Este estudo apresenta o desenvolvimento de um modelo baseado em redes neurais artificiais (RNA) como uma ferramenta substituta (*surrogate model*) para prever o fator de segurança (FS) de taludes secos e homogêneos, considerando superfícies de ruptura circulares. Um conjunto de dados composto por 455 amostras foi gerado por meio de análises paramétricas, utilizando o método de equilíbrio-limite de Morgenstern–Price, implementado no software Slope/W. O problema foi formulado com base em parâmetros adimensionais e geométricos, especificamente o número de estabilidade (\(N_s\)), o ângulo do talude (\(\beta\)) e o ângulo de atrito do solo (\(\phi\)). Realizou-se uma avaliação sistemática de diferentes arquiteturas de RNA, considerando variações no número de camadas ocultas, neurônios, funções de ativação e algoritmos de otimização. A configuração ideal consistiu em quatro camadas ocultas, totalizando 95 neurônios, com funções de ativação ReLU e o otimizador Adam. O treinamento do modelo incluiu a normalização dos dados e a validação cruzada, visando aprimorar a capacidade de generalização. O modelo selecionado apresentou elevada precisão preditiva dentro do domínio de treinamento, com um coeficiente de determinação (\(R^2\)) de 0,999 e um erro absoluto médio (EAM) de 0,0344 para o conjunto de dados de teste. Comparações com métodos de equilíbrio-limite e análises de redução de resistência indicaram uma forte concordância. Tendências consistentes também foram observadas em relação a equações empíricas de estabilidade. Contudo, foram identificadas discrepâncias maiores ao comparar os resultados com ábacos de estabilidade, especialmente em condições fora da faixa de treinamento, o que aponta limitações quanto à extrapolação. Os resultados demonstram que modelos baseados em RNA podem fornecer previsões eficientes e precisas da estabilidade de taludes em condições secas e homogêneas, constituindo uma alternativa prática para análises preliminares. Tais constatações ressaltam tanto a eficiência de modelos substitutos baseados em RNA quanto a importância de utilizar conjuntos de dados representativos para garantir uma aplicação confiável.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160