Estimando a percolação em barragens de aterro heterogêneas sobre fundações permeáveis usando aprendizado de máquina explicável

Por que a água que pinga através de barragens importa

Ao redor do mundo, muitas comunidades dependem de barragens de terra para armazenar água potável, irrigar culturas e controlar enchentes. Ainda assim, essas estruturas aparentemente sólidas estão constantemente vazando. Um pequeno fluxo bem controlado é seguro; percolação oculta em excesso pode abrir túneis dentro da barragem ou de sua fundação e provocar falha súbita. Este artigo explora como o aprendizado de máquina moderno pode ajudar engenheiros a prever esse fluxo invisível com mais precisão e rapidez, especialmente no caso mais realista de barragens com interiores estratificados construídas sobre solo permeável.

Como as barragens vazam abaixo da superfície

Barragens de aterro não são montes uniformes de solo. Frequentemente, elas têm um núcleo relativamente impermeável ladeado por cascas mais porosas, tudo apoiado sobre uma fundação que por si mesma pode permitir a passagem de água. Quando a água do reservatório pressiona a face a montante, uma parte infiltra-se através do corpo da barragem e por baixo de sua base, seguindo caminhos complexos controlados pela profundidade da água, tipos de solo e geometria da barragem. Cálculos manuais tradicionais simplificam tanto esse quadro que só funcionam para formas idealizadas. Simulações computadorizadas detalhadas baseadas no método dos elementos finitos se saem melhor, porém podem ser lentas e requerer expertise especializada, o que limita seu uso em verificações rápidas de projeto ou revisões rotineiras de segurança.

Ensinando computadores a reconhecer padrões de percolação

Os autores reuniram uma grande biblioteca digital de 4.374 cenários de percolação, cada um produzido por um programa de simulação confiável que calcula o escoamento de água através e por baixo de barragens. Para cada caso, eles variaram sete entradas-chave que engenheiros podem medir ou projetar: largura da crista, profundidade da fundação, nível de água do reservatório, os comprimentos das encostas a montante e a jusante, a facilidade com que a água atravessa a fundação e o quanto o núcleo é menos permeável em comparação com as cascas. Para cada combinação de entradas, a simulação produziu uma saída principal: quanto de água vaza por metro de barragem. Esse conjunto de dados curado tornou-se o campo de treinamento para vários modelos de aprendizado de máquina que visam prever a percolação diretamente a partir das sete entradas.

Encontrando o motor de predição mais confiável

A equipe testou cinco famílias de modelos amplamente usados em dados tabulares de engenharia: árvores de decisão únicas, florestas aleatórias e três métodos de “boosting” que combinam muitas pequenas árvores em um ensemble poderoso. Em vez de chutar parâmetros do modelo, eles usaram otimização bayesiana, uma estratégia de busca sistemática que trata cada tentativa como um experimento e foca nas opções mais promissoras enquanto evita overfitting. O desempenho foi avaliado com um conjunto de medidas de erro, gráficos visuais comparando predições com resultados de simulação e verificações cruzadas usando múltiplas divisões dos dados. O claro vencedor foi o modelo de gradient boosting categórico (CGB), que reproduziu a percolação simulada com precisão quase perfeita em dados não vistos, enquanto modelos de árvores mais simples ficaram atrás.

Abrindo a caixa-preta do aprendizado de máquina

Para tornar esses modelos sofisticados úteis para engenheiros de barragens, os autores precisaram explicar o que motiva suas predições. Eles recorreram a uma ferramenta moderna de interpretabilidade conhecida como SHAP, que atribui a cada entrada uma parcela de responsabilidade pela saída em cada cenário. Essa análise revelou que dois fatores dominam o comportamento da percolação: quão profundo está o reservatório e o quanto o núcleo é mais compacto em relação às cascas circundantes. Água mais profunda empurra fortemente a percolação para cima, enquanto um núcleo muito menos permeável a reduz fortemente. A permeabilidade da fundação e a profundidade da fundação desempenham um papel secundário, e a largura da crista tem um efeito estabilizador modesto. Detalhes das encostas importam relativamente pouco dentro das faixas estudadas, um resultado que pode ajudar a concentrar a atenção nas alavancas de projeto mais influentes.

Do modelo de pesquisa à ferramenta do dia a dia

Para reduzir a lacuna entre teoria e prática, o modelo CGB de melhor desempenho foi incorporado a um aplicativo de desktop simples. Usuários podem inserir as sete propriedades da barragem e da fundação e obter instantaneamente uma estimativa de percolação, seja única ou para muitos cenários de uma vez. As predições do modelo coincidiram tanto com estudos numéricos anteriores quanto com um estudo de caso independente da barragem Hub, no Paquistão, mantendo-se dentro de cerca de 10% dos resultados estabelecidos em vários níveis de água. Para não-especialistas, a mensagem é tranquilizadora: ao combinar simulações de alta fidelidade, aprendizado de máquina avançado e explicações claras sobre o que mais importa, engenheiros agora dispõem de uma maneira rápida e transparente de antecipar quanto água vazará através de barragens de terra complexas e de verificar se esses vazamentos permanecem dentro de limites seguros.

Citação: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

Palavras-chave: barragens de aterro, percolação, aprendizado de máquina, segurança de barragens, engenharia geotécnica