Abordagem híbrida gerativa–ensemble para prever propriedades de resistência do concreto com agregados reciclados

Por que esta pesquisa importa para o ambiente construído

O concreto está por toda parte na vida moderna, mas produzi‑lo consome enormes quantidades de areia, pedra e cimento e emite dióxido de carbono para a atmosfera. Uma via promissora para reduzir esse impacto é reutilizar concreto demolido de estruturas antigas como material de construção. O problema é que o concreto feito com peças recicladas nem sempre se comporta da mesma forma que o concreto feito com agregados virgens. Este estudo mostra como ferramentas de dados modernas podem ajudar engenheiros a prever a resistência de tais misturas mais ecológicas antes mesmo de moldar um único corpo de prova.

Transformando entulho em recurso

Obras e demolições geram montes de resíduos de concreto a cada ano. Em vez de enviar esse entulho para aterros, ele pode ser britado e reutilizado como agregado, o esqueleto parecido com cascalho dentro do novo concreto. Substituir areia e pedra naturais por fragmentos reciclados ajuda a poupar recursos naturais em declínio e reduz a pegada ambiental dos projetos de construção. Contudo, as partículas recicladas frequentemente carregam cimento antigo na superfície, têm mais porosidade e formam zonas de contato mais fracas dentro da nova mistura. Essas características podem reduzir a carga que o concreto suporta com segurança, o que leva os projetistas a ser cautelosos quanto ao uso de altos teores de material reciclado.

Aprendendo com misturas passadas

Para enfrentar esse desafio, os pesquisadores reuniram dados de 112 receitas diferentes de concreto que usaram agregados naturais e reciclados. Para cada mistura registraram quanto de água, cimento, areia, brita e material reciclado ela continha, junto com quatro resultados-chave: resistência à compressão, resistência à tração por compressão diametral, resistência à flexão e rigidez. Como 112 exemplos é um volume modesto para treinar modelos de dados poderosos, a equipe primeiro usou uma ferramenta gerativa, um autoencoder variacional condicional, para criar milhares de misturas sintéticas adicionais que imitam os padrões das reais. Esse passo ajudou os modelos a ver uma variedade mais ampla de combinações realistas, mantendo verificação contra resultados experimentais reais.

Testando uma caixa de ferramentas de modelos de dados

A equipe então comparou sete abordagens diferentes de aprendizado de máquina para prever cada uma das quatro propriedades de resistência a partir dos ingredientes da mistura. Algumas eram modelos lineares simples, que assumem relações em linha reta, enquanto outras eram métodos mais flexíveis baseados em árvores e máquinas de vetor de suporte capazes de capturar reviravoltas nos dados. Eles treinaram e validaram esses modelos usando validação cruzada cuidadosa para que cada previsão avaliada fosse feita com dados que o modelo não havia visto antes, e reservaram um conjunto de teste oculto separado de misturas reais para a pontuação final. Gradient boosting e regressão por máquinas de vetor de suporte se destacaram claramente, fornecendo previsões altamente precisas e estáveis para todas as quatro propriedades e superando tanto ajustes lineares básicos quanto equações padrão de códigos de construção, especialmente quando o conteúdo reciclado era alto.

Espiando dentro da caixa-preta

Modelos de dados poderosos só são úteis para engenheiros se puderem ser confiáveis e compreendidos. Para abrir a caixa-preta, os autores usaram uma técnica chamada atribuição de características, que mede quanto cada ingrediente da mistura empurra uma previsão para cima ou para baixo. Eles descobriram que o lado do aglomerante da receita, isto é, a relação água‑cimento e a quantidade de cimento, é o principal motor da resistência à compressão, tração e flexão. Em contraste, a rigidez é governada principalmente pelos próprios agregados, com partículas finas recicladas desempenhando um papel particularmente forte. Maior teor de finos reciclados tende a tornar o concreto mais flexível porque esses grãos são menos rígidos e carregam argamassa antiga e mais fraca. Esses padrões coincidem com observações laboratoriais de longa data, dando confiança de que o modelo está aprendendo comportamento físico real em vez de ruído.

De previsões inteligentes a um projeto mais inteligente

Em termos simples, este trabalho mostra que ferramentas orientadas por dados podem ajudar engenheiros a triagem rápida de misturas de concreto mais ecológicas que incluem entulho reciclado, mantendo ainda requisitos de segurança e desempenho. O estudo demonstra que certos algoritmos modernos podem prever com alta precisão quão forte e rígida será uma mistura proposta e pode destacar quais alterações em água, cimento ou conteúdo de agregado importam mais. Embora os resultados atuais sejam limitados ao intervalo de misturas presentes nos estudos subjacentes, o mesmo fluxo de trabalho pode ser expandido à medida que mais dados se tornem disponíveis. Isso abre caminho para auxílios de projeto práticos que guiem construtores a escolhas de concreto mais sustentáveis sem sacrificar a confiabilidade estrutural.

Citação: Awoyera, P.O., Simwanda, L., Vasić, M.V. et al. Hybrid generative–ensemble approach for predicting recycled aggregate concrete strength properties. Sci Rep 16, 15205 (2026). https://doi.org/10.1038/s41598-026-42598-6

Palavras-chave: concreto reciclado, aprendizado de máquina, resistência de materiais, construção sustentável, projeto orientado por dados