Comparação de técnicas de aprendizado de máquina para prever a resistência à compressão do concreto.

Abstract

A resistência à compressão do concreto é uma propriedade essencial para garantir a segurança de uma estrutura. No entanto, estimar este valor é atualmente um processo trabalhoso e impreciso, uma vez que a dosagem é baseada em métodos empíricos e sua confirmação em laboratório demanda tempo e recursos. Nesse contexto, este trabalho tem como objetivo avaliar modelos de Aprendizado de Máquina (ML) para predizer a resistência à compressão do concreto a partir de seus componentes. Para tanto, um banco de dados da literatura foi utilizado como entrada para quatro modelos de ML: Extreme Gradient Boosting (XGBoost), Regressão de Vetor de Suporte (SVR), Redes Neurais Artificiais (RNA) e Processo Gaussiano de Regressão (GPR). A precisão dos modelos foi avaliada por meio de validação cruzada (10-fold) e medida com as métricas de R², Erro Médio Absoluto (MAE) e a Raiz do Erro Quadrático Médio (RMSE). Posteriormente, um novo banco de dados foi montado com traços da literatura e utilizado para validar os modelos anteriores. Na etapa de criação do modelo, todos os algoritmos obtiveram resultados semelhantes e satisfatórios, com MAE entre 1,96-2,26 MPa e R² variando de 0,79 a 0,83. No entanto, na etapa de validação, no qual utilizou-se um conjunto de dados que continha traços de diversas fontes diferentes, a precisão dos modelos caiu drasticamente, com o MAE crescendo para 3,04-4,04 MPa e o R² diminuindo para 0,37-0,59. As RNA e o GPR mostraram os melhores resultados, enquanto a SVR teve as piores previsões. Este trabalho mostrou que as ferramentas de ML são técnicas promissoras para prever e otimizar os processos de dosagem de concreto, porém, deve-se ter cuidado com os dados de entrada para garantir que os modelos não sejam ajustados a uma determinada região, conjunto de materiais ou tipo de concreto.