Predição da resistência de filitos em função da anisotropia por meio de métodos de inteligência artificial.

Abstract

A resistência de pico de rochas anisotrópicas é fortemente influenciada pela orientação da foliação e pela tensão confinante, apresentando comportamento direcional não linear. Modelos clássicos de resistência fornecem resultados pontuais associados a orientações específicas e demandam elevado número de ensaios laboratoriais, dificultando a representação contínua do comportamento mecânico. Nesse contexto, este trabalho teve como objetivo interpolar a resistência de pico de filitos anisotrópicos por meio da aplicação e comparação de modelos preditivos baseados em técnicas de aprendizado de máquina supervisionado. Foram analisados cinco bancos de dados experimentais compilados da literatura, representando os litotipos Carbonaceous, Quartzite, Micaceous, Dry e Moretown. A modelagem foi implementada em linguagem Python utilizando os algoritmos Random Forest, Gaussian Process Regression e Support Vector Regression. O desempenho foi avaliado por meio das métricas: coeficiente de determinação, erro médio absoluto e raiz do erro quadrático médio, considerando conjuntos de treinamento e teste. Os resultados confirmaram a presença de anisotropia direcional em todos os litotipos, com curvas características em formato típico de “U” e redução relativa do contraste anisotrópico com o aumento da tensão confinante. Entre os modelos avaliados, o Gaussian Process Regression apresentou o melhor desempenho global, combinando elevados valores de coeficiente de determinação e menores erros relativos para a maioria dos litotipos, enquanto o Support Vector Regression destacou-se na representação do filito Micaceous. O modelo Random Forest demonstrou capacidade preditiva satisfatória, embora sem se sobressair em relação aos demais. Conclui-se que modelos de aprendizado de máquina supervisionado são capazes de representar de forma contínua e coerente o comportamento mecânico anisotrópico de filitos, constituindo ferramenta promissora para complementar métodos experimentais tradicionais.