Machine learning aplicado à previsão de piping em barragens de terra homogêneas

Abstract

As barragens de terra são estruturas que desempenham um papel fundamental na economia de um país. No entanto, estas estruturas estão associadas a vários riscos ambientais e humanos. O fenômeno de piping é conhecido mundialmente como uma das principais causas de falhas e rupturas de barragens de terra. O piping está associado a inúmeros fatores físicos, tais como parâmetros do solo (ângulo de atrito e coesão), aspectos geométricos das barragens (altura e seção típica), condições geológicas, e aspectos construtivos. Devido à complexidade do processo, a maioria dos modelos físicos e matemáticos não são suficientes para simular e prever a ocorrência do fenômeno. O algoritmo Boruta, cujo princípio é classificador Random Forest,e o teste t de hipóteses de Welch foram aplicados para identificar as variáveis mais relevantes para o piping. A técnica de redes neurais artificias (RNA) foi utilizada para elaborar um modelo de previsão da ocorrência de piping. O banco de dados utilizado na pesquisa é composto por 23 barragens de terra homogêneas com e sem a ocorrência de piping. As variáveis analisadas foram o ângulo de inclinação do dreno, a altura da barragem, o nível de água a montante, a inclinação do talude a jusante, o diâmetro máximo efetivo das partículas de solo, o peso específico saturado do solo, o coeficiente de permeabilidade, a coesão efetiva do solo, e o ângulo de atrito interno efetivo. Uma análise paramétrica foi efetuada para compreender os efeitos da variações de parâmetros da simulação da RNA nos resultados obtidos. Pelas análises, as variáveis mais importantes identificadas para o piping são o diâmetro efetivo da partícula de solo e o ângulo de inclinação do dreno vertical. Com a aplicação da técnica de redes neurais artificiais (RNA), foram obtidos resultados satisfatórios para a previsão da ocorrência de piping em barragens de terra homogêneas, a partir do banco de dados e de barragens hipotéticas simuladas no Geostudio, considerando o mecanismo de erosão regressiva. Os resultados contribuem para a melhoria das ferramentas de previsão de ocorrência de piping, para apoiar o monitoramento e a instrumentação de barragens de terra e para enaltecer a importância de modelos de análise de risco e segurança de barragens.