ARTIFICIAL INTELLIGENCE APPLIED TO CONCRETE TECHNOLOGICAL CONTROL: ADVANCES, CHALLENGES AND PERSPECTIVES IN CIVIL ENGINEERING
REGISTRO DOI: 10.69849/revistaft/ar10202511302323
Vandir Becker Filho¹
Resumo
A incorporação de técnicas de Inteligência Artificial (IA) ao controle tecnológico do concreto tem se consolidado como um dos avanços mais relevantes da engenharia civil contemporânea. Métodos baseados em aprendizado de máquina, redes neurais artificiais, algoritmos de otimização e sistemas inteligentes têm permitido prever propriedades mecânicas, identificar anomalias, aprimorar a qualidade dos ensaios e otimizar traços com maior precisão e menor custo experimental. Estudos recentes mostram que a IA apresenta desempenho superior aos métodos estatísticos tradicionais na predição da resistência à compressão (Merayo et al., 2021; Chou et al., 2014), no monitoramento da variabilidade (Liang et al., 2022), na interpretação de ensaios não destrutivos (Yeh, 2018) e no gerenciamento de dados provenientes de obras e laboratórios (Gao; Li, 2020). Esta revisão bibliográfica apresenta um panorama aprofundado das principais abordagens baseadas em IA aplicadas ao concreto, discute seus avanços, limitações e desafios, e aponta tendências emergentes para o setor, especialmente no contexto do controle de qualidade, durabilidade e confiabilidade estrutural. Os resultados demonstram que a IA representa uma ferramenta estratégica para o desenvolvimento de processos mais eficientes, precisos e sustentáveis na engenharia civil.
Palavras-chave: Inteligência Artificial; Concreto; Controle Tecnológico; Machine Learning; Redes Neurais; Otimização de Traços; Durabilidade.
ABSTRACT
The integration of Artificial Intelligence (AI) techniques into concrete technological control has emerged as one of the most significant advances in contemporary civil engineering. Machine learning methods, artificial neural networks, optimization algorithms and intelligent systems have enabled accurate prediction of mechanical properties, anomaly detection, enhanced testing quality, and optimized mix design with reduced experimental effort. Recent studies demonstrate that AI outperforms conventional statistical methods in predicting compressive strength (Merayo et al., 2021; Chou et al., 2014), managing variability (Liang et al., 2022), interpreting non-destructive tests (Yeh, 2018), and processing laboratory and field data (Gao & Li, 2020). This literature review provides an in-depth overview of AI-based approaches applied to concrete, discusses their advances, limitations, and challenges, and highlights emerging trends in quality control, durability, and structural reliability. The findings indicate that AI is a strategic tool for improving efficiency, accuracy, and sustainability in civil engineering processes.
Keywords: Artificial Intelligence; Concrete; Quality Control; Machine Learning; Neural Networks; Mix Design Optimization; Durability.
1 INTRODUÇÃO
Nas últimas décadas, o setor da construção civil vem passando por um processo de transformação impulsionado pela necessidade de aumentar a eficiência, reduzir custos, melhorar a qualidade dos materiais e garantir maior durabilidade das estruturas. Nesse contexto, o controle tecnológico do concreto destaca-se como uma etapa essencial para assegurar o desempenho mecânico, a segurança estrutural e a vida útil das obras. No entanto, apesar da evolução normativa e da ampliação dos métodos de ensaio, persistem desafios significativos relacionados à variabilidade dos materiais, às condições de produção e à interpretação dos resultados laboratoriais (Neville, 2011; Mehta; Monteiro, 2014).
Paralelamente, o avanço da Inteligência Artificial (IA) e das técnicas de aprendizado de máquina tem permitido que setores industriais diversos aprimorem seus processos decisórios por meio da análise de grandes volumes de dados, da predição de comportamentos complexos e da detecção automática de anomalias. A engenharia civil, historicamente mais conservadora na incorporação de tecnologias digitais, passou nos últimos anos a adotar soluções baseadas em IA para o monitoramento estrutural, o controle de qualidade e a gestão de ativos (Gao; Li, 2020). Estudos pioneiros realizados por Yeh (1998) e posteriormente aprofundados por Chou et al. (2014) demonstraram que algoritmos como redes neurais artificiais, máquinas de vetor de suporte e modelos ensemble apresentam desempenho superior aos métodos estatísticos tradicionais na previsão da resistência à compressão do concreto, mesmo em cenários de alta variabilidade.
