Desenvolvimento de modelo de predição do fator de segurança para taludes homogêneos e secos via árvore de regressão

Abstract

O crescimento populacional em direção às encostas tem intensificado a ocupação de zonas de risco, caracterizadas por construções em taludes suscetíveis a problemas de estabilidade e movimentos de massa, representando riscos à vida humana. Diversos métodos são empregados para avaliar a estabilidade de taludes, sendo o fator de segurança uma das principais medidas utilizadas. Entretanto, muitos desses métodos, além de complexos, dependem de softwares especializados. Nesse contexto, o aprendizado de máquina, ramo da inteligência artificial, destaca-se pela capacidade de identificar padrões e realizar previsões a partir de dados de entrada. O presente trabalho aplica o algoritmo de árvore de decisão, na forma de uma árvore de regressão, para prever fatores de segurança de taludes homogêneos e secos, típicos de aterros rodoviários. Em contraste com outras técnicas, como redes neurais, as árvores de decisão apresentam baixa complexidade e alta interpretabilidade, com uma arquitetura que possibilita compreender o peso e a influência das variáveis nas decisões do modelo. Para este trabalho, uma base de dados com 2016 topologias foi gerado para diferentes taludes homogêneos e secos, variando características geotécnicas e geométricas. Foi realizada uma análise exploratória dos dados, seguida do tratamento necessário para garantir uma base independente e balanceada. A base de dados foi dividida em dois conjuntos, sendo um utilizado para o treinamento do modelo e o outro destinado aos testes e à obtenção dos parâmetros de desempenho. O modelo final de árvore de regressão apresenta sete níveis de profundidade, com 96 folhas e três amostras mínimas por folha, configurado para o critério de divisão baseado na redução da variância. O desempenho do modelo ótimo apresenta coeficiente de determinação (R²) de 0,96, erro absoluto médio (MAE) de 0,13 e raiz do erro quadrático médio (RMSE) de 0,25, sendo esses resultados indicativos de uma boa capacidade de generalização. Por fim, destaca-se o impacto da análise exploratória dos dados e da engenharia de atributos aplicada à base original, a qual possibilitou a redução do espaço amostral e contribuiu para uma melhor extração de informações. O modelo foi avaliado com base no método de Morgenstern-Price, sendo também realizada a comparação de suas predições com a equação de estabilidade de Sampa e Schorr (2024). Considerando as potencialidades do modelo obtido, o trabalho apresenta potencial para a implementação de uma ferramenta preliminar nas análises de estabilidades geotécnicas.

Population growth toward hillside areas has intensified the occupation of risk zones, characterized by constructions on slopes susceptible to stability problems and mass movements, posing risks to human life. Several methods are employed to evaluate slope stability, with the factor of safety being one of the main measures used. However, many of these methods, in addition to being complex, rely on specialized software. In this context, machine learning, a branch of artificial intelligence, stands out for its ability to identify patterns and perform predictions based on input data. This study applies a decision tree algorithm, in the form of a regression tree, to predict the factor of safety of homogeneous dry slopes, typical of road embankments. In contrast to other techniques, such as neural networks, decision trees present low complexity and high interpretability, with an architecture that allows understanding the weight and influence of variables in the model's decisions. For this work, a dataset containing 2016 slope configurations was generated, considering different homogeneous dry slopes with varying geotechnical and geometrical characteristics. An exploratory data analysis was conducted, followed by data treatment to ensure an independent and balanced dataset. The dataset was divided into two subsets, one used for model training and the other for testing and performance evaluation. The final regression tree model has a depth of seven levels, with 96 leaves and a minimum of three samples per leaf, configured using a variance reduction splitting criterion. The optimal model achieved a coefficient of determination (R²) of 0.96, a mean absolute error (MAE) of 0.13, and a root mean squared error (RMSE) of 0.25, indicating good generalization capability. Finally, the impact of exploratory data analysis and feature engineering applied to the original dataset is highlighted, as it enabled the reduction of the sample space and improved information extraction. The model was evaluated based on the Morgenstern-Price method. Considering the capabilities of the developed model, this work shows potential for the implementation of a preliminary tool for geotechnical stability analyses.