Um modelo IGWO-MKRVM interpretável para prever a espessura da zona danificada por escavação em galerias

Por que túneis mais seguros importam

Sempre que engenheiros escavam um túnel através da rocha, a escavação perturba o solo circundante. Forma-se um anel de rocha fissurada e enfraquecida ao redor da abertura, conhecido como zona danificada por escavação. Se esse anel danificado se tornar muito espesso, as paredes do túnel podem deformar-se ou até colapsar, ameaçando mineiros, infraestruturas e comunidades próximas. O artigo resumido aqui apresenta uma nova forma de prever quão espessa essa zona danificada será em diferentes condições geológicas, usando uma combinação de aprendizado de máquina moderno e interpretabilidade cuidadosa para que os engenheiros compreendam não apenas as respostas, mas também as razões por trás delas.

O anel oculto de rocha enfraquecida

Galerias e túneis subterrâneos são rodeados por rocha que foi comprimida e fraturada pela escavação. Essa camada afetada, a espessura da zona danificada por escavação, controla diretamente quanto suporte é necessário para manter o túnel seguro. Mas a espessura depende de vários fatores interativos: quão resistente é a rocha, quão fragmentada está por juntas e fissuras, a profundidade em relação à superfície e a largura do vão do túnel. Essas influências são fortemente não lineares e variam de local para local, de modo que fórmulas simples ou mesmo simulações avançadas frequentemente não conseguem fornecer previsões precisas e amplamente aplicáveis. Ensaios de campo tradicionais, como radar de penetração no solo e levantamentos acústicos, podem medir a zona danificada, mas são caros e difíceis de realizar rotineiramente.

Usando algoritmos inteligentes para ler a rocha

Para enfrentar esse desafio, os autores coletaram 209 medições reais de espessura da zona danificada de diferentes tipos de minas, incluindo operações de carvão, ouro, fosfato e chumbo. Para cada caso eles registraram quatro entradas principais: resistência da massa rochosa, um índice de juntas que descreve quão fraturada está a rocha em blocos, a profundidade do túnel e o vão do túnel. Em seguida construíram um modelo preditivo que combina um mecanismo poderoso de reconhecimento de padrões, chamado máquina de vetores de relevância multi-núcleo, com um método de otimização aprimorado inspirado no comportamento de caça dos lobos-cinzentos. A etapa de otimização ajusta as configurações internas do modelo para que ele possa melhor captar as relações complexas nos dados, mantendo-se eficiente para conjuntos de dados de engenharia pequenos.

Como o modelo híbrido melhora as previsões

O cerne da abordagem está em usar várias “lentes” matemáticas simples, ou núcleos, ao mesmo tempo para capturar tanto tendências amplas quanto variações locais finas na resposta da rocha. O modelo combina núcleos linear, radial e laplaciano para lidar com mudanças suaves, saltos bruscos e medições ruidosas simultaneamente. O otimizador de lobo-cinzento aprimorado melhora isso ao explorar o espaço de possíveis ajustes de parâmetros de forma mais completa. Ele usa pontos de partida aleatórios cuidadosamente projetados, uma maneira não linear de passar de uma busca ampla para um ajuste fino, e uma estratégia que propõe soluções candidatas opostas para evitar ficar preso em escolhas locais pobres. Testes em problemas de referência padrão mostram que esse otimizador aprimorado converge mais rápido e de forma mais confiável do que vários outros algoritmos modernos de enxame e evolucionários.

Superando ferramentas de previsão existentes

Quando aplicado ao conjunto de dados de túneis, o modelo integrado IGWO–MKRVM entregou previsões muito precisas. Em casos de teste não vistos, alcançou um coeficiente de determinação acima de 0,95 e medidas de erro muito baixas, o que significa que a espessura prevista da zona danificada correspondia de perto às medidas de campo. Os autores o compararam com uma série de ferramentas estabelecidas, incluindo redes neurais clássicas, regressão por processo gaussiano, híbridos baseados em máquinas de vetores de suporte e uma floresta aleatória ajustada. Em todos os casos, o novo modelo apresentou erros menores e desempenho mais estável, demonstrando tanto forte capacidade de ajuste quanto generalização robusta para novas condições geológicas.

Abrindo a caixa-preta do aprendizado de máquina

Como os engenheiros precisam justificar decisões de segurança, os autores também se concentraram em tornar o modelo interpretável. Eles usaram um framework moderno de explicação chamado SHAP, que trata cada entrada como um “jogador” em um jogo cooperativo e calcula quanto ela contribui para cada previsão. Essa análise revelou que o índice de juntas e a profundidade do túnel são os principais impulsionadores da espessura da zona danificada: rochas altamente fraturadas e túneis mais profundos tendem a produzir anéis danificados muito mais espessos. O vão do túnel e a resistência da rocha também importam, mas em menor grau—vãos maiores aumentam o dano, enquanto rochas mais resistentes tendem a contê‑lo. O método ainda revela como esses fatores interagem, por exemplo mostrando que túneis profundos em rochas fracas e altamente fraturadas são especialmente vulneráveis.

O que isso significa para a segurança subterrânea

Em termos práticos, o estudo oferece aos engenheiros uma calculadora mais inteligente para prever até onde o dano se estenderá na rocha ao redor de um túnel, e uma explicação clara de quais condições agravam esse dano. Ao combinar um mecanismo de aprendizado cuidadosamente ajustado com análise transparente da importância das variáveis, o método não apenas supera modelos existentes, mas também constrói confiança em suas recomendações. Isso pode ajudar projetistas a escolher formas de túnel, sistemas de suporte e estratégias de escavação mais seguras, adaptadas à geologia local, reduzindo em última instância o risco de desabamentos e queda de blocos em obras subterrâneas.

Citação: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Palavras-chave: estabilidade de túneis, mecânica das rochas, aprendizado de máquina, mineração subterrânea, segurança geotécnica