Imagine a seguinte cena:
Você é chamado para avaliar a integridade de uma viga portuária de concreto armado com 50 anos de serviço. A estrutura, localizada em um agressivo ambiente marítimo, apresenta sinais visíveis de deterioração: corrosão das armaduras, desplacamento do cobrimento e a inevitável ação dos íons cloreto. A decisão entre um reforço complexo e uma substituição completa depende de um dado crucial: qual a resistência à compressão (fck) remanescente do concreto? A extração de múltiplos testemunhos para ensaios em laboratório é logisticamente complexa, interrompe a operação portuária e pode fragilizar ainda mais um elemento já comprometido. Como obter essa informação vital de forma precisa, rápida e, acima de tudo, segura?
Todo profissional que atua com diagnóstico estrutural já se deparou com um dilema clássico: a necessidade de conhecer a resistência à compressão do concreto de uma estrutura existente versus as dificuldades de uma intervenção. A extração de testemunhos, embora seja um método consagrado, nem sempre é viável, seja pelos custos, pelo acesso restrito, pela urgência do diagnóstico ou, simplesmente, por ser um método destrutivo que interfere na integridade da estrutura. Mas e se pudéssemos contornar esse obstáculo com tecnologia, precisão e sem causar nenhum dano?
A resistência à compressão axial não é apenas um número para o cálculo estrutural; é a propriedade que define a identidade do concreto, governando sua capacidade mecânica e, de forma intrínseca, sua durabilidade. Um concreto mais resistente é, em geral, mais compacto e menos poroso, o que cria uma barreira mais robusta contra a penetração de agentes agressivos. Por isso, conhecer o fck é o ponto de partida para qualquer diagnóstico de vida útil. Tradicionalmente, recorremos aos Ensaios Não Destrutivos (ENDs) para obter pistas sobre essa propriedade. No artigo, “Desenvolvimento de modelo para determinação da resistência à compressão axial do concreto a partir de ensaios não destrutivos: ultrassonografia e resistividade elétrica”, fomos além das correlações tradicionais e exploramos como a inteligência artificial pode decodificar a linguagem oculta do concreto.
A Ciência por Trás dos Sensores
Para “ouvir” o que o concreto tem a dizer, utilizamos duas técnicas poderosas:
- Ultrassonografia (Velocidade do Pulso Ultrassônico): Este ensaio funciona de maneira análoga a um exame médico. Um pulso de onda ultrassônica é emitido através da estrutura, e medimos o tempo que ele leva para chegar a um receptor. Em um concreto denso, com poucos vazios e microfissuras, a onda viaja mais rápido. Em um material poroso ou danificado, a velocidade diminui. Ao analisar não apenas as ondas longitudinais (as mais rápidas) mas também as transversais, conseguimos obter informações ricas sobre as propriedades elásticas do material, como seu Módulo de Elasticidade dinâmico.
- Resistividade Elétrica: Este ensaio mede a oposição do concreto à passagem de uma corrente elétrica. A resistividade está diretamente ligada à microestrutura dos poros da pasta de cimento e, crucialmente, à quantidade e conectividade da água presente neles. Um concreto de alta resistividade é, tipicamente, um concreto de baixa permeabilidade, indicando uma matriz mais íntegra e, consequentemente, mais resistente.
O grande desafio sempre foi traduzir esses parâmetros em um valor de fck confiável. Modelos empíricos, como os propostos pela ASTM C 597:2002, tentam fazer essa correlação, mas frequentemente falham ao não considerar a complexa química dos diferentes tipos de cimento e as variações microestruturais. Foi exatamente para superar essa barreira que aplicamos a inteligência artificial.
O Salto Quântico com Machine Learning: Superando os Modelos Tradicionais
Nosso estudo não se limitou a testar uma teoria; ele foi construído sobre uma base de dados ampla e diversificada para garantir a robustez do modelo. Foram ensaiados corpos de prova moldados em laboratório com diferentes tipos de cimento (CP V, CP II e CP III), corpos de prova de concreto provenientes de obras reais com fck variando de 25 a 45 MPa, e até mesmo amostras de argamassas estruturais.
