Estimativa da carga de ruptura em estacas a partir de ensaios de prova de carga estática utilizando machine learning

Abstract

A investigação do sistema solo-fundação é de extrema importância para a construção de edificações seguras. Uma das formas de investigação geotécnica bastante utilizada é o ensaio SPT (Standard Penetration Test). Este ensaio é utilizado para estimar a resistência a penetração do solo, o tipo de solo, presença de nível d’água e dependendo do equipamento, atrito lateral do solo. Além do ensaio SPT, para a realização de projetos de fundações mais seguros e econômicos, tem-se o ensaio de prova de carga estática, o qual permite verificar o desempenho das fundações. A prova de carga é um método de análise direta da capacidade de suporte de carga, podendo ser realizada em diversos tipos de estruturas. Porém, apesar de ideal a prova de carga não é utilizada com frequência, devido ao seu custo e à obrigatoriedade da norma em se utilizar somente em obras de grande porte. Sendo assim, esse estudo estimou a carga de ruptura geotécnica de estacas carregadas axialmente, por meio de machine learning, a partir de ensaios de provas de carga estáticas e sondagens à percussão existentes em obras situadas no Distrito Federal.Para isso, foi desenvolvido um algoritmo em linguagem phyton que pudesse, a partir dos dados de treino, prever os resultados de carga de ruptura em obras que apresentassem apenas sondagem a percussão simples. Para o desenvolvimento do algoritmo foram utilizados modelos de aprendizado supervisionado (Random Forest). Desta forma, foi possível obter resultados com acurácia de 78,12%. Porém, vale ressaltar que existem limitações em relação ao resultado final, que influenciaram no valor da acurácia, tais como: o número limitado da amostragem de dados utilizada (67 provas de carga), a variabilidade geotécnica do perfil estratigráfico associado aos ensaios pontuais de SPT, o que dificulta a representatividade das condições do solo local e o próprio aprendizado supervisionado utilizado (Random Forest) que quanto maior a dispersão de dados produz resultados com menor capacidade de previsão.