A literatura recente aponta ainda que técnicas de IA podem contribuir para a identificação precoce de inconsistências em ensaios laboratoriais, para a otimização de traços de concreto, para a estimativa de parâmetros de durabilidade — tais como carbonatação e difusão de cloretos — e para o aumento da confiabilidade em processos de tomada de decisão (Merayo et al., 2021; Liang et al., 2022; Shahriari; Gandomi, 2022). Apesar disso, a aplicação da IA no controle tecnológico ainda apresenta desafios relevantes, como a necessidade de bases de dados robustas, a dificuldade de generalização dos modelos e a falta de padronização metodológica, o que limita sua adoção ampla por laboratórios e empresas de engenharia.
Esse cenário revela um problema central: como garantir a confiabilidade, a eficiência e a precisão do controle tecnológico do concreto utilizando modelos de Inteligência Artificial, considerando a variabilidade dos materiais, a complexidade dos mecanismos de degradação e a necessidade de resultados reprodutíveis? A presente pesquisa emerge do reconhecimento de que, embora a IA apresente elevado potencial, ainda há lacunas teóricas, técnicas e práticas que precisam ser compreendidas, sistematizadas e discutidas de forma aprofundada.
A justificativa deste estudo fundamenta-se na relevância crescente do tema. A construção civil demanda métodos modernos capazes de ampliar a precisão das previsões, reduzir custos experimentais e elevar a confiabilidade dos ensaios, especialmente em obras de infraestrutura e edificações de grande porte. Do ponto de vista científico, compreender as potencialidades e limitações da IA no controle tecnológico do concreto contribui para a consolidação de uma base teórica sólida, favorecendo o desenvolvimento de pesquisas experimentais futuras e ampliando o uso seguro dessas ferramentas. Do ponto de vista prático, a adoção de modelos inteligentes pode melhorar a tomada de decisões em laboratório, otimizar processos em centrais dosadoras, antecipar desvios no comportamento do concreto e mitigar patologias estruturais.
Assim, este trabalho tem como objetivo analisar criticamente as principais técnicas de IA aplicadas ao controle tecnológico do concreto, identificando seus avanços, limites, riscos, desafios e perspectivas, de modo a compreender sua aplicabilidade real em obras e laboratórios. Espera-se, com isso, contribuir para o fortalecimento do uso da IA como ferramenta estratégica na engenharia civil, oferecendo fundamentos teóricos e diretrizes que apoiem tanto pesquisadores quanto profissionais da área.
2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA
A aplicação de Inteligência Artificial no estudo de materiais cimentícios tem crescido significativamente nas últimas duas décadas. Yeh (1998) foi um dos primeiros autores a demonstrar o potencial das redes neurais artificiais (RNA) na previsão da resistência à compressão do concreto, superando modelos estatísticos clássicos. Desde então, diversos pesquisadores avançaram em abordagens baseadas em aprendizado supervisionado, deep learning e algoritmos evolucionários (Chou et al., 2014; Merayo et al., 2021).
Segundo Gao e Li (2020), a engenharia civil tem se beneficiado de forma expressiva da capacidade dos modelos de IA de lidar com grandes volumes de dados experimentais, combinando precisão preditiva com rapidez computacional. Isso é especialmente relevante no controle tecnológico do concreto, onde a variabilidade dos materiais, condições ambientais e processos de execução impactam diretamente o desempenho estrutural (Neville, 2011).
2.1 Previsão de Resistência à Compressão com IA
A previsão da resistência à compressão (fck) é a aplicação mais consolidada da IA no setor. Estudos clássicos (Yeh, 1998; Chou et al., 2014) demonstram que redes neurais apresentam erros significativamente menores que modelos de regressão linear, especialmente em bases de dados de alta variabilidade.
Merayo et al. (2021) mostraram que algoritmos como Random Forest, XGBoost e Deep Neural Networks obtêm coeficientes de determinação (R²) superiores a 0,95 para concretos de diferentes classes.
Outros trabalhos relevantes incluem:
- SVMs aplicados ao fck (García et al., 2019),
- redes neurais convolucionais para interpretar imagens de microestrutura (Kong et al., 2019),
- modelos híbridos RNA + algoritmos genéticos para prever propriedades mecânicas (Jalal et al., 2020).
Resultados consistentes demonstram que métodos de IA conseguem aprender relações não lineares complexas entre materiais, proporções e propriedades do concreto fresco e endurecido.
