Melhorando a previsão da capacidade de apoio por ponta de estacas engastadas em rocha usando modelos otimizados de Extreme Gradient Boosting aumentados por Gaussiana

Construindo sobre rocha em vez de chutes

Quando engenheiros projetam pontes e edifícios altos, frequentemente recorrem a fundações profundas que se estendem até a rocha sólida. A resistência dessas “estacas engastadas em rocha” é crucial para a segurança e o custo, porém a capacidade real na base é difícil de medir diretamente. Este estudo mostra como ferramentas modernas de aprendizado de máquina, combinadas com truques inteligentes de geração de dados, podem fornecer estimativas muito mais precisas de quanto carregamento essas fundações profundas podem suportar com segurança — potencialmente economizando dinheiro na construção sem comprometer a segurança das estruturas.

Por que é tão difícil avaliar fundações profundas

Estacas engastadas em rocha são grandes colunas de concreto perfuradas através de solos mais fracos e ancoradas em rocha mais resistente. Em teoria, quanto mais dura a rocha e melhor a construção, maior será a carga que a estaca pode suportar na ponta. Na prática, as coisas são complicadas: lama e polpa podem se acumular no fundo do furo, a rugosidade e a forma do engaste variam, e cavidades ou trincas ocultas na rocha são difíceis de detectar. Por causa dessas incertezas, os projetistas frequentemente adotam uma postura conservadora assumindo pouco ou nenhum suporte da ponta da estaca, o que leva a fundações mais longas e caras do que o necessário.

De fórmulas simples a previsões mais inteligentes

Os métodos anteriores para estimar a capacidade da estaca baseavam‑se em equações simplificadas ou em modelos computacionais tradicionais. Esses métodos costumam focar em poucas propriedades — como a resistência à compressão da rocha — e tratam a massa rochosa de forma idealizada. Nos últimos anos, pesquisadores passaram a usar técnicas de inteligência artificial para aprender diretamente com bancos de dados de ensaios de carregamento, em que estacas foram empurradas até que seu comportamento fosse bem caracterizado. Essas abordagens conseguem processar muitos fatores ao mesmo tempo, incluindo diâmetro da estaca, profundidades no solo e na rocha e medidas de qualidade da rocha, mas também funcionam como “caixas‑pretas” que podem ajustar demais o modelo quando os dados são limitados.

Alimentando o algoritmo com dados reais e sintéticos

Os autores partiram de um conjunto publicado de 151 ensaios de estacas engastadas em rocha que registravam o fator de apoio por ponta (uma medida de quanto carregamento a ponta pode suportar) junto com oito características descritivas. Após uma limpeza cuidadosa dos dados para remover valores discrepantes e lacunas, mantiveram 136 estacas reais. Para superar o pequeno tamanho amostral — um problema comum na engenharia geotécnica — eles então criaram dados “sintéticos” adicionais adicionando ruído Gaussiano suave e aleatório aos registros existentes. Isso produziu um conjunto maior e estatisticamente consistente de 460 estacas que preservou os padrões originais oferecendo mais variedade para treinar os modelos de aprendizado de máquina.

Treinando e ajustando as máquinas de aprendizado

A equipe concentrou‑se em um algoritmo chamado Extreme Gradient Boosting, ou XGBoost, que combina muitas árvores de decisão simples em um preditor poderoso. Para extrair o melhor desempenho do XGBoost, eles o associaram a três esquemas de otimização inspirados na natureza, baseados em regras aritméticas, comportamento de brainstorming e estratégias de caça de baleias. Esses otimizadores ajustaram automaticamente configurações-chave — como profundidade das árvores e taxa de aprendizado — para encontrar um equilíbrio entre ajustar os dados conhecidos e evitar o sobreajuste. Entre as variantes, o modelo XGBoost sintonizado pelo Arithmetic Optimization Algorithm (XGBoost_AOA) se destacou como o mais preciso e estável.

O que os modelos aprenderam sobre rocha e estacas

Usando apenas as 136 estacas originais, o modelo otimizado já superou métodos anteriores. Quando treinado no conjunto expandido de 460 estacas, sua precisão melhorou dramaticamente: os erros de previsão reduziram‑se para uma fração do tamanho anterior, e a correspondência entre capacidades previstas e observadas aproximou‑se muito de uma linha ideal um‑a‑um. A análise também revelou quais entradas eram mais importantes. A resistência à compressão da rocha e uma classificação da massa rochosa foram os preditores dominantes, enquanto o diâmetro da estaca e o nível geral de carregamento também tiveram papéis relevantes. Medidas intimamente relacionadas entre si, como duas diferentes pontuações de qualidade da rocha, mostraram‑se altamente redundantes, destacando como informações sobrepostas podem incentivar o sobreajuste se não forem tratadas com cuidado.

Do código de pesquisa a uma ferramenta prática

Para tornar os resultados utilizáveis fora do laboratório, os autores empacotaram seu modelo de melhor desempenho em uma interface de computador fácil de usar. Engenheiros podem inserir parâmetros básicos da estaca e da rocha e receber uma estimativa imediata da capacidade da ponta, junto com evidências de que o modelo foi verificado contra históricos de caso independentes. Embora a abordagem ainda dependa da qualidade e do alcance dos dados subjacentes, ela demonstra como combinar aprendizado de máquina, geração de dados sintéticos e ferramentas de interpretabilidade pode transformar resultados de ensaios dispersos em uma ajuda prática de projeto — reduzindo o palpite, aparando conservadorismos desnecessários e projetando fundações mais seguras e econômicas.

Citação: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Palavras-chave: estacas engastadas em rocha, fundações profundas, aprendizado de máquina, aumento de dados, engenharia geotécnica