São Paulo — InkDesign News — Pesquisadores da Shibaura Institute of Technology, no Japão, integraram métodos de machine learning com o Método dos Elementos Finitos (FEM) para aumentar a precisão e eficiência na análise de permeação de grouts químicos em solos heterogêneos.
Contexto da pesquisa
A liquefação do solo, onde solo saturado perde sua estrutura e se transforma em um estado semelhante a um fluido, apresentou desafios significativos durante terremotos, como o Grande Terremoto do Leste do Japão em 2011. Não obstante suas devastadoras consequências, métodos como o grouting químico têm se mostrado eficazes na estabilização do solo, substituindo a água por um químico solidificante. No entanto, a permeação uniforme em solos heterogêneos ainda é um entrave no processo.
Método proposto
O estudo liderado pelo Professor Shinya Inazumi combinou análises tradicionais de permeação com técnicas avançadas de machine learning, incluindo redes neurais e árvores de decisão com reforço. A análise permeacional foi realizada em um modelo de solo que simula zonas de baixa permeabilidade, utilizando o FEM para calcular a velocidade de permeação.
“Este estudo é único por combinar a análise de permeação tradicional com técnicas avançadas de inteligência artificial.”
(“This study is unique by combining traditional permeation analysis with advanced AI techniques.”)— Shinya Inazumi, Professor, Shibaura Institute of Technology
Resultados e impacto
Os resultados demonstraram que a análise FEM teve uma taxa média de permeação de 94,5%, enquanto os modelos de machine learning alcançaram uma taxa média de 96%. A validação comparativa apresentou uma alta precisão preditiva com R²=0,849, destacando a eficácia dos modelos de IA quando treinados com conjuntos de dados bem estruturados. Importante ressaltar que enquanto simulações FEM demandaram aproximadamente 30-40 minutos, os modelos de IA forneceram previsões em menos de dois segundos.
Experimentos futuros que integrem dados de campo podem aprimorar ainda mais a acurácia dos modelos preditivos. Incorporar propriedades físicas adicionais do processo de grouting, como pressão e condições de injeção, pode alavancar a aplicabilidade prática dessa nova estrutura integrativa.
Essas pesquisas têm o potencial de abordar crucialmente as dificuldades associadas à liquefação do solo em regiões sujeitas a terremotos, aumentando assim a segurança das infraestruturas.
Fonte: (TechXplore – Machine Learning & AI)