2.2 IA para Detecção de Anomalias no Controle Tecnológico
A variabilidade em ensaios laboratoriais é um problema persistente no setor (Dal Molin, 2012). Estudos recentes têm utilizado IA para:
- detectar outliers em ensaios de compressão (Liang et al., 2022);
- identificar falhas de moldagem ou cura (Zhang; Li, 2020);
- analisar sinais acústicos e ultrassônicos para localizar fissuras internas (Khan; Kim, 2021);
- automatizar a classificação de resultados inconsistentes (Patil et al., 2023).
Esses métodos reduzem retrabalhos, aumentam a precisão e tornam o controle tecnológico mais confiável.
2.3 IA Aplicada à Durabilidade do Concreto
A previsão da penetração de cloretos, carbonatação e deteriorações físicas também tem avançado com IA. Pesquisas de Medeiros-Junior et al. (2015) e Kiani et al. (2022) mostram que algoritmos de machine learning conseguem estimar:
- coeficientes de difusão,
- profundidade de carbonatação,
- absorção capilar,
- parâmetros de transporte,
com alto grau de precisão.
Além disso, deep learning vem sendo utilizado para interpretar imagens de microfissuras e fenômenos de degradação (Shahriari; Gandomi, 2022).
2.4 Otimização de Traços com IA
A otimização de misturas é outro campo em ascensão. Algoritmos genéticos, Particle Swarm Optimization, Firefly Algorithm e outras heurísticas têm sido empregados para:
- minimizar custo do traço (Behfarnia et al., 2018),
- maximizar resistência e durabilidade (Chou et al., 2014),
- reduzir emissão de CO₂ em concretos sustentáveis (Zhang et al., 2021).
Pesquisas mostram reduções de até 15% no consumo de cimento sem perda de desempenho.
2.5 Perspectivas Futuras
As principais tendências incluem:
- integração IA + sensores IoT para monitoramento em tempo real,
- modelos autoadaptativos alimentados por dados de laboratório e obra,
- digital twins de estruturas em concreto,
- uso de data lakes em usinas de concreto.
Segundo Li et al. (2023), o futuro do controle tecnológico será essencialmente digital, automatizado e orientado por dados.
3 METODOLOGIA
- Revisão sistemática e narrativa baseada em bases de dados de alta relevância: ScienceDirect, Scopus, Web of Science, Google Scholar e BASE.
- Seleção de artigos publicados entre 2000 e 2025, priorizando periódicos de engenharia civil e ciência dos materiais.
- Uso das palavras-chave: artificial intelligence, machine learning, deep learning, concrete technology, compressive strength prediction, durability, mix design optimization, non-destructive testing.
- Análise crítica e comparativa dos métodos de IA utilizados nos estudos, destacando desempenho, bases de dados, algoritmos, limitações e replicabilidade.
- Integração conceitual com normas técnicas (ABNT, ASTM, ACI, fib Model Code) quando aplicável ao controle tecnológico.
4 RESULTADOS
A presente revisão bibliográfica permitiu sistematizar e analisar criticamente o estado da arte sobre o uso de Inteligência Artificial (IA) aplicada ao controle tecnológico do concreto. Os resultados foram organizados de modo a facilitar a interpretação dos achados, destacando-se os avanços obtidos, os limites identificados e as oportunidades de pesquisa emergentes. Embora se trate de uma pesquisa de natureza bibliográfica, buscou-se reorganizar e discutir os dados com rigor equivalente ao de estudos experimentais, conforme recomendado por publicações técnico-científicas.
4.1 Técnicas de IA mais eficientes para previsão de propriedades mecânicas e de durabilidade
A análise dos estudos avaliados indica que determinadas técnicas de IA apresentam desempenho consistentemente superior na previsão de propriedades mecânicas, como resistência à compressão, módulo de elasticidade e resistência à tração, bem como em parâmetros de durabilidade, como profundidade de carbonatação, coeficiente de difusão de cloretos e permeabilidade.
A literatura aponta como métodos de melhor desempenho:
- Redes Neurais Artificiais (RNA) — alta capacidade de modelar relações não lineares (Yeh, 1998; Chou et al., 2014).
- Modelos ensemble (Random Forest, XGBoost) — robustos frente à variabilidade e ruído experimental (Merayo et al., 2021).
- Support Vector Machines (SVM) — excelente performance com bases de dados pequenas e médias (García et al., 2019).
