Avaliação automatizada da estabilidade de taludes usando o método de Morgenstern–Price modificado e integração com aprendizado de máquina

Por que taludes mais seguros importam

Deslizamentos e colapsos de encostas podem interditar rodovias, danificar minas e barragens e colocar comunidades próximas em risco. Engenheiros buscam prevenir esses desastres estimando quão próximo um talude está da ruptura, mas cálculos detalhados e simulações por computador podem ser lentos quando muitas condições possíveis de solo e terremoto precisam ser avaliadas. Este estudo apresenta um sistema automatizado que combina um método de engenharia consagrado com aprendizado de máquina moderno para que a segurança de taludes possa ser avaliada rápida e consistentemente em milhares de cenários.

Unindo o conhecimento clássico e novas ferramentas

Os autores se concentram no que engenheiros chamam de “fator de segurança”, um número único que compara as forças que tendem a provocar o escorregamento de um talude com as forças que o mantêm estável. Partem de uma técnica bem estabelecida conhecida como método de Morgenstern–Price, que divide uma encosta em muitas tiras verticais e equilibra as forças em cada tira, incluindo resistência do solo, peso do terreno, pressão da água e agitação sísmica. Por ser rigoroso e amplamente confiável, esse método serve de base física para o novo enquadramento. A equipe simplifica as equações apenas o suficiente para torná-las eficientes em grande escala, ao mesmo tempo em que considera efeitos importantes, como água no solo e componentes horizontais e verticais da ação sísmica.

Construindo um mundo virtual de taludes

Em vez de aguardar raras falhas do mundo real, os pesquisadores criaram um grande conjunto de dados sintéticos com cerca de 100.000 taludes “virtuais”. Cada caso varia ingredientes-chave: peso do solo, altura e inclinação do talude, coesão e atrito (que controlam a resistência ao cisalhamento), pressão de água e intensidade do terremoto, além de um fator que aproxima as forças entre tiras vizinhas. Para cada um desses taludes artificiais, o método de Morgenstern–Price simplificado calcula um fator de segurança. A equipe então limpa e prepara os dados, eliminando extremos irrealistas, normalizando faixas numéricas e dividindo a coleção em conjuntos de treinamento e teste. Essa preparação cuidadosa garante que os modelos de aprendizado de máquina vejam uma distribuição realista de taludes estáveis, limítrofes e instáveis e que as conclusões sejam estatisticamente sólidas, em vez de artefatos de dados ruidosos.

Deixando os dados revelar o que mais importa

Com os taludes sintéticos em mãos, os autores investigam quais propriedades controlam mais fortemente a estabilidade. Usando medidas de importância de variáveis de modelos de aprendizado de máquina baseados em árvores, realizam uma análise de sensibilidade global. Os resultados alinham-se à intuição de engenharia: a inclinação do talude é, de longe, o fator dominante, seguida pela altura e pela resistência coesiva do solo. O ângulo de atrito e a pressão da água também importam, especialmente em condições úmidas ou saturadas, enquanto a componente vertical da agitação sísmica tem um efeito perceptível, porém menor, na faixa testada. Outras entradas, como o peso específico do solo e o fator de escala que representa interações entre tiras, têm influência relativamente menor dentro dos limites escolhidos. Essas descobertas oferecem orientação prática: projetistas devem concentrar esforços em medir e controlar a geometria e a resistência ao cisalhamento do talude e em gerir a água, que reduz a margem de segurança.

Treinando máquinas para imitar a física

Em seguida, nove diferentes algoritmos de aprendizado de máquina são treinados para prever diretamente o fator de segurança a partir das entradas do talude, usando os cálculos baseados na física como sinal de ensino. Entre eles estão redes neurais, árvores de decisão, florestas aleatórias e vários métodos modernos de “boosting” que combinam muitos modelos simples em um conjunto poderoso. Todos os modelos passam por ajuste sistemático e validação cruzada com múltiplas métricas de desempenho para evitar sobreajuste. Muitos têm desempenho muito bom, mas um algoritmo, o CatBoost, se destaca: em dados de teste não vistos ele reproduz o fator de segurança com precisão quase perfeita, além de se mostrar mais estável que modelos de árvore mais simples, que tendem a memorizar o conjunto de treinamento.

Um auxiliar automatizado, não uma bola de cristal

Por fim, os autores reúnem todo o processo — desde a geração de taludes sintéticos e a execução dos cálculos de Morgenstern–Price até o treinamento, avaliação e seleção do melhor modelo de aprendizado de máquina — em um pipeline reutilizável baseado em Python. Essa estrutura automatizada pode estimar muito rapidamente a segurança de taludes em vastas combinações de solo, geometria, água e condições sísmicas, tornando-a atraente para triagem de projetos, exploração de cenários “e se” ou apoio a ferramentas de decisão em tempo real. No entanto, o sistema é tão geral quanto as suposições que o fundamentam: os taludes são tratados como bidimensionais e formados por solo homogêneo, e o aprendizado de máquina aprende a imitar o método de Morgenstern–Price, não a prever diretamente o desempenho real de campo. Os autores, portanto, veem seu trabalho como uma ferramenta de apoio à decisão rápida e escalável que complementa, em vez de substituir, simulações numéricas detalhadas e investigações específicas de local.

Citação: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Palavras-chave: estabilidade de taludes, risco de deslizamento, engenharia geotécnica, aprendizado de máquina, perigos sísmicos