Para a professora Helena Paula Nierwinski, novas tecnologias ampliam as possibilidades de análise na engenharia geotécnica. Contudo, grandes volumes de informação só geram conhecimento quando há qualidade, critérios de integração e compreensão das ferramentas utilizadas.

Na atualidade, a engenharia geotécnica vive um cenário de crescente disponibilidade de dados. Ensaios de campo e laboratório, instrumentação e diferentes métodos de investigação produzem informações que podem ser armazenadas, cruzadas e analisadas com recursos computacionais cada vez mais avançados.

Nesse cenário, é possível afirmar que o ganho não está apenas no volume, mas também na possibilidade de enxergar relações que antes eram difíceis de identificar. Desse modo, é possível acompanhar comportamentos ao longo do tempo, estabelecer correlações, reconhecer padrões e confrontar novos resultados com aquilo que seria esperado para determinado contexto.

Helena Paula Nierwinski: professora, engenheira civil, doutora em Engenharia Geotécnica e professora da Universidade Federal de Santa Catarina (UFSC)

Base confiável exige olhar para além da quantidade

Na prática, a tecnologia amplia a capacidade de extrair informação dos dados e também de questionar a própria qualidade deles. Por isso, pode-se afirmar que há uma distância importante entre ter dados e ter dados confiáveis. Para Helena Paula Nierwinski, engenheira civil, doutora em Engenharia Geotécnica e professora da Universidade Federal de Santa Catarina (UFSC), construir uma base confiável exige olhar para além da quantidade.

Antes de utilizar uma informação, é preciso compreender se ela faz sentido no contexto analisado, reconhecer possíveis incoerências e avaliar até que ponto diferentes dados podem, de fato, ser relacionados.

Essa análise ganha complexidade quando informações de naturezas distintas precisam conversar. Como relacionar uma variável registrada continuamente em campo a um resultado pontual de laboratório? Como incorporar informações unidimensionais a modelos que representam o terreno em duas ou três dimensões? E como automatizar essas análises sem transformar a tecnologia em uma “caixa-preta” cujo resultado é aceito sem questionamento?

São questões que ganham relevância à medida que ciência de dados, automação e inteligência artificial avançam sobre a engenharia. De acordo com Helena, a geotecnia ainda está “no primeiro degrau” desse processo.

O potencial é grande, porém o aproveitamento exige interdisciplinaridade, qualificação das bases e, sobretudo, profissionais capazes de compreender o caminho percorrido entre o dado de entrada e a resposta apresentada por uma ferramenta.

Entrevista: Helena Paula Nierwinski

Na conevrsa exclusiva à Geotecnews, a pesquisadora discute os desafios da integração e da confiabilidade dos dados geotécnicos, os limites da automação e a importância de compreender a tecnologia por trás das análises. Helena também apresenta uma experiência prática dessa transformação: o desenvolvimento de uma ferramenta aberta criada a partir de uma dificuldade real de interpretação de dados de laboratório para o dimensionamento de pavimentos. Acompanhe o resultado da conversa abaixo.

 

A geotecnia produz cada vez mais dados. O que muda com as novas tecnologias na maneira de organizar, analisar e interpretar essas informações?

As novas tecnologias mudaram principalmente a nossa capacidade de organizar e explorar esses dados. Hoje, conseguimos olhar para um conjunto maior de informações, estabelecer correlações e extrair respostas que podem contribuir para os projetos.

Também conseguimos avaliar comportamentos ao longo do tempo. Podemos, por exemplo, acompanhar dados de instrumentos relacionados ao nível d’água, identificar padrões e, a partir deles, compreender melhor o que seria um comportamento esperado.

Isso também contribui para a avaliação da qualidade dos dados obtidos nas investigações. Quando conhecemos determinados padrões, conseguimos desenvolver um olhar mais crítico sobre uma nova informação e avaliar se ela está dentro do esperado.

Essas ferramentas abrem um leque muito grande de possibilidades: permitem organizar melhor os dados, explorá-los de maneira mais abrangente, extrair mais informações e também trabalhar com previsões de comportamento. Não falo necessariamente de previsão de projeto, mas da possibilidade de compreender o que esperamos como resposta e, a partir disso, avaliar criticamente os resultados que estamos recebendo.

A engenharia já avançou na mesma velocidade na capacidade de transformar esse volume crescente de dados em conhecimento?

Acho que ainda não. Estamos apenas no primeiro degrau. A inteligência artificial, as novas tecnologias e as ferramentas de análise de dados estão começando a ser inseridas no dia a dia da engenharia geotécnica, mas sua contribuição ainda é pequena diante de tudo o que pode ser explorado.

Ainda há muito a avançar tanto na organização dos bancos de dados quanto na maneira como utilizamos essas informações. E essa é uma área essencialmente interdisciplinar.

Um profissional com formação em geotecnia, por exemplo, nem sempre terá toda a bagagem necessária para trabalhar com análise estatística, confiabilidade e qualidade de grandes conjuntos de dados. Ele poderá precisar do suporte de profissionais de outras áreas ou buscar uma especialização.

Por isso, acredito que seja uma área em crescimento, que demandará cada vez mais capacitação. Existe um potencial muito grande de contribuição para os projetos geotécnicos e também para a geração de conhecimento, porque grandes conjuntos de informações podem revelar relações que antes não eram tão claras.

Quais são hoje os principais desafios para integrar dados provenientes de diferentes investigações, ensaios e métodos?

O primeiro grande desafio é a padronização. Hoje ainda encontramos diferenças significativas na forma como os resultados são apresentados nos relatórios. Para muitos ensaios, não existe uma padronização consolidada, e às vezes é necessário procurar uma determinada informação em diferentes partes de um documento.

