Avaliação da perda de resistência induzida termicamente em concreto ativado por álcalis por meio de modelos de regressão em ensemble

Por que o concreto quente importa

Quando um edifício enfrenta um incêndio grave, a resistência de seu concreto pode ser a diferença entre permanecer de pé ou desabar. Engenheiros estão agora recorrendo a um tipo mais sustentável de concreto, chamado concreto ativado por álcalis, que reutiliza resíduos industriais e resiste melhor ao calor do que o cimento tradicional. Mas testar cada receita possível em um forno é lento e caro. Este estudo mostra como ferramentas modernas orientadas por dados podem aprender com experimentos anteriores e prever rapidamente quanta resistência esse concreto mais ecológico manterá após exposição a temperaturas extremas.

Um tipo mais sustentável de concreto

O concreto ativado por álcalis substitui grande parte do cimento habitual por subprodutos industriais, como cinzas volantes de usinas termoelétricas, escória de alto-forno da siderurgia e até vidro reciclado moído finamente. Essa troca reduz as emissões de carbono e dá uma segunda vida a esses resíduos. Graças à sua estrutura interna de ligação em forma de gel, esse concreto frequentemente se comporta melhor quando aquecido. No entanto, seu comportamento em incêndio é altamente sensível aos detalhes: a mistura dos pós, os químicos usados para ativá-los, o tempo e a temperatura de cura do concreto e a temperatura máxima à qual ele é posteriormente exposto. Essa complexidade torna difícil prever, apenas a partir de princípios fundamentais, quanta resistência permanecerá após um incêndio.

Deixando os dados aprenderem os padrões

Os pesquisadores reuniram um conjunto detalhado de dados com 371 cubos de concreto feitos de cinza volante e escória, às vezes parcialmente substituídos por pó de vidro residual. A receita de cada cubo foi registrada, assim como como foi curada e a temperatura — entre condições ambientes típicas e 1000 °C — à qual foi aquecida antes do ensaio. Em vez de depender de equações simples, a equipe recorreu a cinco métodos de aprendizado supervisionado. Esses algoritmos buscam padrões que relacionem as entradas (proporções da mistura, temperatura e tempo de cura, e nível de aquecimento) à saída: a resistência à compressão remanescente do concreto.

Qual "previsor" digital funciona melhor

O estudo comparou uma árvore de decisão básica com métodos mais avançados de "ensemble" que combinam muitos modelos simples para obter uma previsão mais confiável. Entre eles estavam bagging, AdaBoost, random forest e uma técnica chamada Extreme Gradient Boosting. Os autores usaram validação cruzada cuidadosa, treinando os modelos com algumas dosagens e testando-os em dosagens inteiramente diferentes para imitar o uso no mundo real. Entre todos os concorrentes, o modelo de gradient boosting saiu na frente. Ele reproduziu os resultados de teste com um nível muito alto de concordância e o menor erro médio, seguido de perto pelo random forest. Em contraste, uma abordagem linear simples não conseguiu capturar a relação curva e não linear de como a resistência muda com a composição e a temperatura.

Descobrindo o que realmente importa na mistura

Além da precisão bruta, os pesquisadores quiseram saber quais ingredientes e etapas de processamento realmente impulsionam o desempenho sob calor. Eles examinaram correlações e usaram ferramentas de interpretabilidade que mostram quanto cada variável de entrada desloca as previsões do modelo. A temperatura de cura, a duração da cura e a concentração do ativador alcalino emergiram como fatores dominantes que controlam quanto da resistência o concreto mantém após o aquecimento. Variáveis como a quantidade de agregado graúdo ou pequenas mudanças no teor de água tiveram papel menor. A análise também refletiu processos físicos conhecidos: cura moderada ajuda a formar uma rede de ligação densa, mas calor excessivo ou teor elevado de álcalis pode tornar o material endurecido mais frágil e propenso a fissuras à medida que as temperaturas se aproximam de 1000 °C.

Do laboratório de testes à ferramenta de projeto

Em termos simples, este trabalho transforma um conjunto disperso de testes em forno em uma ajuda prática ao projeto. Os modelos em ensemble atuam como conselheiros rápidos e treinados que podem estimar como uma receita proposta de concreto verde se comportará em um incêndio severo, sem a necessidade de moldar e aquecer centenas de novas amostras. Ao destacar quais variáveis são mais importantes, eles também orientam engenheiros rumo a escolhas mais inteligentes na cura e na dosagem química. A abordagem não substitui testes cuidadosos ou códigos de construção, e ainda precisa ser ampliada para outros materiais e condições. Mas oferece um passo poderoso em direção ao projeto de estruturas de concreto mais seguras, mais resistentes ao fogo e mais sustentáveis usando muito menos experimentação por tentativa e erro.

Citação: Deepti, Y., Kumar, S., Bandyopadhyay, A. et al. Assessment of thermally induced strength loss in alkali-activated concrete through ensemble regression models. Sci Rep 16, 14475 (2026). https://doi.org/10.1038/s41598-026-44193-1

Palavras-chave: concreto ativado por álcalis, materiais resistentes ao fogo, aprendizado de máquina, resistência à compressão, construção sustentável