Proposta de modelos de predição da resistência não drenada de rejeitos de bauxita.

Abstract

A correta determinação de parâmetros de resistência de rejeitos é essencial na engenharia geotécnica. Casos recentes de rupturas de barragens de rejeito de mineração, reforçam a necessidade de um melhor entendimento do comportamento mecânico de rejeitos. Para a determinação da resistência não drenada desses materiais, comumente são utilizados ensaios de campo como o ensaio de piezocone (CPTu) e palheta (Vane). Apesar dos ensaios de campo fornecerem uma medida in situ das propriedades do solo/rejeito, as metodologias para determinação da resistência não drenada por meio destes ensaios advêm de correlações empíricas e/ou analíticas que foram propostas e validadas em solos naturais. Visando contornar problemas de predição semelhantes ao tratado neste trabalho, vários autores têm aplicado técnicas da ciência de dados (estatística multivariada, aprendizado de máquina e inteligência artificial) como K-ésimo Vizinho mais Próximo, Florestas Aleatórias, Regressão Linear Múltipla, Máquina Vetor Suporte, dentre outras. Sendo assim, o presente trabalho tem por objetivo aplicar tais técnicas para a obtenção de modelos capazes de prever a resistência não drenada de pico de um rejeito de bauxita por meio de ensaios de campo (piezocone e palheta) e laboratório (teor de umidade). As variáveis influentes na obtenção da resistência não drenada também foram avaliadas por meio de diferentes combinações nos input das variáveis nos modelos. Foi aplicado também a técnica de validação cruzada k-fold para avaliar a acurácia e capacidade de generalização dos modelos elaborados. Além disso, é apresentada proposta metodológica para caracterização do comportamento não drenado com base nos dados dos ensaios de CPTu e dissipação de poropressão. Os modelos de ciência de dados obtidos foram comparados com a metodologia baseada fatores do cone Nkt, Nu e Nke calibrados com o Vane para a determinação da resistência não drenada. Dentre os resultados obtidos, as técnicas de ciência de dados apresentaram R2 superiores à 0,90, mostrando também menor dispersão dos resultados preditos se comparadas à metodologia baseada nos fatores supracitados. Com base no estudo das variáveis influentes, foi observado que as poropressões são as variáveis que mais influenciam na predição da resistência não drenada. Além disso, por meio do teste estatístico t-student foi comprovado que os modelos de ciência de dados têm desempenho superior à metodologia clássica de melhor desempenho (baseado nas poropressões), partindo das mesmas variáveis independentes.