Monitoramento do índice de vazios em um modelo de barragem em escala de laboratório utilizando sísmica passiva e inteligência artificial

Abstract

As barragens desempenham um papel essencial no contexto mundial por possuírem várias aplicações voltadas à manutenção dos recursos hídricos, tais como: controle de cheias, armazenamento de água para abastecimento público e irrigação, além da geração de energia elétrica e retenção de rejeitos de mineração. No entanto, seu alto Dano Potencial Associado gera riscos a populações próximas, e no Brasil, a ligação com setores econômicos-chave, como agricultura e mineração, intensifica a necessidade de monitoramento contínuo. Segundo o Comitê Internacional de Grandes Barragens, a maioria das barragens no mundo é de terra, sendo a erosão interna (piping) uma das principais causas de ruptura. No Brasil, os registros da Agência Nacional de Águas não detalham adequadamente as causas de rompimentos, dificultando a comparação com estatísticas globais. A detecção precoce do piping é complexa com métodos tradicionais, mas técnicas geofísicas, como o monitoramento sísmico, têm se destacado na literatura como alternativas complementares para identificar descontinuidades de forma qualitativa. Contudo, medidas quantitativas são essenciais para tomadas de decisão na engenharia geotécnica. Diante desse contexto, o presente trabalho fundamentou-se no uso de monitoramento sísmico para estabelecer uma relação com um parâmetro intermediário (índice de vazios) relacionado à ocorrência de piping em um modelo de barragem em escala de laboratório, permitindo obter uma medida quantitativa do estado do modelo no tempo. Inicialmente, cenários estáticos definiram a assinatura sísmica do material sob diferentes condições de compactação. Em seguida, um cenário dinâmico acompanhou a variação temporal do parâmetro intermediário. Modelos de Inteligência Artificial (IA) de classificação e regressão, treinados com os dados estáticos, foram aplicados para prever a variação do índice de vazios no cenário dinâmico. Os resultados mostraram que os modelos de IA diferenciaram bem os cenários estáticos. No cenário dinâmico, a previsão da variação do parâmetro intermediário não teve correspondência com as observações físicas do modelo.