Modelo de memória de curto e longo prazo em rede neural recorrente para detectar a ponta da estaca usando dados brutos do teste de integridade de estacas

Inspeções mais inteligentes para fundações ocultas

Muitos edifícios e pontes assentam sobre longas colunas de concreto enterradas chamadas estacas. Como essas estacas estão enterradas, os engenheiros não podem simplesmente olhar para elas para verificar se foram construídas corretamente ou até que profundidade chegam. Este estudo mostra como um modelo de inteligência artificial pode ler sinais de vibração sutis de um simples ensaio de martelo e localizar automaticamente a ponta da estaca — o ponto onde ela termina no solo — tornando essas verificações ocultas mais rápidas, mais confiáveis e menos dependentes do julgamento individual de especialistas.

Como os engenheiros “ouvem” colunas enterradas

Para examinar uma estaca sem escavá‑la, os engenheiros usam um ensaio de integridade de baixa tensão. Um trabalhador dá uma pancada no topo da estaca com um pequeno martelo enquanto um sensor registra como a estaca vibra. O impacto envia uma onda de tensão ao longo da estaca; quando a onda encontra uma descontinuidade — como a ponta da estaca ou um defeito — ela se reflete. Um aparelho portátil transforma essas vibrações em um traçado chamado refletograma, que mostra como o sinal varia com o tempo ou a profundidade. Engenheiros experientes estudam esse traçado, juntamente com informações do local e normas como ASTM D5882 e regras baseadas na Eurocódigo, para julgar se a estaca está íntegra e onde se encontra sua ponta. Mas essa interpretação pode ser subjetiva, demorada e sensível ao ruído e às condições do solo.

Por que trazer o aprendizado profundo para o problema

Nos últimos anos, pesquisadores testaram várias abordagens de inteligência artificial para interpretar dados de ensaios de estacas, desde redes neurais clássicas até métodos baseados em imagem e classificadores de sinais. Essas abordagens frequentemente exigem extração manual de características a partir dos sinais registrados ou sua conversão em imagens, e podem ter dificuldade em capturar como as ondas evoluem ao longo do tempo na estaca. Os autores deste artigo, em vez disso, concentram‑se em modelos projetados especificamente para sequências: redes neurais recorrentes com memória de curto e longo prazo, ou RNN‑LSTM. Essas redes foram construídas para “lembrar” o que aconteceu antes em uma série temporal, tornando‑as bem adequadas para acompanhar uma onda gerada pelo martelo enquanto ela viaja, se reflete e se atenua dentro da estaca.

Transformando pancadas de martelo brutas em dados limpos

A equipe reuniu um banco de dados com 500 registros de ensaios de baixa tensão de projetos de construção egípcios envolvendo estacas escavadas de concreto com 12 a 30 metros de comprimento em solos estratificados. Para cada estaca, eles tinham medições brutas de aceleração ao longo do tempo e um refletograma correspondente que havia sido originalmente desenhado e interpretado por humanos. Eles digitalizaram cuidadosamente esses gráficos, converteram profundidade em tempo usando velocidades de onda conhecidas e normalizaram a escala vertical para que sinais de diferentes estacas pudessem ser comparados. Do lado dos sensores brutos, suavizaram o ruído de alta frequência, padronizaram os sinais usando uma escala estatística robusta e aplicaram preenchimento (padding) e pequenas variações aleatórias para que a rede neural pudesse lidar com sequências de comprimentos diferentes sem distorcer seus padrões.

Projetando e testando a rede neural

Vários arranjos de rede foram testados, variando o número de camadas e de “neurônios” virtuais que o modelo utilizava. Os pesquisadores buscaram um equilíbrio: boa acurácia de previsão sem explosão no custo computacional ou tendência a memorizar os dados de treinamento. Eles descobriram que um modelo LSTM de seis camadas com 32 unidades em cada camada atingiu esse compromisso. Para ajudar o modelo a acompanhar partes importantes do sinal, adicionaram atalhos entre camadas e um mecanismo de atenção que permite à rede focar em intervalos de tempo-chave. Treinado em 400 estacas e validado em 100 casos não vistos, o modelo final reproduziu traçados de velocidade gerados por humanos com alta precisão estatística, mostrando forte concordância entre sinais previstos e digitalizados.

Dos números para decisões práticas sobre estacas

Além das estatísticas, a principal questão prática é se o modelo pode marcar corretamente a ponta da estaca. Os pesquisadores inspecionaram visualmente cada refletograma previsto e compararam a localização da ponta com a referência digitalizada. Se a correspondência estava dentro de 5 por cento, era classificada como “Boa”; até 10 por cento, “Regular”; além disso, “Ruim.” Para o conjunto de treinamento, cerca de 90 por cento das estacas foram “Boas” e apenas 4 por cento “Ruins.” No conjunto de validação, 84 por cento foram “Boas” e 6 por cento “Ruins.” Esses resultados sugerem que o sistema de IA pode imitar a interpretação de especialistas de forma suficientemente próxima para ser útil em testes rotineiros, ao menos dentro das faixas de tamanhos de estacas, resistências do concreto e tipos de ensaio nos quais foi treinado.

O que isso significa para estruturas mais seguras

Em termos simples, o estudo mostra que um modelo de aprendizado profundo bem concebido pode pegar o registro bruto de vibração de uma pancada de martelo em uma estaca e traçar automaticamente o mesmo tipo de curva que um especialista usaria para encontrar a ponta da estaca. Isso reduz o número de etapas manuais e a margem para erro humano, mantendo o julgamento final sobre a qualidade da estaca transparente e fundamentado em gráficos familiares. Por enquanto, o modelo se aplica apenas a um tipo específico de sensor e a estacas semelhantes às do estudo, mas aponta para um futuro em que verificações rotineiras de fundações ocultas se tornem mais rápidas, mais consistentes e mais fáceis de aplicar em canteiros de obras atarefados.

Citação: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Palavras-chave: teste de integridade de estacas, aprendizado profundo, rede neural recorrente, ensaios não destrutivos, engenharia civil