Classificação do solo aprimorada por IA com dados CPT incompletos para parques eólicos offshore

Por que os solos do leito marinho importam para a energia eólica

Turbinas eólicas offshore ficam em alguns dos ambientes mais severos do planeta, e sua estabilidade depende do que está oculto abaixo das ondas: os solos do leito marinho que sustentam suas massivas fundações. Testar esses solos em águas profundas é caro e frequentemente incompleto, deixando engenheiros a tomar decisões importantes com informações fragmentadas. Este estudo mostra como a inteligência artificial pode interpretar dados limitados de ensaios para classificar com confiança os solos do leito marinho, ajudando projetistas a posicionar turbinas offshore de forma mais segura e eficiente.

Dos ensaios no leito marinho aos tipos de solo

Engenheiros comumente sondam o leito marinho usando ensaios de penetração com cone, nos quais um cone metálico é empurrado para o solo enquanto se mede a resistência do solo à ponta, o atrito lateral ao longo da manga e como a pressão da água nos poros varia. Essas medições são tradicionalmente interpretadas com gráficos como a Classificação de Robertson, que relaciona padrões nas leituras a diferentes comportamentos do solo, como areia solta, argila rígida ou misturas intermediárias. O problema é que esses gráficos assumem dados completos e limpos, algo raramente alcançado quando navios, ondas e águas profundas complicam as investigações offshore.

Construindo uma biblioteca virtual de condições do leito marinho

Para enfrentar o problema da informação faltante, os pesquisadores primeiro criaram uma enorme biblioteca virtual de possíveis condições de solo em vez de depender apenas de escassos ensaios de campo. Eles usaram faixas realistas para medições-chave do cone — resistência de ponta, atrito de manga, pressão de água nos poros e tensões no terreno — para gerar mais de 200.000 registros de ensaios sintéticos. Esses registros foram então traduzidos em zonas de comportamento do solo usando o gráfico de Robertson, emparelhando efetivamente cada ensaio simulado com um “rótulo” de solo. Ao amostrar tanto uniformemente ao longo das faixas quanto de acordo com padrões estatísticos realistas, garantiram que essa biblioteca sintética abrangesse tudo, desde argilas muito moles até areias e cascalhos densos.

Ensinando máquinas a interpretar o leito marinho

Com essa biblioteca sintética em mãos, a equipe treinou diversos modelos de aprendizado de máquina para prever o comportamento do solo diretamente a partir das entradas do ensaio com cone. Testaram florestas aleatórias, redes neurais, métodos de vetores de suporte e árvores de decisão, ajustando cuidadosamente as configurações internas de cada modelo. Entre eles, o modelo de floresta aleatória destacou-se, igualando as zonas de solo baseadas em Robertson com um ajuste numérico quase perfeito e alcançando mais de 92% de acurácia quando suas previsões foram convertidas para uma classificação de solo padrão. As verificações internas do modelo mostraram que a resistência à ponta do cone, o atrito de manga e a tensão vertical efetiva foram as entradas mais influentes — concordando com o entendimento geotécnico consolidado e sugerindo que o modelo estava aprendendo física real em vez de padrões espúrios.

Mantendo a precisão quando os dados estão faltando

O teste crucial foi verificar se a IA ainda se sairia bem quando algumas medições estivessem ausentes, imitando levantamentos offshore reais em que equipamentos falham ou certos sensores não são usados. Os pesquisadores removeram sistematicamente cada entrada por vez e a substituíram por valores incertos, então executaram repetidamente o modelo em estilo Monte Carlo para ver como a acurácia variava em média. Quando as entradas mais críticas — resistência do cone, atrito de manga ou tensão efetiva — estavam faltando, a acurácia caiu consideravelmente, confirmando sua importância. No entanto, quando outros parâmetros, como pressões de poros ou tensão total, estavam ausentes, o modelo ainda manteve alta acurácia, frequentemente acima de 90%. Isso mostra que a metodologia pode continuar a fornecer classificações de solo úteis mesmo quando partes do registro do ensaio com cone estão incompletas.

Validando o método em parques eólicos offshore reais

Para ir além dos dados virtuais, a equipe testou seu modelo de floresta aleatória treinado em 229.808 registros reais de ensaios de cone provenientes de 99 sondagens em locais de parques eólicos offshore em Taiwan e na Holanda. Nenhuma dessas medições reais foi usada no treinamento. As previsões do comportamento do solo pela IA foram comparadas com classificações independentes baseadas em um sistema de engenharia amplamente usado que agrupa solos por granulometria e plasticidade. O modelo correspondeu corretamente a essas classificações em mais de 92% das vezes, superando várias abordagens de aprendizado de máquina existentes. Simulações repetidas também mostraram que as previsões caíam dentro de uma estreita banda de confiança de 95%, indicando comportamento estável e confiável.

O que isso significa para o futuro da energia eólica offshore

Para não especialistas, a conclusão é que o estudo fornece um assistente inteligente para ler o leito marinho. Em vez de substituir gráficos de engenharia estabelecidos, a estrutura de IA os estende para situações do mundo real desordenadas, onde os dados são incompletos ou imperfeitos. Ao aprender a partir de uma biblioteca sintética cuidadosamente projetada e depois se provar em grandes conjuntos de dados offshore, o método oferece uma maneira prática de classificar solos do leito marinho rápida e consistentemente. Isso pode reduzir testes extras onerosos, apoiar projetos de fundações mais seguros e, em última análise, ajudar a levar mais projetos eólicos offshore a operar com maior confiança sobre o que existe sob cada turbina.

Citação: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Palavras-chave: energia eólica offshore, solos do leito marinho, ensaio de penetração com cone, aprendizado de máquina, projeto de fundações