Ao aplicarmos os modelos matemáticos convencionais (baseados em equações da literatura) a esses dados, a frustração foi evidente: as taxas de variação entre a resistência estimada e a real chegaram a ultrapassar 50%. Para um diagnóstico de engenharia, essa margem de erro é simplesmente inaceitável.
O desafio é que a relação entre esses parâmetros e a resistência não é linear. É aqui que a inovação do nosso estudo se destaca. Utilizando um algoritmo de machine learning chamado XGBoost, fomos capazes de treinar um modelo computacional para reconhecer padrões complexos e não-lineares nos dados. Alimentamos o modelo com um vasto conjunto de dados, incluindo concretos de diferentes cimentos, amostras de obras reais e argamassas estruturais.
O resultado foi um salto de precisão impressionante:
- O modelo final, combinando todos os parâmetros de ENDs, alcançou um coeficiente de determinação (r²) de 0,978, com uma taxa de variação média de apenas 3,61%. Em outras palavras, o modelo foi capaz de “explicar” quase 98% da variabilidade da resistência, superando drasticamente os modelos empíricos existentes.
A Limitação Crucial: O Efeito da Contaminação por Íons
Agora, voltemos ao nosso desafio na viga portuária. Estruturas em ambientes marítimos ou industriais raramente estão em seu estado “puro”. Elas estão, quase sempre, contaminadas por íons cloreto. E aqui, precisamos ser transparentes sobre uma limitação importante da metodologia: a presença de íons cloreto afeta drasticamente a resistividade elétrica do concreto.
Os íons cloreto, dissolvidos na água presente nos poros do concreto, tornam essa solução um excelente condutor elétrico, o que reduz significativamente a resistividade do material. Isso pode criar um “falso negativo”: um concreto de boa qualidade, com baixa porosidade, pode apresentar uma baixa resistividade simplesmente por estar contaminado, levando a uma subestimação de sua real resistência. Em um estudo de caso que realizamos em uma viga portuária, constatamos exatamente isso: o concreto apresentava teores de cloretos muito acima dos limites normativos em toda a sua seção, mas, ao rompermos os testemunhos, encontramos uma resistência superior a 50 MPa – um concreto de excelente qualidade!. Se tivéssemos nos baseado apenas na resistividade, o diagnóstico poderia ter sido equivocado.
No entanto, a beleza de um modelo de machine learning robusto, que combina múltiplos ENDs, é sua capacidade de “ponderar” as evidências. O ultrassom, por ser um método mecânico, é menos sensível à contaminação química. Assim, o algoritmo pode aprender que, em situações onde a resistividade é baixa mas a velocidade ultrassônica é alta, a probabilidade de contaminação iônica é grande, e ele pode atribuir um peso maior ao resultado do ultrassom para sua predição final.
As vantagens são claras:
- Diagnóstico Rápido: Obtenha uma estimativa confiável do fck em horas, não em dias.
- Segurança: Avalie estruturas sem comprometer sua integridade.
- Custo-Benefício: Reduza a necessidade de ensaios destrutivos, otimizando recursos.
- Mapeamento Abrangente: Analise múltiplos pontos de uma grande estrutura de forma eficiente.
Esta tecnologia não substitui a necessidade do ensaio de rompimento, que continua sendo o método de referência. Contudo, ela se posiciona como uma poderosa ferramenta de triagem e diagnóstico, permitindo ao engenheiro tomar decisões mais informadas e estratégicas em campo.
As aplicações práticas desta tecnologia são vastas e podem transformar a rotina da engenharia diagnóstica. Imagine poder:
- Avaliar estruturas históricas ou de patrimônio onde ensaios destrutivos são impensáveis.
- Realizar um mapeamento rápido e de baixo custo da resistência em grandes obras de arte especiais, como pontes e viadutos, para direcionar os esforços de manutenção.
- Conduzir investigações preliminares que otimizam e, em muitos casos, evitam a necessidade de extrair múltiplos testemunhos.
- Validar a qualidade do concreto em estruturas recém-construídas de forma não invasiva.
Pensando na sua experiência em campo:
Qual foi a situação mais desafiadora em que você precisou determinar a resistência do concreto, mas a extração de testemunhos era inviável?
Como uma ferramenta de diagnóstico rápido e não destrutivo, baseada em IA, poderia ter transformado seu plano de ação nesse caso?
