Otimização multiobjetivo de misturas de concreto utilizando xgboost e algoritmo genético: uma abordagem sustentável baseada em IA

Este trabalho propõe uma abordagem inovadora para a otimização multiobjetivo de misturas de concreto, visando conciliar resistência mecânica, redução de custos e diminuição da pegada de carbono (CO₂). A metodologia integra o algoritmo preditivo XGBoost, com quantificação de incertezas, e o algoritmo genético NSGA-II para otimização. O XGBoost foi refinado para prever a resistência do concreto, enquanto o NSGA-II explorou soluções que equilibram os múltiplos objetivos de desempenho e sustentabilidade. Os resultados demonstram a eficácia do modelo de machine learning na otimização de misturas de concreto, validando estatística e matematicamente sua precisão e robustez em comparação com métodos tradicionais. Este estudo destaca o potencial da inteligência artificial para aprimorar a engenharia civil, oferecendo ferramentas para decisões mais informadas e sustentáveis. Futuras etapas incluem a realização de ensaios laboratoriais para validação prática dos resultados computacionais, consolidando a aplicabilidade da abordagem em um contexto real. Palavra-chave: Otimização Multiobjetivo; Concreto; Machine Learning; XGBoost; Algoritmo Genético; Sustentabilidade; Resistência a Compressão; Traço de Concreto.