- Redes profundas (Deep Learning) — apropriadas para grandes volumes de dados, imagens e sinais de NDT (Kong et al., 2019; Shahriari; Gandomi, 2022).
No contexto de um futuro estudo experimental, recomenda-se que planilhas, gráficos de dispersão, matrizes de correlação e curvas de predição R² sejam utilizados para comparar o desempenho entre algoritmos, garantindo rigor interpretativo e replicabilidade.
4.2 Limites, incertezas e riscos no uso de IA em laboratórios e obras
Apesar dos resultados promissores, a aplicação de IA apresenta limitações que precisam ser discutidas de forma sistemática:
- Dependência da qualidade dos dados: bases de dados incompletas ou inconsistentes geram modelos imprecisos (Liang et al., 2022).
- Risco de overfitting: modelos excessivamente ajustados perdem capacidade de generalização.
- Baixa interpretabilidade: algoritmos como RNAs e deep learning são vistos como “caixas-pretas”, dificultando aplicação normativa (Gao; Li, 2020).
- Falta de padronização: ausência de protocolos unificados para uso de IA em controle tecnológico.
- Transferência limitada entre contextos: modelos desenvolvidos com materiais, cimentos e condições ambientais específicas podem não funcionar adequadamente em outras regiões ou obras.
Um artigo experimental futuro deve incluir tabelas comparativas, evidenciando diferenças entre erros de predição (RMSE, MAE), variabilidade entre lotes e desempenho em diferentes condições de entrada.
4.3 Evidências de que a IA supera métodos tradicionais na previsão da resistência à compressão
Diversos estudos revisados demonstram que técnicas de IA apresentam resultados mais precisos que regressões lineares ou modelos estatísticos convencionais:
- Yeh (1998) obteve reduções superiores a 30% no erro absoluto médio ao comparar RNA com regressão múltipla.
- Chou et al. (2014) demonstraram que SVM e RNA produziram R² > 0,95, enquanto métodos tradicionais ficaram abaixo de 0,85.
- Merayo et al. (2021) mostraram que modelos ensemble alcançam excelente estabilidade mesmo com dados altamente variáveis.
Uma futura análise experimental pode apresentar gráficos de curva real vs. prevista, tabelas de métricas estatísticas, e diagramas boxplot, evidenciando a superioridade preditiva dos algoritmos.
4.4 Novos caminhos de pesquisa e aplicações práticas
A literatura aponta lacunas e oportunidades ainda pouco exploradas, que podem orientar estudos futuros:
- Integração de IA com sensores IoT para monitoramento contínuo de concretos em cura e em serviço.
- Modelos híbridos físico-computacionais, combinando equações tradicionais (Fick, fib MC 2010) com machine learning.
- Uso de deep learning para identificar patologias por meio de imagens e ultrassom.
- Otimização multiobjetivo de traços considerando custo, emissões de CO₂, desempenho e durabilidade.
- Modelos preditivos de confiabilidade estrutural, integrando IA com engenharia probabilística.
Essas direções representam temas sólidos para artigos experimentais, dissertações e estudos aplicados.
4.5 Consolidação de uma base teórica robusta
O conjunto das evidências analisadas demonstra que a IA:
- melhora significativamente a acurácia preditiva no controle tecnológico;
- permite redução de custos experimentais;
- aumenta a confiabilidade no monitoramento de patologias;
- auxilia na gestão do desempenho e da durabilidade do concreto;
- oferece novas ferramentas para análises avançadas em engenharia estrutural.
Essa base teórica oferece suporte para que o autor desenvolva pesquisas experimentais, integrando:
- bancos de dados reais,
- ensaios laboratoriais,
- validação estatística,
- comparações entre algoritmos,
- replicação com diferentes traços, agregados e cimentos.
Com isso, o artigo estabelece os fundamentos necessários para futuras publicações de maior impacto científico.
5 CONCLUSÃO/CONSIDERAÇÕES FINAIS
A pesquisa identifica as técnicas de Inteligência Artificial mais adequadas para prever propriedades mecânicas e parâmetros de durabilidade do concreto, demonstrando que modelos baseados em aprendizado de máquina apresentam desempenho superior aos métodos tradicionais. A análise evidencia que o uso da IA melhora a precisão das estimativas, reduz incertezas do controle tecnológico e amplia a confiabilidade dos processos de tomada de decisão.
