Modelagem constitutiva informada pela microestrutura de meios granulares sob carregamento multidirecional: Da escala de partículas ao contínuo

Por que o solo sob as turbinas importa

À medida que construímos mais parques eólicos, túneis e taludes, dependemos do solo para suportar com segurança forças variáveis vindas do vento, das ondas e de terremotos. No entanto, o solo sob nossos pés não é um bloco uniforme; é um amontoado de areia e grãos cujas formas e arranjos mudam constantemente quando são empurrados e puxados. Este artigo explica como pesquisadores combinam simulações computacionais detalhadas de grãos individuais com inteligência artificial moderna para prever como esse solo granular se comportará sob condições complexas de carregamento do mundo real.

Das partículas soltas às estruturas reais

Materiais granulares como areia, rejeitos de mina e lastro ferroviário se comportam de maneiras surpreendentemente complexas. Ao contrário de cristais ou metais, não existe uma equação simples que diga aos engenheiros como uma pilha de grãos responderá quando for comprimida simultaneamente em várias direções. Na prática, projetistas dependem de ensaios laboratoriais e fórmulas empíricas que podem valer apenas para um local ou tipo de solo específicos. Solos reais, porém, são depositados pela gravidade, moldados por carregamentos passados e empurrados em várias direções pelo vento, pelas ondas e por tremores sísmicos. Uma turbina eólica em um leito marinho inclinado, por exemplo, sofre combinações de forças verticais, horizontais e de torção que mudam constantemente e que os testes tradicionais frequentemente não capturam.

Observando cada grão em movimento

Para enfrentar essa lacuna, os autores recorrem ao método de elementos discretos, uma técnica numérica que trata cada grão como uma partícula rígida individual. Em seu laboratório virtual, milhares de grãos são despejados em uma pequena caixa e então comprimidos ao longo de três direções independentes enquanto o computador registra cada força de contato e cada pequeno rearranjo. A equipe varia sistematicamente ingredientes-chave que controlam o comportamento do solo: a pressão inicial ao redor dos grãos, quão densamente eles estão empacotados, a direção das tensões aplicadas, o alinhamento de camadas internas (chamadas de estratificação) e as formas dos grãos em si, desde quase esféricas até claramente alongadas. Ao longo de 260 simulações detalhadas, observam como esses fatores tornam o material mais rígido ou mais fraco, fazem-no contrair ou dilatar e causam um viés direcional em sua estrutura interna.

Como a forma dos grãos e a estrutura alteram a resistência

As simulações revelam que várias características frequentemente negligenciadas podem alterar fortemente a resistência do solo. Quando a pressão média ao redor é maior, a areia virtual torna-se mais rígida e consegue suportar mais tensão de cisalhamento antes de começar a se rearranjar. Empacotamentos mais densos resistem melhor ao cisalhamento e tendem a expandir, enquanto os mais soltos se comprimem à medida que os grãos encontram novas posições. Mudar a orientação do caminho de tensões — codificada por uma grandeza chamada ângulo de Lode — pode tanto aumentar quanto reduzir a resistência máxima e deslocar o equilíbrio entre contração e dilatação. Da mesma forma, girar os planos de estratificação de horizontal para vertical reduz a resistência máxima ao cisalhamento, mostrando que a história de deposição do solo é relevante. Até a forma dos grãos desempenha um papel significativo: agregados de grãos mais alongados suportam tensões máximas mais altas e sofrem mudanças de volume menores do que aqueles compostos por grãos quase esféricos preparados na mesma densidade relativa.

Ensinando uma rede neural a pensar como o solo

Embora essas simulações de alta resolução ofereçam insights profundos, são computacionalmente caras demais para rodar dentro de modelos de engenharia em grande escala de uma fundação ou talude inteiro. Para preencher essa lacuna de escala, os autores constroem um modelo de aprendizado profundo — uma rede neural multicamada — que aprende a imitar a resposta do solo simulada. Em vez de receber apenas resultados de ensaios simples, a rede recebe descritores ricos do estado do material: as formas das partículas, a pressão e a densidade iniciais, medidas da estratificação interna e as deformações em curso em cada direção. Usando uma estratégia de treinamento cuidadosamente desenhada e uma função de perda que enfatiza as fases iniciais, mais críticas, da deformação, a rede aprende a fornecer as três componentes de tensão que se alinham de perto com as simulações, incluindo efeitos direcionais sutis e mudanças na resistência de longo prazo.

Das partículas virtuais a projetos mais seguros

O resultado final é um novo tipo de modelo constitutivo — uma regra que liga tensão e deformação — informado pela física em escala de grão, mas que roda tão rápido quanto uma fórmula de engenharia convencional. Ele consegue capturar como a resistência do solo depende da forma dos grãos, da estratificação e do carregamento tridirecional complexo, sem necessidade de dezenas de parâmetros ajustados manualmente ou de ensaios específicos do local. Os autores imaginam incorporar esse modelo aprendido em softwares padrão de elementos finitos para que projetistas de fundações de turbinas eólicas, taludes e estruturas subterrâneas possam levar em conta carregamentos multidirecionais realistas e a evolução da estrutura do solo. Em termos simples, este trabalho mostra como observar cada grão em um experimento virtual e destilar esse comportamento em uma rede neural treinada pode levar a projetos mais confiáveis e eficientes para a infraestrutura que sustenta a transição energética.

Citação: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Palavras-chave: solos granulares, aprendizado profundo, fundação de turbinas eólicas, simulações por elementos discretos, carregamento multidirecional