Framework de aprendizado de máquina guiado por física para concreto com RCA por banco de dados experimental, modelagem e validação estatística

Transformando concreto velho em um novo recurso

Cada ano, bilhões de toneladas de concreto quebrado de edifícios e rodovias demolidos são tratadas como resíduo, embora grande parte pudesse ser reutilizada. Este estudo explora como transformar esses escombros em concreto novo e confiável combinando ensaios laboratoriais cuidadosos com aprendizado de máquina moderno. O objetivo é tornar a construção mais sustentável sem sacrificar a segurança, aprendendo exatamente quanto material reciclado pode ser usado e em quais condições.

Por que reutilizar concreto não é simples

O agregado reciclado de concreto resulta da britagem do concreto antigo em partículas menores que podem substituir a brita e a areia normalmente extraídas para novas construções. Seu uso reduz resíduos, extração em pedreiras e emissões de transporte. Mas essas partículas recicladas ainda carregam fragmentos de argamassa antiga e microfissuras, tornando-as mais porosas e menos uniformes que a pedra natural. Como resultado, o concreto com agregado reciclado pode perder resistência e tornar-se mais difícil de prever. Engenheiros precisam de regras claras e confiáveis sobre como diferentes proporções, tamanhos e qualidades do agregado reciclado afetam a resistência do concreto novo.

Construindo um quadro experimental abrangente

Para responder a essas questões, os pesquisadores realizaram uma série abrangente de traços de concreto usando material reciclado proveniente de seis classes de resistência original, variando de concretos muito fracos a estruturais de alta resistência. Eles separaram os agregados reciclados em três faixas de tamanho — fino, médio e tamanho de brita — e os usaram para substituir de 10% a 50% do agregado natural, mantendo sempre iguais as condições de água e cimento. Para cada mistura mediram resistência à compressão (quanto esforço de compressão suporta), resistência à tração por compressão diametral (como se comporta à tração) e resistência à flexão (como se deforma ao dobrar). Em todos os ensaios, a resistência caiu de forma consistente à medida que a proporção de agregado reciclado aumentou, mas a amplitude da queda dependia fortemente tanto do tamanho das partículas quanto da qualidade do concreto de origem. Partículas finas recicladas, com mais argamassa antiga aderida e poros, causaram as maiores perdas de resistência, enquanto partículas grosseiras e em tamanho de brita foram menos prejudiciais.

Encontrando limites seguros e influências-chave

Os resultados experimentais revelaram regras de projeto úteis que podem orientar a prática construtiva. Quando o material reciclado provinha de concreto parental de baixa resistência, substituir 30% do agregado natural levou a perdas percentuais de dois dígitos tanto na resistência à compressão quanto na tração, especialmente quando foram usadas partículas finas. Em contraste, quando o agregado reciclado se originou de concreto de alta resistência, as perdas de resistência com 30% de substituição foram pequenas, e o desempenho geral permaneceu aceitável para uso estrutural. Em muitas séries, apareceu um “ponto de inflexão” consistente: misturas com 10% ou 20% de agregado reciclado geralmente mantiveram boa resistência, enquanto ultrapassar cerca de 30% trouxe uma queda perceptível, particularmente para materiais de origem mais fracos e frações mais finas. Esses padrões estão em acordo com estudos anteriores e mostram que nem todos os agregados reciclados são iguais — qualidade e tamanho importam.

Ensinando máquinas a respeitar a física

Como realizar testes laboratoriais intermináveis é impraticável, a equipe recorreu ao aprendizado de máquina para prever resistência em novas combinações que não foram testadas fisicamente. Em vez de alimentar o computador apenas com dados brutos, introduziram o que chamam de framework guiado por física. Primeiro, limparam e organizaram cuidadosamente os resultados dos ensaios, então criaram pontos de dados “sintéticos” adicionais ajustando levemente parâmetros das misturas e resistências dentro de limites estreitos e realistas que refletem a variabilidade comum de laboratório. Em seguida, usaram um método avançado de sobremostragem para preencher lacunas entre misturas testadas, mas apenas ao longo de direções que faziam sentido físico. Esses conjuntos de dados enriquecidos treinaram dois modelos de ensemble populares, XGBoost e LightGBM, juntamente com equações substitutas lineares simples que resumem as tendências dominantes em uma forma que engenheiros podem usar com facilidade.

Quão bem as predições funcionam

Uma vez treinados, os modelos foram avaliados em traços de teste completamente não vistos. Suas predições para resistência à compressão e à tração corresponderam de perto às medições, com erros mantendo-se dentro da faixa comumente observada em testes laboratoriais repetidos. Os modelos foram particularmente precisos para resistência à tração, onde o padrão subjacente de degradação com mais agregado reciclado é mais suave e mais fácil de capturar. É importante que os autores tenham verificado que as quedas previstas de resistência com maior conteúdo reciclado não eram casualidades estatísticas: testes estatísticos padrão mostraram que essas tendências são fortes e altamente significativas. Ao comparar versões dos modelos com e sem a expansão de dados guiada pela física, eles encontraram que a abordagem guiada produziu pontuações de acurácia um pouco menos chamativas, mas um comportamento muito mais estável e realista, particularmente em regiões de alta substituição e pouco dados.

O que isso significa para uma construção mais verde

Em termos práticos, este trabalho mostra que é possível usar modelos computacionais para projetar traços de concreto mais verdes que dependam de material reciclado, sem tratar a física subjacente como algo secundário. O estudo confirma que quantidades moderadas de agregado reciclado de alta qualidade — especialmente partículas mais grossas provenientes de concreto antigo mais resistente — podem substituir com segurança uma parcela significativa do agregado natural. Ao mesmo tempo, demonstra uma maneira de o aprendizado de máquina permanecer ancorado no comportamento do mundo real ao respeitar limites e tendências conhecidos. Esse tipo de ferramenta de predição consciente da física pode ajudar engenheiros a tomar decisões sobre traços de maneira melhor e mais rápida, apoiando a adoção mais ampla do concreto reciclado mantendo as estruturas seguras e confiáveis.

Citação: Mohamud, M.A., Alasiri, M.R., Özdöner, N. et al. Physics-guided machine learning framework for RCA concrete by experimental database, modelling, and statistical validation. Sci Rep 16, 7907 (2026). https://doi.org/10.1038/s41598-026-38554-z

Palavras-chave: agregado reciclado de concreto, construção sustentável, aprendizado de máquina em materiais, projeto de mistura orientado por dados, predição de resistência do concreto