Outro desafio está relacionado às diferentes características das variáveis. Podemos ter, por exemplo, uma variável medida continuamente e precisar relacioná-la a outra informação pontual.

Um exemplo é o ensaio CPTU. A resistência de ponta do cone pode ser registrada em intervalos muito pequenos, enquanto uma amostra indeformada analisada em laboratório representa uma determinada profundidade. Precisamos estabelecer critérios para relacionar essas informações de maneira coerente.

Também trabalhamos com o espaço tridimensional na geotecnia. Então surge outro desafio: como transformar uma variável unidimensional, obtida em laboratório, por exemplo, em uma informação que possa contribuir para um modelo bidimensional ou tridimensional?

São questões que precisam de critérios bem estabelecidos. Por isso, considero a padronização um dos primeiros pontos a serem enfrentados para avançarmos na integração dos dados.

Quando falamos em grandes bases de dados geotécnicos, o que determina se esses dados são realmente confiáveis?

Não adianta reunirmos mais de um milhão de dados se não houver um refinamento e um olhar profissional sobre eles. Precisamos compreender a variabilidade, verificar se as informações fazem sentido e identificar possíveis incoerências.

É importante observar inclusive os extremos. Se determinada variável está oscilando dentro de uma faixa, precisamos perguntar se aquela variação faz sentido para o cenário analisado.

Um exemplo simples é a poropressão em um ensaio CPTU. Se estamos realizando uma medição em um ambiente saturado e encontramos, eventualmente, poropressões negativas, precisamos investigar. Pode existir algum problema relacionado ao equipamento, à operação ou à própria execução do ensaio.

A base precisa ser avaliada antes de ser utilizada por uma aplicação ou ferramenta. Caso contrário, podemos simplesmente carregar um erro presente no dado original para todas as análises realizadas posteriormente.

Automação e ferramentas digitais podem aumentar a velocidade das análises. Como garantir que esse ganho venha acompanhado de qualidade e confiabilidade?

Precisamos compreender exatamente o que a ferramenta está fazendo: como realiza os cálculos, quais avaliações são feitas e quais relações estão sendo estabelecidas entre as variáveis.

Temos que ter segurança de que as correlações utilizadas realmente fazem sentido. Não basta inserir os dados em um software, receber uma resposta e utilizá-la de maneira indiscriminada.

O mesmo cuidado vale para o banco de dados. A confiabilidade da ferramenta depende também da confiabilidade das informações utilizadas. É necessário avaliar previamente a base, entender sua variabilidade e identificar dados que não sejam coerentes.

A automação pode ser um suporte muito valioso, inclusive para reduzir o risco de erro humano em análises que envolvem grandes volumes de informações. Mas é fundamental entender o processo que existe entre o dado de entrada e o resultado obtido.

Existe o risco de criarmos uma espécie de “caixa-preta”, em que o profissional recebe um resultado sem compreender como ele foi produzido?

Existe essa possibilidade. Mas acredito que nós, como profissionais e pesquisadores, temos a obrigação de entender essa “caixa-preta”. Esse é um dos pilares para o desenvolvimento e o uso dessas tecnologias.

Precisamos conhecer as ferramentas, saber como funcionam e compreender os cálculos realizados internamente. Os manuais também precisam ser claros sobre esses processos, embora saibamos que isso nem sempre acontece.

Sem um olhar crítico, podemos acabar aceitando qualquer resultado sem saber como a ferramenta chegou até ele. Para evitar isso, não podemos utilizar a tecnologia de forma indiscriminada.

Precisamos trabalhar com ferramentas confiáveis, conhecer seu histórico de desenvolvimento e aprimoramento e questionar o máximo possível o que acontece ao longo do processo. Isso começa no próprio dado: é preciso compreender como ele está sendo inserido e se essa forma de entrada pode afetar o resultado, além de entender o que acontece internamente até chegarmos à resposta.

Um dos trabalhos recentes do Helnier Group resultou no desenvolvimento de uma ferramenta aberta para interpretação de dados de módulo de resiliência utilizados no dimensionamento de pavimentos. Que problema vocês buscavam resolver?

A ferramenta surgiu de uma necessidade prática. Estávamos trabalhando com dados de laboratório relacionados ao módulo de resiliência e encontrávamos bastante dificuldade para fazer as análises no Excel. Era um processo que demandava muito tempo e nem sempre conseguíamos chegar à forma de interpretação que desejávamos.

A ideia foi tornar esse processo mais rápido. Hoje conseguimos carregar os dados na ferramenta e obter quase instantaneamente uma resposta visual tridimensional para auxiliar na interpretação. Isso reduz o intervalo entre a obtenção dos resultados de laboratório e a definição do parâmetro que será inserido no software de dimensionamento do pavimento.

Já identificamos também várias possibilidades de evolução. Estamos trabalhando, por exemplo, para permitir que a ferramenta gere uma planilha com os dados estimados e os dados efetivamente medidos, além de apresentar gráficos de comparação.

Acredito muito no desenvolvimento de tecnologias abertas, especialmente quando elas vêm acompanhadas de treinamento. Inclusive, estamos trabalhando na capacitação para utilização dessa aplicação.

No dia a dia, otimizar tempo é muito importante, mas isso precisa vir acompanhado de qualidade na interpretação e confiabilidade. Em planilhas com muitos dados, existe sempre a possibilidade de erro humano. Se conseguirmos automatizar determinadas etapas e, ao mesmo tempo, compreender exatamente o que a ferramenta está fazendo, temos um suporte muito valioso para o desenvolvimento dos projetos.