Previsão da resistência à compressão do concreto usando aprendizado profundo otimizado e grandes modelos de linguagem

Por que isso importa para edifícios mais seguros e mais verdes

O concreto sustenta nossas casas, pontes e túneis, mas testar sua resistência geralmente significa esperar semanas por resultados de laboratório. Este estudo explora como a inteligência artificial avançada pode prever a resistência do concreto de forma rápida e precisa apenas a partir da sua receita. Previsões mais rápidas e confiáveis podem ajudar engenheiros a projetar estruturas mais seguras, reduzir testes empíricos e desperdício no laboratório e facilitar o uso de ingredientes de baixo carbono, como subprodutos industriais.

De dados de laboratório inconsistentes a ingredientes digitais limpos

Os pesquisadores começam com um grande conjunto de dados públicos de traços de concreto. Cada registro lista quanto cimento, escória, cinza volante, água, aditivos químicos, areia, brita e tempo de cura foram usados, junto com a resistência final medida. Dados do mundo real desse tipo costumam ser inconsistentes: medições podem estar faltando, unidades podem variar e valores atípicos estranhos podem aparecer. Para enfrentar isso, a equipe usa grandes modelos de linguagem — sistemas de IA de uso geral normalmente aplicados a texto — para ajudar a limpar e reestruturar os dados. Esses modelos orientam tarefas como checagem de faixas, reconciliação de nomes e unidades, criação de quantidades derivadas significativas como relação água/aglutinante e tratamento de outliers. O objetivo é transformar uma planilha ruidosa em uma descrição coerente e consciente da física de cada traço que os algoritmos de aprendizado possam digerir.

Ensinando uma rede a ver mistura e tempo

A resistência do concreto não depende apenas do que vai na betoneira; também depende de como a resistência cresce ao longo de dias e semanas enquanto o material cura. Muitas ferramentas de previsão anteriores focavam ou nos ingredientes ou nas tendências temporais, raramente em ambos ao mesmo tempo. Este trabalho usa uma rede convolucional gráfica espaço-temporal, um tipo de modelo que trata cada ingrediente (como cimento, água, escória ou aditivos) como um nó numa rede, com conexões que refletem quão fortemente eles interagem. Ao mesmo tempo, observa ao longo do eixo do tempo para aprender como essas combinações ganham resistência com a idade. Na prática, o modelo aprende padrões como “alto teor de cimento e pouca água geralmente leva a resistência mais rápida e maior”, ao mesmo tempo em que captura papéis mais sutis da escória, cinza e agentes químicos em diferentes períodos de cura.

Deixando um otimizador “semelhante ao humano” ajustar a IA

Mesmo redes neurais poderosas podem ter desempenho ruim se suas configurações internas — como taxa de aprendizado, número de camadas ou tamanhos de filtro — forem escolhidas de forma inadequada. Em vez de ajustar isso manualmente, os autores usam um novo método de otimização chamado Algoritmo de Otimização iHow. Inspirado em como as pessoas aprendem, ele alterna entre exploração ampla de muitas configurações possíveis e refinamento focado das mais promissoras, mantendo uma espécie de memória interna do que funcionou até então. Esse otimizador busca no espaço de desenhos de rede e parâmetros de treinamento para o modelo baseado em grafos, visando minimizar erros de previsão enquanto evita overfitting. A mesma família de ideias de otimização também é usada para seleção de características, aparando a lista de entradas para as quantidades mais informativas e mantendo o modelo compacto e interpretável.

Quão bem isso funciona em comparação com outras ferramentas de IA?

A equipe realiza comparações extensas contra uma ampla gama de alternativas: redes profundas padrão, transformers no estilo visão, autoencoders variacionais, redes informadas pela física e vários otimizadores metaheurísticos diferentes, como enxame de partículas e algoritmos genéticos. Também testam quatro pipelines de pré-processamento distintos conduzidos por diferentes modelos de linguagem, mostrando que uma melhor limpeza e criação de características melhora perceptivelmente a precisão posterior. Em todos esses testes, a combinação da otimização iHow com a rede gráfica espaço-temporal proporciona os menores erros de previsão e a maior concordância com as resistências medidas. Verificações estatísticas, incluindo análise de variância e testes de postos não paramétricos, confirmam que essas melhorias provavelmente não se devem ao acaso.

O que isso significa para a prática futura da construção

Em termos simples, o estudo mostra que um modelo de IA bem ajustado, baseado em grafos e alimentado por dados bem limpos, pode prever a resistência do concreto de forma muito mais confiável do que abordagens anteriores. Ele captura como ingredientes e tempo de cura interagem, e usa um otimizador de “aprender a aprender” para se ajustar finamente. Embora os autores ressaltem que o método ainda precisa ser testado em conjuntos de dados mais diversos e do mundo real antes de ser incorporado a códigos de construção ou sistemas de controle de usinas, já aponta para um futuro em que engenheiros possam explorar no computador traços mais sustentáveis, com confiança de que as resistências previstas irão corresponder de perto ao que será observado depois no laboratório ou no canteiro.

Citação: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Palavras-chave: previsão da resistência do concreto, aprendizado profundo na construção, redes neurais gráficas, algoritmos de otimização, materiais de concreto sustentáveis