Modelo de movimento do solo baseado em XGBoost para espectros de resposta em aceleração inelástica de resistência constante

Por que a agitação importa para edifícios reais

Terremotos raramente deixam edifícios perfeitamente elásticos; paredes trincam, vigas entram em regime plástico e estruturas se deformam mais do que os desenhos de projeto sugerem. Ainda assim, a maioria das ferramentas que engenheiros usam para estimar a agitação continua assumindo comportamento elástico. Este estudo apresenta um método orientado por dados para prever quão intensamente edifícios reais, com danos moderados, provavelmente irão tremer em futuros terremotos, ajudando a melhorar o projeto sísmico, verificações de segurança e estimativas de risco para cidades.

De gráficos simples de agitação ao comportamento real

Tradicionalmente, engenheiros sísmicos dependem de modelos de movimento do solo que transformam informações básicas sobre um terremoto e um local em medidas de agitação, como aceleração de pico. Esses modelos alimentam espectros de resposta, curvas que mostram quanto um edifício perfeitamente elástico oscilaria em diferentes períodos naturais de vibração. Porém, sob terremotos moderados a fortes, a maioria dos edifícios excede esse regime elástico. Suas respostas reais podem diferir marcadamente das previsões elásticas, o que dificulta avaliar danos, planejar retrofit ou estabelecer regras de projeto realistas usando apenas espectros elásticos.

Uma visão mais completa da agitação para edifícios que cedem

Para reduzir essa lacuna, os autores focam nos espectros de resposta em aceleração inelástica, que descrevem quanta aceleração de fato um edifício com resistência limitada experimenta quando entra em regime plástico. Eles concentram-se em uma versão chamada aceleração espectral inelástica de resistência constante, que fixa um fator de redução de resistência para representar quanto a estrutura pode se deformar inelasticamente. Usando mais de quinze mil registros de movimento do solo de 171 terremotos em uma grande base de dados internacional, simulam a resposta de muitos modelos idealizados de um grau de liberdade que imitam comportamento de concreto armado. Esses edifícios virtuais cobrem ampla gama de períodos de vibração, tipos de solo, distâncias à falha, magnitudes e níveis de resistência inelástica.

Ensinando um modelo a aprender com terremotos

O núcleo do trabalho é um método de aprendizado de máquina chamado XGBoost, que combina muitas árvores de decisão simples em um preditor potente. Em vez de forçar os dados a caberem em uma fórmula matemática fixa, o modelo aprende relações complexas entre magnitude do terremoto, distância, condições de solo, período estrutural e resistência inelástica. Os autores também incorporam o modelo em uma estrutura de efeitos mistos que separa diferenças entre terremotos das variações dentro de um único evento, espelhando como modelos sísmicos tradicionais tratam a variabilidade. Eles usam ferramentas modernas de interpretação de aprendizado de máquina, incluindo importância por permutação e valores SHAP, para identificar quais entradas importam mais e como influenciam as previsões para cima ou para baixo.

O que controla a agitação nessa nova visão

Ambas as ferramentas de interpretabilidade desenham um quadro consistente: magnitude do terremoto, período do edifício e distância à falha dominam a agitação prevista, com o fator de resistência inelástica e a velocidade de cisalhamento superficial desempenhando papéis secundários, porém relevantes. Terremotos maiores e locais mais próximos geram maiores acelerações inelásticas, enquanto edifícios de período mais longo e solos mais moles exibem as alterações esperadas na resposta. O modelo alcança alta precisão em dados não vistos, explicando mais de 92% da variância nas acelerações inelásticas simuladas, e seus resíduos mostram pouco viés sistêmico em relação à magnitude, distância ou condições de sítio.

Conectando com ferramentas de projeto familiares

Para conferir realismo físico, os autores comparam suas previsões de aprendizado de máquina, no caso especial em que o edifício permanece elástico, com uma equação de movimento do solo tradicional amplamente usada. As formas e tendências das curvas concordam estreitamente, especialmente para períodos típicos de projeto, enquanto a nova abordagem se estende naturalmente ao regime inelástico que o modelo antigo não cobre. Isso significa que engenheiros podem usar o novo modelo para construir curvas de perigo e espectros que refletem diretamente o comportamento não linear dos edifícios, em vez de ajustar resultados elásticos com fatores de correção grosseiros.

Como isso contribui para cidades mais seguras

Em termos simples, o estudo mostra que aprendizado de máquina pode fornecer previsões precisas e transparentes sobre quanto edifícios reais, com danos moderados, irão tremer em futuros terremotos, usando informações sobre o evento sísmico, o sítio e o próprio edifício. Ao trabalhar diretamente com medidas de resposta inelástica e identificar claramente quais fatores têm maior influência, o modelo oferece uma base mais realista para projeto baseado em desempenho, desenvolvimento de códigos e avaliação rápida de risco, mantendo-se consistente com ferramentas elásticas familiares.

Citação: Gong, Y., Zhao, J. XGBoost-based ground motion model for constant-strength inelastic acceleration response spectra. Sci Rep 16, 15653 (2026). https://doi.org/10.1038/s41598-026-46656-x

Palavras-chave: engenharia sísmica, modelos de movimento do solo, aprendizado de máquina, espectros de resposta inelástica, projeto sísmico