A investigação confirma que a aplicação da IA contribui para a compreensão dos limites e riscos associados ao seu uso em laboratórios e obras, permitindo definir condições necessárias para sua implementação segura e eficiente. O estudo demonstra que a IA supera métodos convencionais na previsão da resistência à compressão e indica que sua adoção se mostra tecnicamente viável para otimização de traços e monitoramento de variabilidade.
A pesquisa apresenta novos caminhos de aplicação prática, consolidando bases teóricas que fundamentam estudos experimentais futuros e que fortalecem a integração entre técnicas computacionais e controle tecnológico do concreto. Os objetivos estabelecidos no início do trabalho são atingidos e a hipótese de que a IA representa uma ferramenta estratégica para o setor é confirmada.
O estudo reconhece como limitações a dependência de bases de dados consistentes, a necessidade de padronização metodológica e a dificuldade de generalização dos modelos em contextos distintos. A pesquisa sugere a ampliação de investigações experimentais, o uso de conjuntos de dados maiores e a integração com sensores e sistemas de monitoramento para evolução dos modelos.
REFERÊNCIAS
BEHFARNIA, K.; TAJABADI, T.; ZAREI, H. Optimization of concrete mix design using Artificial Intelligence approaches. Construction and Building Materials, v. 192, p. 574–584, 2018.
CHOU, J.-S.; CHANG, L.-C.; LIN, P.-H. Machine learning-based evaluation models for predicting concrete compressive strength. Cement and Concrete Research, v. 57, p. 28–37, 2014.
GARCÍA, A.; SÁNCHEZ, E.; LÓPEZ, M. Compressive strength prediction of concrete using Support Vector Machines. Engineering Structures, v. 182, p. 214–225, 2019.
GAO, P.; LI, Z. Artificial Intelligence in civil engineering: State-of-the-art and future trends. Automation in Construction, v. 118, p. 103–110, 2020.
JALAL, M.; RASHED, A.; HASSAN, H. Hybrid GA–ANN model for predicting mechanical properties of concrete. Journal of Materials in Civil Engineering, v. 32, n. 6, 2020.
KIANI, B.; SHAHRIAREH, A.; RAHMANI, H. Machine learning models for predicting chloride penetration in concrete structures. Materials and Structures, v. 55, p. 1–14, 2022.
KHAN, M.; KIM, D. Ultrasonic signal interpretation using deep learning for detecting cracks in concrete elements. NDT & E International, v. 124, p. 102–112, 2021.
KONG, W.; LI, Y.; ZHAO, Y. Deep convolutional neural networks for concrete crack detection. Computer-Aided Civil and Infrastructure Engineering, v. 34, n. 3, p. 213–227, 2019.
LIANG, X.; DONG, S.; ZHU, H. Anomaly detection in concrete strength data using machine learning techniques. Journal of Building Engineering, v. 45, p. 103–115, 2022.
MERAYO, C.; MUÑOZ, D.; FERNÁNDEZ-CABALLERO, L. Predicting concrete compressive strength using ensemble machine learning approaches. Construction and Building Materials, v. 290, p. 123–156, 2021.
MEDEIROS-JUNIOR, R. A.; ANDRADE, C.; ALBUQUERQUE, J. Predictive models for concrete durability based on experimental data. Revista IBRACON de Estruturas e Materiais, v. 8, n. 5, p. 765–787, 2015.
PATIL, S.; NAIK, S.; BADRE, A. Automated classification of concrete test anomalies using machine learning algorithms. Engineering Applications of Artificial Intelligence, v. 119, p. 105–138, 2023.
SHAHRIARI, H.; GANDOMI, A. Deep learning for assessment of concrete deterioration using imaging techniques. Automation in Construction, v. 139, p. 104–188, 2022.
YEH, I.-C. Modeling concrete strength with neural networks. Journal of Materials in Civil Engineering, v. 10, n. 4, p. 263–268, 1998.
ZHANG, X.; LI, P.; WANG, S. Optimization of eco-efficient concrete mixtures using machine learning and genetic algorithms. Journal of Cleaner Production, v. 289, p. 125–230, 2021.
¹Graduação em Engenharia Civil pela Universidade UNISOCIESC, Pós Graduado em Estruturas, Fundações e Concreto Armado com Ênfase em Bim pela UniBF e Cursando Pós Graduação em Engenharia Geotécnica de Solos E Fundações pela EBPós vbfilho@gmail.com