Previsão orientada por dados do carregamento-assentamento de radier com micropilares usando aprendizado de máquina e simulação de Monte Carlo

Por que micropilares sob grandes construções importam

As cidades modernas dependem de fundações profundas para manter os edifícios estáveis, mesmo quando assentados sobre argila mole que pode lentamente comprimir e assentar. Engenheiros recorrem cada vez mais a estacas muito esbeltas, chamadas micropilares, combinadas com um radier de concreto plano para suportar cargas com segurança onde o espaço é reduzido ou as condições do solo são problemáticas. Este estudo explora como dados e inteligência artificial podem ajudar a prever quanto esses radier com micropilares irão afundar sob carga, oferecendo aos projetistas uma forma mais rápida e confiável de avaliar a segurança e o desempenho a longo prazo.

Pequenas estacas, grande suporte

Uma fundação radier com micropilares combina uma laje de concreto espessa com muitas estacas finas, reforçadas em aço e perfuradas em profundidade no solo. Embora cada estaca tenha apenas alguns centímetros de diâmetro, em conjunto elas podem apoiar edifícios de grande porte mantendo o assentamento reduzido. São especialmente úteis em argila mole, onde fundações rasas tradicionais afundariam demais. O comportamento desse sistema é complexo porque o radier, o agrupamento de micropilares e o solo circundante interagem entre si. Fatores como comprimento e espaçamento das estacas, dimensão e espessura do radier e resistência da argila influenciam como a carga é distribuída e quanto o solo se comprime sob diferentes níveis de tensão.

Construindo uma base de testes rica

Para estudar esse comportamento, o autor reuniu um banco de dados com 480 casos experimentais extraídos de testes laboratoriais em modelo reduzido e medições em campo em grande escala de radier com micropilares em solos coesivos. Para cada caso, os dados incluem a geometria do radier, o tamanho, número e arranjo dos micropilares, a resistência da argila e a carga aplicada, juntamente com o assentamento medido. Ao manter as condições da argila relativamente controladas enquanto variam o arranjo da fundação, o conjunto de dados foca em como escolhas de projeto afetam o desempenho. Isso o torna bem adequado para treinar modelos computacionais capazes de aprender padrões sutis que vinculam projeto de fundação, propriedades do solo e o movimento resultante do terreno.

Treinando máquinas para «ler» o terreno

O estudo compara seis métodos populares de aprendizado de máquina para verificar qual prevê melhor o assentamento a partir das entradas disponíveis. Eles incluem técnicas baseadas em árvores, como florestas aleatórias e métodos de boosting, um método baseado em vizinhos e dois métodos baseados em kernel: regressão por vetores de suporte e regressão por processo gaussiano. Todos os modelos são cuidadosamente ajustados usando otimização bayesiana e validação cruzada para evitar depender de um conjunto conveniente, porém enganoso, de parâmetros. O desempenho é avaliado com várias medidas de erro e verificações visuais que comparam assentamentos previstos e medidos ao longo de muitos níveis de carga diferentes. Embora a maioria dos modelos ajuste muito bem os dados de treinamento, muitos deles têm dificuldades quando solicitados a prever casos completamente novos.

Por que um modelo se destaca

A regressão por processo gaussiano surge como a ferramenta mais confiável nesta comparação. Ela captura a relação curva e não linear entre carga e assentamento sem simplesmente memorizar resultados passados. Em dados de teste que o modelo nunca viu, mantém alta precisão com erro médio baixo medido em milímetros. Também fornece bandas de confiança ao redor de cada previsão, indicando quão certo o modelo está em diferentes condições. Para examinar isso mais a fundo, o estudo alimenta o modelo com milhares de combinações de entrada ligeiramente variadas usando simulação de Monte Carlo, mimetizando pequenas incertezas nas dimensões e na resistência do solo. A dispersão resultante dos assentamentos previstos permanece estreita, e as curvas médias previstas de carga–assentamento seguem de perto as observadas nos experimentos.

Vendo quais fatores mais importam

Além da precisão bruta, o estudo examina como o modelo toma suas decisões usando uma ferramenta de interpretabilidade chamada SHAP. Essa análise mostra que o fator mais influente é a própria carga aplicada, seguido pelo comprimento das estacas e pela largura do radier, que juntos controlam como as forças são transferidas para o solo. O número e o espaçamento das estacas também desempenham um papel, mas em menor grau dentro da faixa testada. A resistência da argila e a espessura do radier aparecem menos proeminentes no ranking estatístico porque estão fortemente correlacionadas nos dados disponíveis, não porque careçam de importância física. De modo geral, o ranking das características influentes se alinha bem com a intuição de engenharia de longa data sobre o comportamento das fundações em argila mole.

O que isso significa para projetos futuros

O trabalho demonstra que o aprendizado de máquina cuidadosamente calibrado, especialmente a regressão por processo gaussiano combinada com simulação de Monte Carlo, pode oferecer aos engenheiros uma ferramenta prática para prever como radier com micropilares irão assentar sob diferentes cargas, ao mesmo tempo em que quantifica a incerteza nessas previsões. Por ora, as conclusões são mais sólidas dentro das condições controladas dos testes laboratoriais e dos ensaios de campo selecionados, e o estudo pede mais dados em escala real e uma gama mais ampla de solos. Ainda assim, a estrutura mostra como modelos orientados por dados e o entendimento geotécnico tradicional podem trabalhar juntos para criar projetos de fundação mais seguros e eficientes em terrenos desafiadores.

Citação: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Palavras-chave: fundações radier com micropilares, aprendizado de máquina, regressão por processo gaussiano, comportamento de carga-assentamento, simulação de Monte Carlo