Desenvolvimento de modelos de aprendizagem de máquina para previsão da resistência do módulo de resiliência do solo de sub-base: abordagens por programação genética e redes neurais artificiais

Prever com precisão o Módulo de Resiliência (MR) dos solos de sub-base, que apresentam comportamentos não lineares de tensão-deformação, é crucial para uma avaliação eficaz do solo. As técnicas laboratoriais tradicionais para determinar o MR são frequentemente caras e demoradas. Este estudo explora a eficácia da Programação Genética (GEP), Programação Multi-Expressão (MEP) e Redes Neurais Artificiais (ANN) na previsão do MR usando 2813 registros de dados, considerando seis parâmetros-chave. Várias avaliações estatísticas foram utilizadas para avaliar a precisão do modelo. Os resultados indicam que o modelo GEP supera consistentemente os modelos MEP e ANN, demonstrando as menores métricas de erro e os maiores índices de correlação (R2). Durante o treinamento, o modelo GEP atingiu um valor R2 de 0.996, superando os modelos MEP (R2 = 0.97) e ANN (R2 = 0.95). Análises de sensibilidade e SHAP (SHapley Additive exPlanations) também foram realizadas para obter insights sobre a importância dos parâmetros de entrada. A análise de sensibilidade revelou que a tensão confinante (21,6%) e a densidade seca (26,89%) são os parâmetros mais influentes na previsão do MR. A análise SHAP confirmou essas descobertas, destacando o impacto crítico desses parâmetros nas previsões do modelo. Este estudo enfatiza a confiabilidade do GEP como uma ferramenta robusta para previsão precisa do MR em aplicações de solo de sub-base, fornecendo valiosos insights sobre o desempenho do modelo e a importância dos parâmetros em várias abordagens de aprendizagem de máquina (ML).