Desenvolvimento de modelo de redes neurais artificiais para previsão da estabilidade de taludes homogêneos e secos: comparação com os métodos de equilíbrio limite, ábacos de estabilidade e equações de estabilidade

Abstract

Fatores ambientais, climáticos, antrópicos e outros contribuem para o aumento da frequência e da severidade de desastres naturais, incluindo movimentos de massa. No contexto desses fenômenos, deslizamentos de terra com elevado potencial de gerar impactos negativos são recorrentes em taludes naturais e artificiais, afetando diversas regiões, como no estado de Santa Catarina. Diversas abordagens vêm sendo aplicadas para a análise da estabilidade de taludes, buscando identificar os fatores para subsidiar a tomada de decisões. Com a rápida evolução da inteligência artificial e sua crescente aplicação em diferentes áreas, torna-se indispensável expandir seu uso na análise de estabilidade de taludes. Neste contexto, o presente estudo tem como objetivo desenvolver um modelo de redes neurais artificiais para a previsão do fator de segurança de taludes homogêneos e secos. Para o treinamento da rede, foram utilizadas 455 amostras geradas no software Slope/W, empregando o método de Morgenstern-Price. Foram testadas diversas configurações de arquitetura das redes neurais artificiais, permitindo identificar a estrutura que proporcionou os melhores resultados. A arquitetura do modelo final consistiu em quatro camadas ocultas, com um total de 95 neurônios e funções de ativação ReLU. Os resultados obtidos indicaram um excelente desempenho do modelo dentro do intervalo de dados utilizados, com um coeficiente de determinação (R²) de 0,999 e um erro médio absoluto de 0,0344 nos dados de teste. Na comparação com os métodos de equilíbrio limite, o modelo apresentou resultados próximos e satisfatórios. Por outro lado, em relação aos ábacos de estabilidade, observou-se maior divergência nas predições, indicando que a rede neural não generalizou adequadamente para dados fora do intervalo de treinamento. Já no caso das equações de estabilidade, constatou-se uma convergência satisfatória com métodos consolidados. As redes neurais artificiais demonstraram-se altamente eficazes, evidenciando uma expressiva capacidade de aprendizagem das relações entre os parâmetros de entrada e o fator de segurança. No entanto, o estudo aponta amplo potencial para o aprimoramento do modelo, especialmente pela incorporação de taludes mais complexos e pela ampliação do intervalo de dados de treinamento.

Environmental, climatic, anthropogenic, and other factors contribute to the increasing frequency and severity of natural disasters, including mass movements. Landslides with significant potential to cause negative impacts are recurrent in natural and artificial slopes, affecting various regions, such as the state of Santa Catarina. Several approaches have been applied to slope stability analysis, aiming to identify influencing factors to support decision-making processes. With the rapid evolution of artificial intelligence and its growing application across diverse fields, expanding its use in slope stability analysis has become indispensable. In this context, the present study aims to develop an artificial neural network (ANN) model to predict the safety factor of homogeneous and dry slopes. A total of 455 samples were generated using the Slope/W software, employing the Morgenstern-Price method, to train the network. Various architectural configurations of the ANN were tested, enabling the identification of the structure that yielded the best results. The final model architecture consisted of four hidden layers, with a total of 95 neurons and ReLU activation functions. The results indicated excellent model performance within the range of the training data, achieving a coefficient of determination (R²) of 0.999 and a mean absolute error of 0.0344 on the test data. When compared to limit equilibrium methods, the model produced results that were close and satisfactory. However, greater discrepancies were observed in predictions involving stability charts, suggesting that the neural network did not adequately generalize to data outside the training range. On the other hand, a satisfactory convergence was noted with consolidated stability equations. The artificial neural networks demonstrated high efficacy, showcasing a strong learning capability of the relationships between input parameters and the safety factor. Nonetheless, the study highlights significant potential for model improvement, particularly through the incorporation of more complex slopes and the expansion of the training data range.