Método baseado em aprendizado de máquina para determinar parâmetros regionais do modelo HSS: estudo de caso em Qingdao, China

Por que escavações urbanas precisam de ferramentas mais inteligentes

Quando engenheiros escavam poços profundos para subsolos, estações de metrô ou garagens subterrâneas em cidades densamente povoadas, até alguns milímetros de movimento inesperado do solo podem rachar edifícios próximos ou danificar tubulações enterradas. Para manter pessoas e infraestrutura seguras, os engenheiros dependem de modelos computacionais que predizem como o solo se deformará durante a escavação. Este artigo demonstra como o aprendizado de máquina pode reduzir drasticamente o tempo e o custo necessários para calibrar um dos modelos de solo mais avançados para uma cidade costeira na China, ao mesmo tempo em que corresponde às medições reais com notável precisão.

Como os engenheiros normalmente estimam o movimento do solo

Em canteiros modernos é comum usar o método dos elementos finitos, uma técnica numérica que divide o terreno e as estruturas de suporte em muitos elementos pequenos e calcula como cada um se deforma quando as cargas mudam. Para funcionar bem, essa abordagem precisa de uma descrição realista do comportamento do solo, especialmente em poços profundos cercados por edifícios altos e utilidades subterrâneas. Uma opção amplamente respeitada é o modelo “hardening soil small‑strain” (HSS), que captura como a rigidez do solo muda com o histórico de tensões e com movimentos muito pequenos. Contudo, esse modelo requer muitos parâmetros de entrada, e alguns deles variam bastante de um lugar para outro. Tradicionalmente, esses parâmetros são obtidos por testes laboratoriais especializados em amostras de solo, que são dispendiosos e demorados. Como resultado, os modelos mais precisos costumam ser subutilizados em projetos do dia a dia.

Identificando quais números do solo realmente importam

Os autores primeiro vasculharam dados de ensaios publicados de várias cidades chinesas para entender quais parâmetros do modelo avançado de solo realmente controlam como uma escavação profunda se deforma. Eles compararam valores-chave de rigidez com uma grandeza mais familiar, o módulo de compressão, e analisaram essas razões para tipos comuns de solo, como aterro simples, silte argiloso e areia média‑fina. Duas medidas de rigidez relacionadas ao comportamento de compressão rotineiro mostraram razões próximas de um para um com o módulo de compressão e baixa sensibilidade ao movimento do poço. Em contraste, outras duas medidas de rigidez — uma ligada à recuperação elástica do solo quando as cargas são removidas e outra relacionada ao comportamento em deformações muito pequenas — variaram amplamente entre regiões e exerceram forte influência nas deslocamentos previstos. Essa percepção permitiu à equipe tratar alguns parâmetros como quase fixos, concentrando-se nas poucas quantidades que realmente governam a deformação local.

Ensinando uma rede neural a interpretar o comportamento do poço

Munidos desse conhecimento, os pesquisadores usaram uma escavação profunda em Qingdao como campo de treinamento. Os solos do local incluíam aterro simples, silte argiloso e areia média‑fina sobre granito intemperizado. Eles projetaram um conjunto sistemático de combinações de parâmetros para as duas rigidezes sensíveis em cada camada de solo e executaram uma série de simulações tridimensionais da escavação. Para cada combinação, registraram quanto as paredes de contenção se dobraram e quanto a superfície do solo assentou em pontos de monitoramento selecionados. Esses pares de entradas e saídas formaram um conjunto de dados para treinar uma rede neural de retropropagação, um modelo simples de aprendizado de máquina que aprende a ligar causas a efeitos. Após o treinamento, a rede pôde receber alguns movimentos medidos das paredes e da superfície do local real e inferir rapidamente quais parâmetros de rigidez do solo provavelmente os produziram.

Testando o método em obras reais

Para verificar se esse “detetive do solo” virtual era confiável, os autores aplicaram os valores de rigidez inferidos a dois projetos independentes de escavação profunda em Qingdao que usavam apoios por estacas e tirantes. Eles montaram modelos numéricos com os parâmetros obtidos e compararam as deflexões das paredes e os recalques superficiais previstos com os dados de monitoramento de campo coletados durante a construção. As diferenças foram impressionantemente pequenas: erros médios absolutos típicos ficaram abaixo de meio milímetro, e os erros quadráticos médios foram igualmente diminutos. Em outras palavras, as simulações reproduziram o comportamento observado dos poços com um nível de precisão mais que suficiente para verificações de segurança de engenharia e refinamento de projeto.

O que isso significa para construção subterrânea mais segura e barata

Para não especialistas, a mensagem principal é que o estudo mostra como uma quantidade modesta de monitoramento in situ, combinada com simulações bem projetadas e uma rede neural, pode substituir muitas etapas de testes laboratoriais caros. Ao isolar as poucas propriedades do solo que mais importam e permitir que o aprendizado de máquina as ajuste para coincidir com deformações reais, os engenheiros podem empregar modelos de terreno mais sofisticados sem esforço proibitivo. Para os solos típicos de Qingdao, os autores até fornecem razões prontas entre os parâmetros de rigidez sensíveis e medidas padrão de compressão, dando aos projetistas um atalho prático. Mais amplamente, a abordagem aponta para um futuro em que a construção subterrânea seja guiada por modelos localmente calibrados e orientados por dados, que melhorem as margens de segurança mantendo sob controle custos e prazos dos projetos.

Citação: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Palavras-chave: escavação profunda, modelagem de solos, aprendizado de máquina, redes neurais, deformação do solo