Big data e inteligência artificial aplicados a fundações

Resumo Portugues

A engenharia de fundações passa por uma constante evolução em busca de novos equipamentos e elementos de fundação que possam gerar maior produtividade e estarem sujeitos a um maior controle de qualidade durante sua execução. No mesmo sentido, é natural o esforço pela busca de novas ferramentas computacionais e ideias que possam potencializar a qualidade dos dados e dos resultados gerados em campo. Dentro desse propósito, o foco da presente tese foi dado ao tipo de estaca mais utilizada do Brasil, a hélice contínua monitorada (EHC). Para cada perfuração, pode-se aferir os níveis de energia necessários para a execução das estacas, o que fornece, quase que instantaneamente, dados relevantes para o entendimento do desempenho das estacas quando as variações individuais desse gasto energético são interpretadas. Atualmente, a era Big Data é realidade, o que significa que todo profissional capacitado deve tentar aproveitar os dados disponíveis para obter indiretamente novas informações. Os estudos aqui vão utilizar a combinação de algoritmos de inteligência artificial (IA) e o fluxo de trabalho analítico de Big Data para interpretar como a energia necessária para a execução desse tipo de fundação pode ser utilizada como uma variável capaz de representar o desempenho real em termos de carga versus recalque, que representa uma das informações mais desejadas para viabilizar o sucesso das obras. No decorrer da tese, elaboraram-se modelos de IA a partir da combinação de dados experimentais coletados de obras reais e a partir da utilização de técnicas de aumento de dados para geração de dados sintéticos. Esses dados sintéticos se fizeram necessários pois a qualidade e quantidade dos dados reais se mostrou insuficiente para o treino de modelos robustos. Para gerar os dados sintéticos, simulações numéricas foram calibradas para reproduzir fielmente dados de campo. Previamente à calibração do modelo de elementos finitos, foi realizado um estudo gradativo e robusto de malha e convergência. Uma das características desse modelo é que foi usada a sub-rotina USDFLD do software Abaqus® para reprodução da estratigrafia de camadas irregulares do local. Para a calibração, foram geradas 310 combinações dos parâmetros de entrada do modelo por meio da técnica do Hipercubo Latino, de forma a buscar aquele conjunto de parâmetros que gerava curvas carga versus recalque mais próxima àquelas efetivamente observadas em três estacas reais. Posteriormente, com o modelo calibrado, um total de 134 estacas tiveram a combinação de energia de execução aferida e curva carga versus recalque disponibilizada, a partir das quais foram elaborados dois modelos de IA baseado na aprendizagem de máquina, utilizando o tipo Regressão de Vetor Suporte. Mesmo considerando que os dados seguiram o modelo de Chin-Kondner, observouse que, quando comparados às curvas experimentais, as curvas carga versus recalque geradas pelos modelos apresentaram em vários casos ajustes altamente aderentes, considerando para este procedimento metodológico resultados satisfatórios. Destaca-se que a qualidade e a quantidade de dados são fundamentais para aumentar o poder de confiabilidade e predição do modelo. Além disso, o modelo e o fluxo metodológico proposto revelam ser possível desempenhar uma análise individual das estacas, o que tende a aumentar a qualidade dos projetos e a confiabilidade dos estaqueamentos monitorados.