Modelagem das propriedades mecânicas do concreto com borracha usando programação por expressão genética (GEP) e random forest: um estudo comparativo

Transformando Pneus Velhos em Edifícios Mais Fortes e Mais Verdes

Cada ano, bilhões de pneus chegam ao fim da vida útil e muitas vezes acabam em aterros ou depósitos ilegais, onde representam riscos de incêndio e poluição. Ao mesmo tempo, a indústria da construção consome grandes quantidades de areia, brita e energia, contribuindo fortemente para as mudanças climáticas. Este estudo explora uma forma de enfrentar ambos os problemas ao mesmo tempo: moer pneus descartados e usar a borracha no concreto, e então empregar ferramentas computacionais avançadas para prever quão resistente será esse novo concreto "com borracha" sem precisar realizar testes de laboratório intermináveis.

Por que Misturar Borracha ao Concreto?

O concreto é a espinha dorsal da infraestrutura moderna, mas produzir seus componentes, especialmente cimento e agregados naturais, consome muita energia e esgota recursos naturais. Ao substituir parte da areia e da brita por pedaços de borracha de pneus descartados, os engenheiros podem reduzir a necessidade de materiais virgens e evitar que pneus sejam encaminhados a aterros. Partículas de borracha também podem conferir características úteis ao concreto: elas podem absorver choques, amortecer ruídos e melhorar a resistência ao desgaste e às variações de temperatura. No entanto, adicionar borracha geralmente enfraquece a capacidade do concreto de resistir a fissuras e tração. Medir exatamente quanto de resistência se perde ou se ganha a cada mudança na receita tradicionalmente exige muitos experimentos demorados e caros.

Deixando os Computadores Aprenderem com Experimentos Passados

Para evitar testar manualmente todas as misturas possíveis, os pesquisadores recorreram ao aprendizado de máquina—métodos computacionais que encontram padrões em dados. Eles reuniram 112 conjuntos de resultados experimentais de estudos ao redor do mundo, todos envolvendo concreto com borracha. Cada ponto de dados descrevia uma receita única, incluindo quantidades de agregados graúdos e miúdos, borracha em pedaços e em grânulos, aditivos químicos chamados superplastificantes, a relação água–cimento e a idade do concreto. Para cada receita, duas propriedades-chave foram registradas: resistência à flexão (quão bem uma viga resiste à curvatura) e resistência à tração por compressão diametral (quão bem resiste a ser puxado). Com esse banco de dados combinado, a equipe treinou lado a lado dois modelos diferentes de aprendizado de máquina para ver qual poderia prever melhor essas resistências.

Dois Jeitos Diferentes de o Computador "Pensar"

O primeiro método, programação por expressão genética, funciona um pouco como a evolução na natureza. Ele começa com muitas fórmulas matemáticas aleatórias e as aprimora gradualmente imitando mutação e recombinação, produzindo eventualmente equações legíveis que vinculam os ingredientes da mistura à resistência. O segundo método, random forest, constrói uma grande coleção de árvores de decisão—modelos simples baseados em regras—e deixa que elas "votem" na resistência prevista. Enquanto o random forest se comporta mais como uma caixa-preta, costuma ser muito preciso. Ambos os modelos foram cuidadosamente ajustados e avaliados usando estatísticas padrão que comparam as resistências previstas com os valores medidos em laboratório para misturas que os modelos nunca haviam visto antes.

O que os Modelos Aprenderam sobre o Concreto com Borracha

Ambas as abordagens capturaram o comportamento geral do concreto com borracha, mas o random forest foi mais preciso. Para dados de teste não vistos, ele reproduziu as resistências à flexão e à tração com valores de correlação próximos ao acordo perfeito, notavelmente melhor que a programação por expressão genética. Análises de erro mostraram que a maioria das previsões ficou dentro de uma margem modesta em relação aos valores reais, com apenas alguns outliers. Para abrir a caixa-preta, a equipe usou uma ferramenta chamada SHAP, que atribui a cada componente uma parcela de responsabilidade por cada previsão. Isso revelou que os agregados tradicionais e a relação água–cimento influenciam fortemente a resistência à flexão, enquanto a quantidade e o tipo de borracha, juntamente com o superplastificante e o teor de água, desempenham papéis-chave na resistência à tração. Em geral, mais borracha e mais água tendem a reduzir a resistência, enquanto agregados e aditivos bem equilibrados podem recuperar parte do desempenho.

O que Isso Significa para a Construção do Futuro

Para não especialistas, a principal conclusão é que podemos projetar realisticamente concretos mais verdes que reciclam pneus velhos sem ficar às cegas. O estudo mostra que modelos computacionais inteligentes, especialmente random forests, podem prever de forma confiável como mudanças na receita de concreto com borracha afetarão seu comportamento à fissuração e à flexão, usando apenas um punhado de entradas fáceis de medir. Isso significa que engenheiros podem reduzir testes caros de tentativa e erro, acelerar a adoção de materiais à base de resíduos e especificar misturas com mais confiança, equilibrando benefícios ambientais com segurança e durabilidade. A longo prazo, tais ferramentas poderiam ajudar a transformar montanhas de pneus descartados em pontes, pavimentos e edifícios seguros, reduzindo tanto os depósitos de lixo quanto a pegada de carbono da construção.

Citação: Sheraz, M., Talha, M., Alam, M. et al. Modeling mechanical properties of rubberized concrete using gene expression programming (GEP) and random forest: a comparative study. Sci Rep 16, 8714 (2026). https://doi.org/10.1038/s41598-026-40897-6

Palavras-chave: concreto com borracha, reciclagem de pneus descartados, aprendizado de máquina na construção, modelagem random forest, materiais sustentáveis