A interpretação de perfis geotécnicos a partir de ensaios de piezocone (CPTu) é essencial para o refinamento de perfis geológicos obtidos por sondagens, porém apresenta limitações decorrentes da subjetividade do analista e da dificuldade de ponderar múltiplas variáveis simultaneamente. Essa condição pode gerar inconsistências na definição dos horizontes geomecânicos, sobretudo em depósitos heterogêneos, como solos residuais. Este trabalho propõe a aplicação de técnicas de machine learning para automatizar e aprimorar a segmentação e a parametrização de horizontes geomecânicos com base em dados de CPTu, reduzindo a subjetividade e integrando múltiplos parâmetros ao processo decisório. Foram utilizados dados de 32 ensaios, com classificação inicial baseada em condicionais preestabelecidas, contemplando Solo Residual Tipo A (Mole), Saprólito Tipo A, Solo Residual Tipo B (Fofo) e Saprólito Tipo B. A metodologia emprega um modelo supervisionado Random Forest, treinado com seis variáveis: poropressão hidrostática (u?), poropressão (u?), resistência de ponta (qt), índice de comportamento (Ib), razão de atrito (Fr) e parâmetro de poropressão (Bq). Aplicou-se, ainda, suavização por janela móvel para reduzir a hipersegmentação. Os resultados sugerem ganhos potenciais em produtividade, repetibilidade e eficiência, além de evidenciarem diferenças em relação à classificação inicial, indicando que a abordagem pode contribuir como ferramenta de suporte à decisão geotécnica.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160