Otimização de modelos de machine learning com Optuna para previsão precisa de resistência e comportamento de fissuras em vigas de concreto protendido

Por que prever fissuras no concreto é importante

Pontes e grandes edifícios dependem de longas vigas de concreto que suportam silenciosamente tráfego pesado e intempéries por décadas. Muitas dessas vigas são "protendidas" — cabos de aço são tensionados dentro do concreto para que ele resista ao aparecimento de fissuras e à flecha. Quando essas vigas perdem resistência ou começam a fissurar de forma inesperada, as consequências podem ser graves: reparos caros, interdições de tráfego ou mesmo acidentes. No entanto, testar vigas em escala real em laboratório é caro e demorado. Este estudo explora como técnicas modernas de machine learning, cuidadosamente ajustadas com uma ferramenta de otimização chamada Optuna, podem prever a resistência dessas vigas e o comportamento de suas fissuras, usando dados de ensaios existentes em vez de novos experimentos em grande escala.

De resultados dispersos de ensaios a um recurso de dados rico

Os pesquisadores inicialmente reuniram uma grande coleção de resultados de ensaios em vigas de concreto protendido de 22 estudos publicados, totalizando 626 conjuntos de dados de vigas. Cada viga foi descrita por 21 características mensuráveis, como largura e altura, quantidade e posição do aço de armadura e detalhes dos cabos de protensão. As variáveis de interesse incluíam quando surge a primeira fissura séria (momento de fissuração), a carga que a viga suporta antes da ruptura (momento último), o espaçamento típico entre fissuras e a largura da maior fissura. Eles limparam e padronizaram cuidadosamente esses dados mistos para que diferenças de unidades e de arranjos de ensaio não confundissem os modelos, e reservaram parte dos dados para testes independentes e justos.

Ensinando computadores a ler os sinais de falha

Em vez de confiar em fórmulas tradicionais, que frequentemente têm dificuldade com as realidades complexas de estruturas reais, a equipe treinou quatro modelos populares de machine learning para aprender os padrões diretamente dos dados: Decision Trees, Random Forests, XGBoost e LightGBM. Esses modelos trabalham construindo muitas regras de decisão a partir das variáveis de entrada para prever o comportamento da viga. Contudo, o desempenho deles depende fortemente do ajuste de "botões" conhecidos como hiperparâmetros — por exemplo, quão profunda cada árvore de decisão pode crescer, quantas árvores usar e a velocidade de aprendizado do modelo. Configurações mal escolhidas podem levar a modelos lentos, imprecisos ou sobreajustados, que falham quando confrontados com vigas novas.

Deixando o Optuna buscar as melhores configurações

Para enfrentar esse desafio de ajuste, os pesquisadores usaram o Optuna, um framework de otimização moderno que explora automaticamente combinações promissoras de hiperparâmetros em vez de testá-las manualmente. Para cada configuração candidata, o Optuna treinava um modelo, avaliava sua capacidade de prever o desempenho das vigas e então utilizava esse retorno para propor melhores configurações a seguir. A equipe também examinou curvas de aprendizagem para escolher um número adequado de ciclos de treinamento, evitando modelos que parem cedo demais ou sobrem treinados. Esse processo apontou um vencedor claro: o modelo LightGBM, ajustado pelo Optuna, previu a resistência das vigas com um R² acima de 0,98 e a resistência à fissuração com um R² acima de 0,8, indicando que suas previsões acompanhavam muito bem os dados de ensaio.

Abrindo a “caixa preta” do machine learning

A alta precisão por si só não basta para engenheiros, que precisam entender por que um modelo faz certas previsões antes de confiá‑lo em projetos ou verificações de segurança. Para adicionar essa transparência, os autores utilizaram o SHAP, um método que decompõe cada previsão em contribuições das entradas individuais. O SHAP mostrou, por exemplo, que a profundidade da zona de compressão da viga, a quantidade de aço protendido e a resistência do concreto influenciam fortemente quando as fissuras aparecem e quão largas elas se tornam — percepções que concordam com a mecânica estrutural básica. Na prática, o modelo de machine learning não apenas correspondeu ao entendimento humano, como também quantificou o impacto relativo de diferentes escolhas de projeto.

O que isso significa para estruturas no mundo real

Para não especialistas, a mensagem principal é que machine learning cuidadosamente ajustado pode transformar resultados dispersos de ensaios em uma ferramenta prática para verificar a saúde e a segurança de vigas de concreto protendido. Os modelos LightGBM e XGBoost otimizados pelo Optuna podem ajudar engenheiros a estimar quando vigas vão fissurar e quanta carga elas podem suportar com segurança, sem construir e romper tantos espécimes em escala real. Como os modelos são ao mesmo tempo precisos e explicáveis, eles podem orientar decisões de projeto mais inteligentes — como quanto aço usar e onde posicioná‑lo — ajudando a prolongar a vida útil de pontes e edifícios enquanto economizam tempo, dinheiro e materiais.

Citação: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Palavras-chave: vigas de concreto protendido, previsão de fissuras, machine learning, otimização de hiperparâmetros, engenharia estrutural