou uma rede neural feedforward, um modelo básico de aprendizado de máquina que aprende padrões diretamente a partir dos dados. O modelo recebeu as cinco propriedades do solo medidas como entradas e aprendeu a prever duas saídas: quão coesa é a mistura (coesão) e quanto ela resiste ao escorregamento (ângulo de atrito interno). Ajustaram os parâmetros da rede e compararam seu desempenho com ferramentas mais tradicionais, como regressão linear, métodos de vizinho mais próximo e florestas aleatórias. Usando validações repetidas em dados retidos, a rede neural produziu previsões consistentemente precisas, casando de perto com os valores medidos de resistência e superando ligeiramente as alternativas neste conjunto de dados de tamanho modesto.

Quais propriedades do terreno realmente contam?

Com um modelo confiável, os autores o sondaram para ver quais entradas impulsionavam suas previsões. Eles usaram os pesos de conexão internos da rede como uma espécie de “pontuação de influência” para cada propriedade. O teor de umidade emergiu como a protagonista, respondendo por cerca de um quarto a um terço da variação tanto na coesão quanto no atrito. Quando a mistura fica muito úmida, filmes d’água lubrificam os contatos entre grãos e enfraquecem as ligações entre partículas, reduzindo acentuadamente a resistência. O limite plástico do material fino — o teor de água em que ele deixa de se comportar como um sólido frágil e começa a fluir — foi quase tão importante, especialmente para o atrito. A densidade seca e a razão de vazios também influenciaram, mas em menor grau, principalmente alterando o grau de encaixe entre partículas. Em conjunto, esses resultados confirmam a intuição geotécnica de longa data, ao mesmo tempo que quantificam a importância relativa de cada fator.

Orientação prática para subestações montanhosas mais seguras

Para os engenheiros, a conclusão principal é direta: em aterros reciclados de solo–rocha sob subestações, controlar a água e o comportamento plástico da matriz fina é mais crítico do que qualquer outra propriedade isolada. Ao focar os ensaios e os controles de execução no teor de umidade, nos limites plástico e líquido e na qualidade da compactação, os projetistas podem prever melhor como o solo suportará as cargas e onde os riscos de recalque são mais altos. Embora os números exatos provenham de uma região do sudoeste da China, o fluxo de trabalho — combinando ensaios laboratoriais direcionados com uma análise transparente por rede neural — oferece um roteiro reutilizável para projetos semelhantes no mundo todo, transformando o material excedente irregular em uma fundação mais previsível.

Citação: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

Palavras-chave: misturas solo-rocha, fundações de subestações em montanhas, resistência ao cisalhamento, teor de umidade, aprendizado de máquina em engenharia geotécnica