A caracterização precisa das propriedades geotécnicas dos solos é fundamental para projetos de engenharia civil, mas frequentemente depende de ensaios laboratoriais onerosos e demorados. Este artigo apresenta uma revisão sistemática da literatura com o objetivo de compilar, caracterizar e analisar criticamente as principais aplicações de análises de correlação estatística utilizadas na predição e caracterização de propriedades geotécnicas. A metodologia seguiu o framework PICOC, com uma estratégia de busca abrangente em múltiplas bases de dados. Vinte e sete artigos foram selecionados para análise detalhada, revelando uma evolução significativa das técnicas empregadas, desde correlações lineares simples até algoritmos avançados de Machine Learning (ML), incluindo Random Forest, XGBoost, redes neurais e modelos bayesianos. Os resultados destacam a superioridade dos métodos não lineares e de ML na captura de relações complexas entre propriedades geotécnicas, com estudos demonstrando reduções substanciais nos erros de predição em comparação com correlações empíricas tradicionais. A análise individual dos estudos forneceu insights sobre a confiabilidade das correlações aplicadas a parâmetros como resistência ao cisalhamento e compressibilidade. Conclui-se que a integração de métodos estatísticos avançados e técnicas de ML representa uma mudança paradigmática na predição e caracterização geotécnica, oferecendo ferramentas mais precisas e confiáveis para engenheiros. Entretanto, a seleção adequada do método deve considerar o tamanho da amostra, a complexidade do fenômeno estudado e sua aplicabilidade regional.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160