Modelagem da resistência à compressão do concreto reciclado de agregados de geopolímero utilizando aprendizado de máquina em conjunto

Na busca para reduzir o impacto ambiental do setor da construção, a adoção de materiais sustentáveis e ecológicos é imperativa. O concreto reciclado de agregados de geopolímero (GRAC) surge como uma solução promissora ao substituir materiais cimentícios suplementares, incluindo cinzas volantes e cimento de escória, pelo cimento Portland comum e utilizar agregados reciclados de resíduos de construção e demolição, reduzindo assim significativamente as emissões de carbono e o consumo de recursos. Apesar de seu potencial, a implementação generalizada do GRAC tem sido dificultada pela falta de uma metodologia eficaz de projeto de mistura. Este estudo busca preencher essa lacuna por meio de uma nova abordagem baseada em aprendizado de máquina (ML) para modelar com precisão a resistência à compressão (CS) do GRAC, um parâmetro crítico para garantir a integridade estrutural e a segurança. Compilando um banco de dados abrangente a partir da literatura existente e aprimorando-o com dados sintéticos gerados por meio de uma rede generativa adversarial tabular, esta pesquisa emprega oito técnicas de ML em conjunto, compreendendo três métodos de bagging e cinco de boosting, para prever a CS do GRAC com alta precisão. Os modelos de boosting, notadamente o extreme gradient boosting, light gradient boosting, gradient boosting e regressões de boosting categóricas, demonstraram desempenho superior, alcançando um erro percentual absoluto médio de menos de 6%. Essa precisão na previsão destaca a viabilidade do ML na otimização das formulações de GRAC para aplicações estruturais aprimoradas. A identificação da idade de teste, do conteúdo de agregados finos naturais e da proporção de agregados reciclados como fatores centrais oferece insights valiosos no processo de projeto de mistura, facilitando decisões mais informadas na seleção e dosagem de materiais. Além disso, o desenvolvimento de uma interface gráfica amigável para previsão de CS exemplifica a aplicação prática desta pesquisa, podendo acelerar a adoção do GRAC nas práticas de construção convencionais. Ao possibilitar o uso prático do GRAC, esta pesquisa contribui para o esforço global de promover o desenvolvimento sustentável dentro da indústria da construção.