Previsão Baseada em Dados da Resistência à Compressão em Concreto com Agregado Leve de Argila Expandida Usando Técnicas de Aprendizado de Máquina

A crescente demanda por materiais de construção sustentáveis e leves acelerou a pesquisa sobre alternativas aos concretos convencionais, dentre os quais o concreto com Agregado Leve de Argila Expandida (LECA) surgiu como uma solução promissora. Contudo, a alta porosidade e o comportamento mecânico não linear do concreto LECA complicam a previsão precisa da resistência à compressão por meio de modelos empíricos convencionais. O foco principal do artigo é identificar uma estrutura abrangente baseada em aprendizado de máquina para modelar e prever a resistência à compressão aos 28 dias do concreto leve com base em LECA. O conjunto de dados foi criado e pré-processado usando normalização estatística e análise de correlação. Neste estudo, cinco modelos supervisionados de aprendizado de máquina — Regressão Linear Múltipla (MLR), Regressão por Vetores de Suporte (SVR), Floresta Aleatória (RF), eXtreme Gradient Boosting (XGBoost) e Categorical Boosting (CatBoost) — foram desenvolvidos e ajustados por meio de uma estratégia de busca em grade combinada com validação cruzada em dez dobras. A qualidade da previsão feita por cada modelo foi avaliada por meio de indicadores de desempenho padrão, como coeficiente de determinação (R2), erro quadrático médio da raiz (RMSE), erro médio absoluto (MAE) e erro percentual absoluto médio (MAPE). Após a avaliação, os modelos foram comparados e classificados segundo o Método de Análise Relacional Gray (GRA). A avaliação comparativa mostra que o CatBoost apresentou o desempenho mais confiável, alcançando um R2 de 0,907, RMSE de 3,41 MPa, MAE de 2,47 MPa e MAPE de 10,05%, superando os demais algoritmos. Para interpretar a importância das variáveis, foi aplicada a análise SHAP (Shapley Additive exPlanations), que identificou o conteúdo de água e LECA como os fatores dominantes que influenciam a resistência à compressão, seguidos pelas proporções de cimento e agregado fino. Os achados revelam que o modelo baseado em gradient boosting é capaz de capturar interações não lineares complexas, como observadas na matriz heterogênea do concreto LECA.