Machine Learning revoluciona a avaliação de riscos sísmicos
Pesquisadores da Shibaura Institute of Technology, no Japão, estão utilizando machine learning para prever com maior precisão a profundidade do estrato suportante, um fator crucial para a segurança estrutural em áreas propensas a terremotos.
Contexto da pesquisa
A profundidade do estrato suportante, onde o solo ou rocha pode suportar uma fundação, é vital em regiões suscetíveis a terremotos. Esse parâmetro é um indicador indireto do risco de liquefação do solo, que pode levar a colapsos catastróficos durante eventos sísmicos.
Método proposto
Os cientistas se concentraram em três algoritmos de machine learning: Random Forest (RF), Rede Neural Artificial (ANN) e Máquina de Vetores de Suporte (SVM). Utilizando 942 registros de sondagem geológica da área metropolitana de Tóquio, a equipe foi capaz de treinar e otimizar os modelos para prever a profundidade do estrato suportante. A primeira abordagem utilizou coordenadas geográficas como latitude, longitude e elevação, enquanto uma segunda abordagem incluiu dados de classificação estratigráfica.
Resultados e impacto
Os resultados mostraram que o modelo RF superou os outros dois em precisão de predição, com um erro médio absoluto de 0.86 m na segunda abordagem, em comparação a 1.26 m na primeira. O aumento da densidade de dados também melhorou a precisão, destacando a importância de conjuntos de dados espacialmente densos na previsão da profundidade do estrato suportante.
“Acreditamos que os resultados desta pesquisa podem ajudar planejadores urbanos e engenheiros a utilizar ferramentas mais eficientes para desenvolvimento sustentável, reduzindo custos e aumentando a segurança.”
(“We hope to empower urban planners and engineers with efficient tools for sustainable development, reducing costs and enhancing safety.”)— Shinya Inazumi, Professor, Shibaura Institute of Technology
Esses avanços podem revolucionar o planejamento de infraestruturas em áreas suscetíveis a desastres, proporcionando soluções econômicas e eficazes além dos métodos tradicionais, como o teste de penetração padrão (SPT).
Fonte: (TechXplore – Machine Learning & AI)
