Avaliação comparativa de abordagens de machine learning e deep learning para previsão da resistência à compressão do concreto geopolimérico

Uma nova forma de projetar concreto mais sustentável

O concreto é a espinha dorsal das cidades modernas, mas a produção do cimento tradicional libera grandes quantidades de dióxido de carbono. O concreto geopolimérico oferece uma alternativa mais limpa, porém os engenheiros ainda têm dificuldade em prever quão resistente ele ficará após endurecer. Este estudo mostra como ferramentas de dados modernas, incluindo machine learning e deep learning, podem aprender com centenas de experimentos passados para prever a resistência de traços de concreto geopolimérico e orientar uma construção mais sustentável com menos ensaios-piloto dispendiosos.

Por que é difícil acertar um concreto mais verde

O concreto geopolimérico substitui grande parte do cimento comum por subprodutos industriais, como cinza volante, escória, metacaulim e fumaça de sílica. Esses pós reagem com líquidos alcalinos para formar um material sólido, semelhante a pedra, que pode igualar ou superar a resistência do concreto padrão enquanto reduz as emissões de carbono em até cerca de 70%. Mas essa receita mais ecológica é delicada: a resistência depende de muitos fatores interligados, incluindo o tipo e a quantidade de pós, a dosagem e a concentração dos líquidos alcalinos, a quantidade de água e aditivos químicos, os grãos de areia e brita, fibras adicionadas para tenacidade e o tempo e as condições de cura. Porque todos esses ingredientes interagem de modo complexo e não linear, equações simples não são suficientes para prever a resistência de um novo traço.

Construindo um conjunto de dados de visão ampla

Para enfrentar essa complexidade, os autores reuniram um grande banco de dados unificado a partir de 19 estudos publicados, cobrindo 594 traços diferentes de concreto geopolimérico. Cada registro descreve ingredientes chave, como as quantidades de cinza volante, escória, metacaulim, fumaça de sílica, areia, brita, água, líquidos alcalinos e superplastificante, junto com fibras de aço e polipropileno e a idade de cura em dias. A equipe cuidadosamente limpou os dados: removeu duplicatas, harmonizou unidades e nomes de variáveis e manteve apenas os traços com informação completa. Isso gerou um conjunto diversificado, porém consistente, que abrange uma ampla faixa de resistências, de concretos relativamente fracos até de alto desempenho, espelhando a variação real encontrada em muitos laboratórios.

Deixando as máquinas aprenderem com traços passados

Com esse banco de dados em mãos, os pesquisadores treinaram um conjunto de modelos preditivos. No lado clássico, usaram vários métodos de machine learning, incluindo árvores de decisão, florestas aleatórias e técnicas avançadas de "boosting" que combinam muitos modelos pequenos em um preditor forte. No lado do deep learning, testaram duas redes neurais de profundidades diferentes e um modelo tabular moderno chamado TabNet, que usa um mecanismo de atenção para focar nos ingredientes mais informativos. Os dados foram divididos de forma que 80% dos traços foram usados para treinar os modelos, enquanto os 20% restantes foram reservados para testar quão bem cada método poderia prever resultados não vistos, usando medidas padrão de erro e ajuste.

Quais modelos funcionaram melhor e por quê

O vencedor claro entre as abordagens de machine learning foi um método de boosting chamado CatBoost, que entregou previsões de resistência muito precisas e ajustou-se bem aos dados de teste ao longo de toda a faixa de valores. Outro modelo de boosting, XGBoost, ficou em segundo lugar por pouco. Entre as ferramentas de deep learning, o TabNet teve o melhor desempenho e rivalizou efetivamente com o principal modelo de machine learning, enquanto uma rede neural mais profunda, com mais camadas, teve desempenho inferior, provavelmente porque o conjunto de dados era modesto demais para uma estrutura tão complexa. Para tornar essas previsões de “caixa preta” mais transparentes, os autores usaram uma ferramenta de explicação chamada SHAP, que atribui um escore de importância a cada entrada. Essas análises mostraram que o teor de escória e a idade de cura dominam consistentemente a previsão de resistência, seguidos por outros ingredientes do aglomerante, dosagem alcalina e quantidades de agregados, enquanto as fibras de aço e plástico desempenham apenas um papel secundário na resistência à compressão, embora possam afetar fortemente fissuração e tenacidade.

O que isso significa para a construção futura

Em termos simples, este trabalho mostra que computadores podem aprender com centenas de receitas passadas de concreto geopolimérico para fornecer estimativas rápidas e confiáveis sobre quão resistente será um novo traço ecológico. Em vez de moldar e esmagar grande número de corpos de prova, engenheiros podem usar esses modelos para reduzir as combinações promissoras de pós aglomerantes, líquidos ativadores e tempos de cura antes de irem ao laboratório. O estudo também destaca quais ingredientes importam mais, oferecendo orientação prática: acertar o teor de escória, os níveis de ativador e as condições de cura é muito mais importante para a resistência à compressão do que ajustar finamente as quantidades de fibra. Embora os modelos ainda precisem ser validados em conjuntos de dados maiores e mais padronizados, essa estrutura representa um passo significativo rumo ao projeto de concreto de menor carbono guiado por dados.

Citação: Ezz, H., Bakr, S.M. Comparative evaluation of machine learning and deep learning approaches for compressive strength prediction of geopolymer concrete. Sci Rep 16, 14652 (2026). https://doi.org/10.1038/s41598-026-50705-w

Palavras-chave: concreto geopolimérico, machine learning, deep learning, previsão de resistência à compressão, construção sustentável