Podemos confiar na predição de spalling do concreto sob incêndio por aprendizado de máquina?

Resumen

spalling consiste no desprendimento de camadas ou fragmentos da superfície do concreto durante sua exposição a temperaturas elevadas. Este estudo propõe e examina um método de avaliação da confiabilidade pontual de predições de spalling produzidas por aprendizado de máquina. O procedimento pós-predição combina um filtro de densidade com os critérios de Concordância Local (CL) e Ajuste Local (AL), considerando o suporte da classe predita na vizinhança e o desempenho do classificador em observações semelhantes. Utilizou-se uma base com 855 amostras, provenientes de 46 publicações e descritas por 17 atributos. O classificador utilizado foi XGBoost e seu desempenho foi comparado por divisão simples, validação cruzada e validação externa com referências distintas entre treinamento e avaliação, simulando casos reais. A validação externa apresentou desempenho inferior às demais estratégias. Aplicados conjuntamente, CL e AL classificaram como confiáveis 84 das 210 predições externas, correspondentes a 40,0% de cobertura. Sob os limiares adotados, não ocorreram erros no subconjunto confiável. O método proposto complementa as métricas globais ao identificar individualmente predições com maior suporte empírico e sinalizar aquelas que não atendem aos critérios de confiabilidade adotados.