Desenvolvendo uma função de perda customizada para regular subestimação e superestimação das previsões das propriedades mecânicas do concreto em modelos de rede neural

Por que previsões mais seguras do concreto importam

A maior parte de edifícios e pontes modernos depende do concreto, e engenheiros usam cada vez mais inteligência artificial para prever quão resistente esse concreto será. Mas enquanto redes neurais padrão tentam ser igualmente precisas em todas as direções, estruturas reais são mais seguras quando as previsões são um pouco cautelosas ao invés de excessivamente otimistas. Este estudo apresenta uma nova forma de treinar redes neurais para que tenham menos probabilidade de superestimar a resistência do concreto, ajudando engenheiros a manter uma margem de segurança confortável sem abrir mão do potencial da IA.

Equilibrando segurança e algoritmos inteligentes

Na prática da engenharia civil, normas de projeto são escritas de forma conservadora para que estruturas permaneçam seguras mesmo quando os materiais variam ou a execução não é perfeita. Subestimar a resistência do concreto geralmente significa segurança adicional, enquanto superestimar pode corroer silenciosamente as margens de segurança. Métodos tradicionais de treinamento de redes neurais não distinguem entre esses dois resultados; eles simplesmente tentam reduzir o tamanho global dos erros. Os autores argumentam que isso conflita com a forma como engenheiros realmente pensam sobre risco e propõem incorporar essa preferência por segurança diretamente no processo de aprendizado.

Uma função de perda que prefere cautela

O cerne do estudo é uma função de perda customizada, uma regra que diz a uma rede neural quão grave é cada erro durante o treinamento. Em vez de tratar todos os erros da mesma forma, a fórmula proposta aplica penalidades mais pesadas quando o modelo prevê uma resistência maior que o valor real e penalidades mais leves quando prevê uma resistência menor. Um par de parâmetros de controle governa esse desequilíbrio, permitindo ajustar o modelo na direção de subestimações mais seguras. A perda também é normalizada para operar de forma consistente entre diferentes conjuntos de dados e escalas, e é combinada com uma configuração padrão de rede neural usando ferramentas populares como TensorFlow ou PyTorch.

Testando a ideia no concreto borrachizado

Para verificar como essa regra de treinamento cautelosa se comporta na prática, os autores focam no concreto borrachizado, um material onde parte da pedra é substituída por pedaços de borracha residual. Usando um conjunto de dados experimentais, eles treinam várias redes neurais com a mesma arquitetura, mas funções de perda diferentes, incluindo escolhas comuns como erro quadrático médio e erro absoluto médio. Em seguida comparam quão bem cada modelo prevê duas propriedades mecânicas chave: resistência à compressão, que indica a carga que o concreto pode suportar, e módulo de elasticidade, que descreve quão rígido ele é sob carregamento.

Como o aprendizado conservador altera as previsões

Os modelos treinados com a função de perda customizada alcançam praticamente a mesma precisão geral que aqueles usando perdas tradicionais, com níveis de erro de cerca de seis por cento na maioria dos casos. A diferença crucial está em com que frequência eles superestimam a resistência real. Para funções de perda padrão, entre um quarto e quase todas as previsões em alguns testes são superestimações. Quando a perda customizada é ajustada adequadamente, essa razão de superestimação cai drasticamente, para cerca de um por cento na resistência à compressão e abaixo de dez por cento na rigidez, ao mesmo tempo em que o ajuste aos dados permanece muito bom. Gráficos de valores previstos versus medidos mostram os pontos do novo modelo se agrupando logo abaixo da linha de igualdade ideal, refletindo um viés deliberado e moderado para subestimação.

O que isso significa para estruturas reais

Por si só, um modelo de previsão cauteloso não pode garantir um edifício seguro; projetistas ainda precisam seguir códigos, considerar armaduras, carregamentos e geometria, e verificar o comportamento de elementos e do sistema. Mas ao direcionar redes neurais para longe de superestimações não conservadoras ao nível do material, essa nova função de perda ajuda a assegurar que previsões baseadas em IA cheguem a essas verificações de projeto com a mesma mentalidade de segurança que fundamenta a prática da engenharia civil. Os autores veem seu trabalho como uma prova de conceito que pode ser estendida a conjuntos de dados maiores e modelos estruturais completos, oferecendo um passo prático rumo a ferramentas de IA que trabalham com, e não contra, filosofias de segurança estabelecidas.

Citação: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Palavras-chave: previsão da resistência do concreto, redes neurais, função de perda, concreto borrachizado, segurança estrutural