Abordagem híbrida de aprendizado de máquina para prever a resistência à compressão de concreto sustentável incorporando cinza de combustível de óleo de palma

Transformando Resíduos Agrícolas em Concreto Mais Forte e Mais Verde

O concreto sustenta nossos edifícios, pontes e estradas, mas a produção do cimento nele contido libera grandes quantidades de dióxido de carbono. Ao mesmo tempo, as usinas de óleo de palma geram montanhas de cinza que muitas vezes são descartadas. Este estudo explora como transformar essa cinza em um ingrediente útil para o concreto e como programas de computador inteligentes podem prever de forma confiável quão resistente esse concreto “verde” será antes mesmo de se preparar uma única mistura.

Por que a Cinza de Óleo de Palma é Importante

A cinza de combustível de óleo de palma é um subproduto pulverulento gerado após a queima dos resíduos de palma para produção de energia. Em países com grande produção de óleo de palma, ela se acumula em quantidades enormes e pode causar problemas de descarte e poluição. Ainda assim, essa cinza contém partículas reativas que podem substituir parcialmente o cimento no concreto. Seu uso contribui para dois objetivos simultaneamente: reduz a quantidade de cimento, cuja produção consome muita energia, e recicla um resíduo agrícola. Experimentos anteriores mostraram que, se processada e utilizada com cuidado, a cinza de palma pode gerar concreto forte e durável. O desafio é que a resistência depende de muitos ingredientes e condições de cura que interagem entre si, de modo que projetistas precisam de uma maneira rápida e confiável de estimar o desempenho sem realizar testes intermináveis.

Deixando um Modelo Inteligente Aprender com Centenas de Traços

Os pesquisadores coletaram dados de 22 estudos publicados, obtendo 469 misturas de concreto diferentes que usaram cinza de combustível de óleo de palma. Para cada mistura registraram seis componentes e condições-chave: quanto cimento e cinza foram usados, a quantidade de líquido químico (superplastificante) adicionada, o equilíbrio entre agregados graúdos e finos, a relação água/aglutinante e o tempo de cura antes do ensaio. Em seguida recorreram à inteligência artificial, construindo um modelo computacional inspirado na forma como as células nervosas se conectam no cérebro, conhecido como rede neural artificial. Esse tipo de modelo aprende por exemplo: observa muitas combinações de entradas e as resistências resultantes, e gradualmente ajusta suas conexões internas para imitar esses resultados.

Potencializando o “Cérebro” com uma Busca Inspirada na Evolução

Sozinha, uma rede neural pode ser difícil de ajustar. Se suas configurações internas forem mal escolhidas, ela pode ficar presa em desempenho medíocre. Para superar isso, a equipe emparelhou a rede neural com um segundo algoritmo que imita como espécies se dispersam e se adaptam entre ilhas, chamado otimização baseada em biogeografia. Nesse esquema, cada “ilha” representa um conjunto diferente de configurações da rede. Características de ilhas bem-sucedidas migram para as mais fracas, enquanto mudanças aleatórias ocasionais impedem que a busca travar em um ponto ruim. Ao longo de muitos ciclos, essa abordagem híbrida refina a rede para que ela consiga corresponder melhor às resistências medidas do concreto.

Quão Bem o Modelo Híbrido Desempenha

Para avaliar se o modelo híbrido realmente vale a pena, os autores dividiram as 469 misturas em grupos separados para treinamento, ajuste fino e teste independente, e também usaram métodos de verificação cruzada que remisturam os dados repetidamente. Compararam a rede híbrida com uma rede neural padrão e com modelos anteriores da literatura. A versão híbrida previu consistentemente a resistência à compressão com maior precisão: mais de 60% de suas previsões ficaram dentro de 5% dos valores medidos, em comparação com cerca de 39% para o modelo convencional. Seu erro geral foi menor, e suas previsões foram mais estáveis quando os dados foram reamostrados de maneiras diferentes. A análise do modelo treinado também revelou quais fatores foram mais importantes, destacando o tempo de cura e a relação água/aglutinante como os maiores impulsionadores da resistência.

O Que Isso Significa para uma Construção Mais Verde

Para engenheiros e planejadores, o estudo oferece uma ferramenta prática: dada uma mistura candidata que inclua cinza de combustível de óleo de palma, o modelo híbrido pode estimar rapidamente quão resistente o concreto resultante provavelmente será, dentro da faixa de misturas que conheceu. Isso pode economizar tempo, reduzir ensaios pilotos dispendiosos e incentivar o uso mais amplo de materiais à base de resíduos que diminuem o uso de cimento e as emissões. Embora o modelo ainda seja limitado por lacunas e diferenças nos estudos experimentais subjacentes, ele demonstra que combinar aprendizado a partir de dados com busca inspirada na evolução pode ajudar a domar a complexidade dos concretos sustentáveis modernos e aproximar a construção mais verde da prática cotidiana.

Citação: Kazemi, R., Pour, M.A. & Gandomi, A.H. Hybrid machine learning approach for predicting compressive strength of sustainable concrete incorporating palm oil fuel ash. Sci Rep 16, 14033 (2026). https://doi.org/10.1038/s41598-026-46190-w

Palavras-chave: concreto sustentável, cinza de combustível de óleo de palma, previsão da resistência à compressão, rede neural artificial, otimização metaheurística