Técnica substituta baseada em XGBoost para análise de confiabilidade de fundações sobre cavidades auxiliada por bootstrap

Por que buracos ocultos sob edificações importam

As cidades estão cada vez mais sendo erguidas sobre antigas minas, túneis e outras cavidades subterrâneas. Esses vazios ocultos podem, aos poucos, comprometer o solo, fazendo com que edifícios inclinhem, rachem ou até colapsem. Os engenheiros tentam projetar fundações que permaneçam seguras apesar desses riscos, mas métodos tradicionais para checar a segurança em muitas condições possíveis podem ser extremamente demorados. Este estudo mostra como ferramentas modernas de aprendizado de máquina podem tornar essas verificações mais rápidas e realistas, ajudando a proteger estruturas construídas sobre cavidades.

Fundações sobre riscos ocultos no subsolo

A fundação de um prédio tem duas funções principais: não deve romper o solo (capacidade de carga) e não deve afundar ou inclinar excessivamente ( recalque). Cavidades abaixo da superfície — deixadas por mineração, escavação ou processos naturais — tornam ambas as tarefas mais difíceis. O solo pode deslocar‑se ou colapsar no vazio, reduzindo o suporte à fundação ao longo do tempo. O projeto tradicional costuma confiar em um único “fator de segurança”, que compara a resistência aparente do sistema de fundação com a resistência necessária. Mas solos reais variam de um local para outro e mudam com o tempo, então um único fator de segurança pode ocultar riscos importantes.

De simulações pesadas para substitutos inteligentes

Para explorar esses riscos de forma adequada, idealmente os engenheiros executariam milhares de simulações detalhadas que variam a resistência do solo, a geometria da cavidade e outros fatores. Na prática, isso é muito lento. Os autores, em vez disso, criaram um grande conjunto de dados com 272 simulações de alta qualidade de uma sapata contínua sobre uma cavidade circular usando um programa geotécnico especializado. Em seguida, treinaram um modelo de aprendizado de máquina chamado XGBoost para imitar essas simulações, prevendo tanto a capacidade de carga quanto o recalque a partir de entradas como peso do solo, coesão, ângulo de atrito, profundidade da cavidade e rigidez. O modelo substituto reproduziu as simulações detalhadas com alta precisão, especialmente para a capacidade de carga, o que significa que pode funcionar como um substituto rápido para os cálculos mais caros.

Interpretando dados confusos e incerteza

Dados geotécnicos reais raramente seguem à risca suposições estatísticas simples — podem ser enviesados, ter múltiplos picos e apresentar grande dispersão. Os autores testaram sistematicamente várias transformações matemáticas para fazer com que os valores previstos de capacidade de carga e recalque se aproximassem de distribuições em forma de sino ideais. Nenhuma funcionou perfeitamente por si só. Encontraram o melhor equilíbrio aplicando primeiro uma transformação logarítmica e, em seguida, usando uma técnica chamada bootstrap, que reamostra repetidamente os dados para construir uma distribuição empírica. Essa combinação permitiu descrever a incerteza de forma robusta sem forçar os dados a uma forma irrealista.

Calculando chances de falha hoje e no futuro

Com o modelo substituto e o tratamento de dados aprimorado, a equipe usou simulação de Monte Carlo para estimar com que frequência fundações falhariam segundo dois critérios: perda de capacidade de carga e recalque excessivo. Constatou‑se que o limite de recalque foi mais crítico do que a capacidade de carga, aumentando a probabilidade de falha em quase 30% quando considerado isoladamente. Quando ambos os critérios foram combinados em uma visão de sistema — onde ocorre falha se qualquer um for violado — a probabilidade geral de falha aumentou ainda mais, em mais de 50% em comparação com a análise apenas da capacidade de carga. O estudo também explorou como a segurança pode degradar ao longo de décadas, reduzindo gradualmente a capacidade de carga e aumentando o recalque esperado. Sob essas tendências assumidas, os índices de confiabilidade declinaram de forma constante, aproximando‑se de um nível de risco semelhante a cara ou coroa após cerca de um século.

O que isso significa para projetar edificações mais seguras

Para quem não é especialista, a mensagem principal é que a segurança de edificações sobre cavidades subterrâneas não pode ser julgada de forma confiável por um único fator de segurança ou verificando apenas um modo de falha. Ao emparelhar um substituto de aprendizado de máquina bem treinado com um tratamento estatístico cuidadoso e simulação de Monte Carlo, os engenheiros podem explorar rapidamente milhares de cenários “e se”, levando em conta propriedades do solo incertas, geometria da cavidade e mudanças dependentes do tempo. Essa abordagem revela que o recalque e o comportamento em nível de sistema podem reger o risco, mesmo quando a capacidade de carga parece confortável. Em termos práticos, a estrutura oferece uma forma mais rápida e realista de identificar fundações que podem parecer seguras no papel, mas que podem ficar vulneráveis à medida que o solo evolui abaixo delas.

Citação: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Palavras-chave: confiabilidade de fundações, cavidades subterrâneas, aprendizado de máquina, simulação de Monte Carlo, engenharia geotécnica