Comparando abordagens de machine learning e deep learning para prever a resposta sísmica de conexões laje-pilar

Por que pavimentos mais seguros em terremotos importam

Muitos edifícios urbanos dependem de lajes de concreto planas que repousam diretamente sobre pilares, sem vigas profundas de apoio. Durante um terremoto, as junções onde lajes e pilares se encontram podem falhar subitamente, fazendo com que pavimentos desabem e edifícios sofram colapso parcial. Este estudo explora como ferramentas modernas orientadas por dados podem ajudar engenheiros a prever melhor o comportamento dessas junções críticas em fortes abalos, de modo que edifícios possam ser projetados ou verificados com mais confiança.

Como as junções podem falhar subitamente

Em edifícios com laje plana, o pilar deve transferir tanto o peso vertical quanto as forças horizontais do terremoto para a laje. Se as tensões se concentrarem demais ao redor do pilar, a laje pode perfurar ao redor do pilar como um selo perfura papel. Essa ruptura frágil dá pouco aviso e pode desencadear colapso progressivo. Ao mesmo tempo, todo o edifício balança, descrito por uma medida chamada razão de drift, que indica quanto a estrutura se inclina em relação à sua altura. Tanto o momento de punção local na junta quanto o drift global são controlados por muitos fatores, incluindo espessura da laje, dimensão do pilar, quantidade de armação, resistência do concreto e o padrão de carregamento sísmico.

Usando testes passados e computadores como ferramentas de aprendizado

Os autores reuniram um banco de dados com 217 ensaios de laboratório cuidadosamente documentados sobre conexões laje-pilar submetidas a carregamento sísmico simulado. Cada ensaio incluiu dimensões geométricas, resistências dos materiais, detalhes da armação, carga gravitacional aplicada, tipo de carregamento e o momento de punção e razão de drift medidos na falha. Em seguida, dividiram essas informações em conjuntos separados de treino e teste, de modo que os modelos computacionais fossem avaliados pela capacidade de prever resultados que não haviam visto antes. Antes da modelagem, a equipe limpou os dados, tratou valores ausentes, escalou intervalos numéricos e examinou como cada variável se relacionava com a falha usando ferramentas visuais como boxplots e diagramas de dispersão.

Comparando várias maneiras de ensinar computadores

Para descobrir quais técnicas funcionam melhor, o estudo comparou uma ampla gama de métodos de machine learning contra várias abordagens de deep learning. O grupo de machine learning incluiu fórmulas lineares simples, versões regularizadas que tentam evitar sobreajuste, e conjuntos baseados em árvores mais flexíveis como random forest, gradient boosting e XGBoost. O grupo de deep learning usou arquiteturas de redes neurais mais vistas em análise de imagem ou sequência, incluindo redes convolucionais, redes recorrentes, redes LSTM (long short-term memory) e um modelo híbrido que combinava camadas convolucionais e recorrentes. Ao contrário de problemas de imagem, aqui essas redes profundas foram alimentadas com tabelas estruturadas de números de engenharia reorganizados em sequências unidimensionais.

O que os modelos revelaram sobre resistência e drift

Para prever o momento de punção na junta laje-pilar, os melhores desempenhos foram de modelos de machine learning construídos a partir de muitas árvores de decisão. O gradient boosting alcançou a maior precisão em testes não vistos, seguido de perto por XGBoost e random forest. Esses modelos capturaram a mistura complexa e não linear de geometria, materiais e carregamento que governa a resistência local da junta. Para prever a razão de drift, que reflete como todo o sistema balança, o random forest ficou à frente das outras abordagens, embora todas as técnicas tenham achado essa tarefa mais difícil e tenham produzido mais dispersão. Modelos de deep learning, especialmente o tipo híbrido, não superaram os métodos baseados em árvores neste conjunto de dados relativamente pequeno e tabular e exigiram muito mais esforço computacional.

O que isso significa para um projeto estrutural mais seguro

Para um não especialista, a mensagem principal é que ferramentas de machine learning escolhidas com cuidado já podem fornecer aos engenheiros estimativas mais precisas de como e quando junções laje-pilar podem falhar em terremotos, especialmente para a resistência local à punção e, em menor grau, para o drift global. Neste estudo, métodos tradicionais de machine learning baseados em árvores superaram redes de deep learning mais em voga, oferecendo melhor precisão com menos complexidade. Os autores recomendam usar tais modelos como apoio à decisão junto às regras de projeto existentes, em vez de substituir o julgamento de engenharia. Com conjuntos de dados maiores e features mais refinadas, esses métodos orientados por dados podem se tornar parte prática da avaliação sísmica rotineira de edifícios com laje plana.

Citação: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Palavras-chave: projeto sísmico, edifícios de laje plana, machine learning, cisalhamento por punção, taxa de drift