Uma abordagem híbrida de aprendizado de máquina para prever a resistência à flexão do concreto reforçado com fibras de alumínio provenientes de resíduos

Transformando metal descartado em concreto mais resistente

Cada ano, indústrias e domicílios geram montanhas de sucata de alumínio vindas de latas, fios e aparas de usinagem. Grande parte desse resíduo é difícil de descartar com segurança, embora o alumínio seja leve, resistente e durável. Este estudo investiga uma pergunta simples com grande impacto: podemos transformar essa sucata problemática em fibras minúsculas que tornam o concreto mais ecológico e melhor na resistência à flexão e à fissuração, usando modelos computacionais inteligentes para prever quão resistente será o novo material?

Por que a resistência à flexão importa

O concreto é excelente em suportar cargas compressivas, mas é bem mais fraco quando submetido à flexão. Estradas, pisos, lajes de pontes e pistas de pouso frequentemente falham primeiro por flexão e fissuração, e não por esmagamento puro. Adicionar fibras é uma forma de ajudar o concreto a alongar-se e manter a coesão quando começa a rachar. Os pesquisadores deste trabalho focaram em fibras de alumínio provenientes de latas de bebida usadas e outras sucatas. Eles misturaram essas fibras ao concreto em diferentes proporções entre 1% e 5% do volume e testaram como pequenas vigas resistiam à flexão. Encontraram um ponto ideal claro: em torno de 3% de fibras, as vigas suportaram a maior carga de flexão e exibiram fissuras mais controladas; além desse nível, o excesso de fibras passou a prejudicar, formando aglomerados e reduzindo a trabalhabilidade do concreto fresco.

Construindo uma forma mais inteligente de prever a resistência

Projetar concreto com fibras recicladas não é apenas uma questão de escolher uma porcentagem ao acaso. Muitos ingredientes — cimento, água, areia, brita, pós especiais, tempo de cura e teor de fibras — interagem de formas complexas. Para avançar além do método tentativa-e-erro, a equipe reuniu um conjunto de dados com 195 resultados de ensaios de suas próprias experiências e de estudos anteriores, todos envolvendo fibras de alumínio de resíduos. Em seguida, treinaram três tipos diferentes de modelos de aprendizado de máquina para prever a resistência à flexão a partir de oito variáveis básicas de mistura e cura: uma Random Forest (muitas árvores de decisão em média), um modelo Extreme Gradient Boosting e uma Rede Neural Artificial inspirada na conexão entre células cerebrais. Cada modelo captura padrões distintos nos dados.

Combinando modelos e abrindo a caixa-preta

Em vez de escolher um único modelo “melhor”, os pesquisadores os empilharam. Nessa abordagem híbrida, os três modelos fazem suas próprias previsões, e uma camada final de combinação aprende a ponderá-las para obter a resposta mais precisa. Esse sistema empilhado previu a resistência à flexão com precisão muito alta: explicou mais de 99% da variação nos dados de treinamento e cerca de 96% em testes novos e não vistos. Para garantir que o sistema não fosse apenas uma caixa-preta misteriosa, recorreram a uma ferramenta de explicação chamada SHAP. Esse método atribui a cada entrada — como idade de cura ou teor de brita — uma parcela de responsabilidade pela resistência prevista. A análise mostrou que a idade de cura e os teores de agregados foram especialmente importantes, enquanto a porcentagem de fibras de alumínio, embora benéfica, teve um papel geral menor que o esqueleto sólido de areia e brita que suporta as cargas no interior do concreto.

O que mais importa na composição da mistura

Ao aprofundar os resultados das explicações, o estudo constatou que tempos de cura mais longos consistentemente aumentam a resistência à flexão, confirmando o valor de curas lentas e úmidas em projetos reais. Agregados grossos e finos juntos surgiram como peças-chave: suas quantidades e o equilíbrio de tamanho controlam como as fissuras se iniciam e se propagam sob flexão. Água e cimento tiveram um efeito mais nuanciado — água em excesso enfraquece a ligação entre a pasta e os agregados, enquanto excesso de cimento pode tornar o material mais frágil. As fibras de alumínio de resíduos ajudaram ao conectar fissuras e melhorar a capacidade do concreto de suportar tração, mas apenas até cerca de 3% em volume; acima disso, a mistura ficou mais difícil de lançar e menos uniforme, compensando os ganhos da reforço adicional. As orientações do modelo foram traduzidas em recomendações práticas de faixas para agregados, cimento, água e teor de fibras que os engenheiros podem mirar ao projetar traços.

Do insight de laboratório a estruturas mais verdes

Para um leitor geral, a mensagem principal é direta: é possível transformar alumínio descartado em um ingrediente útil que ajuda o concreto a resistir à flexão, desviando resíduos de aterros e reduzindo a necessidade de novas fibras de aço. Ao combinar experimentos cuidadosos com um sistema de aprendizado multimodelo e transparente, os pesquisadores criaram uma espécie de “calculadora” que pode prever quão resistente será um traço de concreto com fibras de resíduos e explicar por quê. Seus resultados sugerem que uma mistura bem projetada com cerca de 3% de fibras de alumínio de resíduos pode melhorar a resistência à flexão, reduzir custos de material e diminuir o impacto ambiental. Se for ampliada e refinada com mais dados, essa abordagem pode ajudar engenheiros a empregar sucata industrial com confiança em infraestrutura cotidiana, tornando pontes, pavimentos e pisos mais resistentes e sustentáveis.

Citação: Boursas, F., Boufarh, R., Altowaijri, Y. et al. A hybrid machine learning approach for predicting the flexural strength of concrete reinforced with waste aluminium fibres. Sci Rep 16, 10763 (2026). https://doi.org/10.1038/s41598-026-41961-x

Palavras-chave: fibras de alumínio de resíduos, resistência à flexão, concreto sustentável, modelos de aprendizado de máquina, materiais de construção reciclados