Moldura de aprendizado de máquina em conjunto empilhado otimizada por Pareto para prever a capacidade de carga de estacas cravadas a partir de dados de ensaios de carga estática

Por que fundações sólidas importam

Cada edifício, ponte ou turbina eólica depende, em última instância, do que se encontra abaixo dele. Ocultas sob a superfície, longas colunas de concreto chamadas estacas transferem o peso das estruturas até solo firme ou rocha. Se os engenheiros subestimarem quanto carga essas estacas podem suportar com segurança, o resultado pode ser recalque, fissuras ou até colapso. Se superestimarem, os projetos ficam desnecessariamente caros. Este estudo explora como o aprendizado de máquina moderno pode transformar testes rotineiros de campo em previsões muito mais precisas da resistência das estacas, ajudando a tornar a construção mais segura e econômica.

De regras simples a insights baseados em dados

Tradicionalmente, os engenheiros confiaram em fórmulas, experimentos em pequena escala e simulações numéricas para estimar a capacidade de carga de estacas cravadas. Esses métodos funcionam razoavelmente bem, mas têm dificuldade com a realidade complexa de solos em camadas, água subterrânea e efeitos de instalação. Um teste de campo conhecido como ensaio de carga estática é considerado o padrão-ouro: a estaca é carregada em etapas enquanto seu recalque é medido. Contudo, esse procedimento é lento, caro e difícil de repetir em muitos locais. Ao mesmo tempo, a prática geotécnica rotineiramente coleta dados simples de golpes de martelo do ensaio de penetração padrão (SPT), que fornece uma medida aproximada da resistência do solo com a profundidade. A ideia central deste artigo é usar aprendizado de máquina para vincular esses resultados amplamente disponíveis do SPT, juntamente com a geometria da estaca e detalhes do local, diretamente aos resultados de ensaios de carga de alta qualidade.

Construindo um motor de predição mais inteligente

Os autores compilaram um banco de dados com 472 ensaios de carga estática em estacas de concreto armado cravadas em uma província vietnamita com condições de solo variadas, mas documentadas de forma sistemática. Para cada ensaio, registraram o diâmetro da estaca, a espessura de várias camadas de solo, as cotas do terreno e da estaca, a profundidade até a ponta da estaca e as contagens médias do SPT ao longo do fuste e na ponta. Essas entradas capturam tanto o tamanho da estaca quanto a resistência do solo circundante, que em conjunto controlam quanta carga a estaca pode suportar. O objetivo foi treinar um modelo que, quando alimentado com essas entradas para um novo local, forneça uma estimativa confiável da capacidade de carga axial da estaca sem a necessidade de um ensaio de carga em escala real.

Combinando várias mentes em uma só

Em vez de confiar em um único algoritmo, o estudo usa um conjunto “empilhado”: três modelos diferentes de aprendizado de máquina—floresta aleatória (random forest), k-vizinhos mais próximos e extreme gradient boosting—são treinados em paralelo e suas previsões são então combinadas por um modelo de segundo nível. Esse meta-modelo é ajustado usando uma busca multiobjetivo inspirada por estratégias evolutivas, conhecida como otimização de Pareto. A otimização equilibra objetivos concorrentes: maximizar a precisão em dados não vistos enquanto evita overfitting. Por meio de testes repetidos e validação cruzada em cinco partes, a melhor combinação alcançou um coeficiente de determinação (uma medida de quão bem as previsões correspondem à realidade) de cerca de 0,95 no conjunto de teste, juntamente com redução substancial de erro em comparação com qualquer modelo isolado.

Vendo dentro da caixa-preta

Para tornar o sistema utilizável na prática, os engenheiros precisam entender o que impulsiona suas previsões. Os autores, portanto, utilizaram ferramentas modernas de interpretabilidade, em particular SHAP (Shapley Additive ExPlanations), análise de sensibilidade e varreduras simples de parâmetros. Esses recursos revelaram que o diâmetro da estaca é o fator isolado mais influente, com variações no diâmetro alterando fortemente a capacidade prevista. Propriedades do solo também têm papel fundamental: as contagens médias do SPT ao longo do fuste e na ponta surgem como contribuintes importantes, refletindo a relevância tanto do atrito lateral quanto da resistência de ponta. A espessura das camadas superiores do solo também importa, enquanto algumas variáveis relacionadas à cota têm impacto apenas menor. Quando as entradas do modelo são variadas de maneiras fisicamente significativas—por exemplo, aumentando o diâmetro da estaca ou posicionando a ponta em solo mais denso—as capacidades previstas respondem de acordo com princípios geotécnicos básicos, sugerindo que o modelo está aprendendo padrões sensatos em vez de espúrios.

Como isso ajuda projetos do mundo real

Ao combinar cuidadosamente várias abordagens de aprendizado de máquina e otimizá-las segundo múltiplos objetivos, este trabalho entrega uma ferramenta de previsão que é ao mesmo tempo precisa e interpretável. Para locais com geologia e práticas de ensaio semelhantes às do estudo, os engenheiros poderiam usar dados padrão do SPT e parâmetros de projeto para obter estimativas confiáveis da capacidade das estacas, reduzir o número de ensaios de carga dispendiosos e direcionar melhor as margens de segurança. Os autores alertam que seus dados provêm de uma única região e que efeitos de longo prazo e alguns detalhes de instalação não estão totalmente capturados, de modo que o julgamento profissional e a calibração local permanecem essenciais. Mesmo assim, a estrutura mostra como modelos orientados por dados, quando analisados com transparência, podem se tornar parceiros práticos no projeto de fundações em vez de caixas-pretas opacas.

Citação: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Palavras-chave: fundações por estacas, capacidade de carga, engenharia geotécnica, aprendizado de máquina, ensaio de carga estática