Predizendo a resistência à compressão não confinada de argilas estabilizadas com geopolímero usando uma máquina de aprendizado extremo baseada em fruit fly setorial

Solo mais resistente com menor custo ambiental

Ao redor do mundo, engenheiros precisam transformar solos moles ricos em argila em fundações firmes para estradas, edificações e aterros. Tradicionalmente, isso tem exigido a adição de grandes quantidades de cimento Portland comum, uma fonte significativa de emissões de dióxido de carbono. Este estudo explora um caminho mais limpo: usar subprodutos industriais chamados geopolímeros para reforçar argilas e aplicar uma forma inteligente de inteligência artificial para prever quão forte o solo tratado se tornará sem precisar realizar testes laboratoriais intermináveis.

Transformando resíduos industriais em aglomerantes úteis

Geopolímeros são aglomerantes produzidos pela ativação de pós ricos em aluminosilicato—como escória granulada de altos-fornos moída (GGBS) e cinza volante—com soluções alcalinas. Quando misturados à argila, formam redes rígidas semelhantes a pedra que podem oferecer alta resistência, baixa retração e boa durabilidade, emitindo muito menos CO₂ do que o cimento convencional. Experimentos anteriores mostraram que argilas estabilizadas com geopolímeros podem alcançar resistências que variam de quase zero a mais de 40 megapascais, dependendo da mistura. Mas o resultado depende sensivelmente de muitos ingredientes ao mesmo tempo: a plasticidade natural da argila, a quantidade de escória ou cinza adicionada, a concentração da solução alcalina e o equilíbrio de elementos-chave como sódio, silício e alumínio.

Por que prever a resistência do solo é tão desafiador

Para projetar uma mistura prática, os engenheiros gostariam de saber antecipadamente quão resistente será uma receita específica. Executar programas laboratoriais completos para cada mistura candidata é lento e caro. Fórmulas estatísticas tradicionais também ficam aquém porque as relações entre tipo de solo, composição do geopolímero e resistência resultante são altamente não lineares. Ferramentas modernas de aprendizado de máquina—como redes neurais e máquinas de vetores de suporte—melhoraram as previsões, mas podem exigir ajuste intenso, sobreajustar conjuntos de dados pequenos e frequentemente se comportar como “caixas-pretas” opacas que não mostram claramente quais ingredientes importam mais.

Uma máquina de aprendizado mais inteligente guiada por um enxame digital

Os autores reuniram 270 resultados de testes de estudos anteriores sobre argilas estabilizadas com geopolímero, abrangendo diferentes tipos de solo, misturas de aglomerante, concentrações alcalinas e condições de cura. Em seguida, treinaram três modelos de previsão relacionados. O núcleo, chamado máquina de aprendizado extremo, é uma rede neural rápida que define a maior parte de suas configurações internas em um único passo analítico em vez de treinamento por tentativa e erro. Para refinar essas configurações internas, a equipe acoplou a rede a uma rotina de "otimização fruit fly" que imita como moscas-das-frutas procuram alimento. Na versão aprimorada, otimização fruit fly setorial, o enxame virtual não vaga aleatoriamente; em vez disso, explora o espaço de busca em setores espaçados uniformemente, melhorando a estabilidade e ajudando o algoritmo a convergir mais rapidamente para uma boa solução.

Melhores previsões e visão mais clara sobre o que importa

Quando testada em dados não vistos, a máquina de aprendizado básica já previa razoavelmente bem a resistência à compressão não confinada—quanto esmagamento a argila tratada pode suportar. Adicionar a busca por enxame original melhorou ainda mais a precisão. O enxame baseado em setores teve o melhor desempenho, reduzindo o erro de previsão em cerca de 42% em comparação com o modelo base e em 19% em relação à versão anterior fruit fly, mantendo o custo computacional baixo o suficiente para um laptop comum. A maioria das resistências previstas ficou próxima dos valores medidos, e os padrões de erro sugeriram que o modelo generalizou bem em vez de meramente memorizar os dados de treinamento.

Traduzindo modelos complexos em receitas práticas de solo

Para abrir a "caixa-preta", os pesquisadores aplicaram uma técnica chamada análise SHAP, que atribui a cada entrada uma contribuição para a previsão final. Isso revelou que o teor de escória (GGBS) foi o fator mais influente no aumento da resistência, com a plasticidade da argila e o limite de liquidez também desempenhando papéis importantes. Certos parâmetros de mistura—como excesso de cinza volante ou plasticidade muito alta—tenderam a reduzir a resistência, enquanto concentração adequada de álcalis e o equilíbrio sódio/alumínio proporcionaram efeitos positivos mais modestos. Esses insights, combinados com previsões precisas, tornam a máquina de aprendizado aprimorada com fruit fly setorial uma ferramenta promissora para orientar o projeto de misturas geopolymer, ajudando engenheiros a escolher receitas que produzam solo forte e estável com menos testes e menor impacto ambiental.

Citação: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Palavras-chave: argila estabilizada com geopolímero, previsão da resistência do solo, aprendizado de máquina em geotécnica, melhoria sustentável do solo, máquina de aprendizado extremo