Analises de Dados de Curvas de Calibrações do Papel Filtro (SUCÇÃO) e Aplicações de Redes Neurais Artificiais na Estimativa da Umidade Obtida Pela Técnica TDR em Solos não Saturados
Nome: NELSON DE CARVALHO SANTOS
Data de publicação: 06/02/2026
Resumo: O teor de água no solo (v) e a sucção são variáveis que influenciam o comportamento hidráulico
e mecânico dos solos não saturados (SNS). Entretanto, medições diretas dessas grandezas podem
ser onerosas e operacionalmente limitadas, motivando o uso de métodos indiretos, como a
Reflectometria no Domínio do Tempo (TDR – Time Domain Reflectometry), para a estimativa
da v, e o método do papel filtro (MPF), para a estimativa da sucção matricial ou total. Nesse
contexto, esta dissertação teve como objetivo analisar e comparar o desempenho de redes neurais
artificiais (RNAs) e de equações de regressão na calibração do TDR para a estimativa do teor de
água no solo, bem como avaliar o desempenho de curvas de calibração bilineares e exponenciais
do MPF, com base em dados experimentais disponíveis na literatura, na estimativa da sucção
matricial em diferentes SNS. Para o TDR, foi compilado um banco de dados da literatura visando
à calibração por meio de equações de regressão e RNAs, considerando como variáveis de entrada
a constante dielétrica aparente (Ka), a massa específica seca (BD), o teor de matéria orgânica
(MO) e o percentual de argila (% argila). Para o MPF, realizou-se a avaliação de calibrações
bilineares e exponenciais reportadas na literatura, considerando o papel filtro inicialmente seco ao
ar e a trajetória de umedecimento em contato. Os resultados indicaram, para o TDR, desempenho
superior das RNAs em relação às equações de regressão, com maiores valores de coeficiente
de determinação (R2) e menores erros, expressos pela raiz do erro quadrático médio (RMSE)
e pelo erro médio absoluto (MAE), além de melhor capacidade de generalização em dados
externos ao conjunto de treinamento. Observou-se que o uso exclusivo de Ka é insuficiente para
representar adequadamente a variabilidade da v, sendo as melhores arquiteturas aquelas que
combinaram Ka com BD, MO e % de argila, com destaque para a RNA12-6, que apresentou
o melhor desempenho global e comportamento próximo à condição ideal 1:1 para diferentes
tipos de solo. Para o MPF, verificou-se que as calibrações bilineares permanecem, em geral,
dentro das tolerâncias normativas, porém apresentam maior variabilidade e perda de desempenho
em regimes de alta sucção, sobretudo em solos com maior fração fina. Entre as calibrações
exponenciais, observou-se melhor desempenho global, com estimativas majoritariamente dentro
dos intervalos de confiança. No conjunto, conclui-se que a seleção adequada das calibrações
e das variáveis de entrada é fundamental para reduzir as incertezas na estimativa da v e da
sucção em SNS, destacando-se o melhor desempenho das abordagens baseadas em RNAs e das
calibrações exponenciais do MPF.
