Predição da vida útil de projeto de estruturas de concreto armado sob corrosão por carbonatação: abordagem integrada de aprendizado de máquina e Monte Carlo

A carbonatação é um dos principais mecanismos de degradação do concreto armado, pois reduz o pH da matriz cimentícia e desencadeia a corrosão das armaduras, comprometendo a durabilidade das estruturas. Embora diversos modelos analíticos tenham sido propostos, muitos não consideram o efeito de variáveis climáticas, em especial da temperatura média do ambiente, além de se basearem em ensaios acelerados que não refletem fielmente as condições naturais de exposição. Este estudo busca propor um modelo preditivo da profundidade de carbonatação, construído exclusivamente a partir de dados de concretos expostos a condições reais de degradação, acoplado a uma ferramenta probabilística de análise da vida útil por meio de simulações de Monte Carlo. O banco de dados utilizado reuniu mais de 2300 registros de carbonatação. Foram avaliadas arquiteturas de redes neurais artificiais (RNAs) com até três camadas ocultas, utilizando métricas como coeficiente de determinação (R²), raiz do erro quadrático médio (RMSE) e erro absoluto médio (MAE). As melhores arquiteturas multicamadas alcançaram R² médio de 0,85 e RMSE de aproximadamente 0,84 mm/ano^0,5, modelo este selecionado para ser acoplado ao método de simulação de Monte Carlo. A análise paramétrica evidenciou fatores críticos para a carbonatação, como umidade relativa entre 50% e 60%, relação água/aglomerante elevada, ambientes internos e maiores teores de adições minerais, além de mostrar que a temperatura exerce efeito indireto e dependente da interação com outras variáveis, a exemplo da umidade relativa. A incorporação do modelo à simulação de Monte Carlo resultou em estimativas mais conservadoras de vida útil de projeto, entre 20 e 50 anos, em comparação com as de 50-80 anos obtidas em análises determinísticas. Como principais contribuições da pesquisa, destacam-se a proposição de um modelo preditivo, baseado em dados reais e considerando variáveis climáticas, e a consolidação de uma ferramenta de fácil aplicação para análise probabilística da vida útil de projeto de estruturas de concreto armado sob corrosão por carbonatação.

Resumo (inglês)

Carbonation is one of the main degradation mechanisms in reinforced concrete, as it lowers the pH of the cementitious matrix and triggers corrosion of the reinforcement, compromising the durability of structures. Although several analytical models have been proposed, many fail to adequately account for the effects of climatic variables, particularly average ambient temperature, and are often based on accelerated tests that do not faithfully represent natural exposure conditions. This study aims to propose a predictive model for carbonation depth, built exclusively from data on concretes exposed to real-world degradation conditions, coupled with a probabilistic service-life analysis tool using Monte Carlo simulations. The database used comprised more than 2,300 carbonation records. Artificial neural network (ANN) architectures with up to three hidden layers were evaluated using performance metrics such as coefficient of determination (R²), root mean square error (RMSE) and mean absolute error (MAE). The best multilayer architectures achieved an average R² of 0.85 and RMSE of approximately 0.84 mm/year^0.5, with the selected model integrated into the Monte Carlo simulation method. Parametric analysis highlighted critical factors for carbonation, such as a relative humidity between 50% and 60%, a high water-to-binder ratio, indoor exposure conditions, and higher mineral-addition contents. It also showed that temperature exerts an indirect effect dependent on its interaction with other variables, such as relative humidity. The incorporation of the model into Monte Carlo simulations resulted in more conservative service-life estimates, ranging from 20 to 50 years, compared with 50–80 years obtained in deterministic analyses. The main contributions of this research include the development of a predictive model based on real data and incorporating climatic variables, as well as the development of an easy-to-apply tool for probabilistic service-life analysis of reinforced concrete structures under carbonation-induced corrosion.

Palavras-chave

Durabilidade (Engenharia) Despassivação por Carbonatação Estruturas de Concreto Armado Redes Neurais Artificiais Monte Carlo, método de Durability Carbonation-Induced Depassivation Reinforced Concrete Structures Artificial Neural Networks Concreto armado Redes neurais (Computação)

Idioma

Português

Citação

BUENO, Tobias Lombardi Garcia Tiburcio. Predição da vida útil de projeto de estruturas de concreto armado sob corrosão por carbonatação: abordagem integrada de aprendizado de máquina e Monte Carlo. Orientador: Emerson Felipe Félix. 2026. 187 f. Dissertação (Mestrado em Engenharia) – Faculdade de Engenharia e Ciências de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá, 2026.