Por Victor Higino Meneguitte Alves, doutorando
Em 2024, o mestre (e doutorando) do PEC Victor Higino Meneguitte Alves, com seu orientador Prof. Alexandre Cury da UFJF e o Prof. Raphael Fortes Infante Gomes, da Universidade Federal da Integração Latino-Americana (UNILA), desenvolveram uma nova forma de monitorar estruturas usando aprendizado de máquina quântico (do inglês Quantum Machine Learning). O objetivo é detectar danos em construções como prédios e pontes de maneira mais eficiente.
O monitoramento de integridade ou saúde estrutural (do inglês Structural Health Monitoring) utiliza sensores e tecnologias avançadas para avaliar constantemente a “saúde” de construções e infraestruturas. Esses sensores podem medir vibrações, deslocamentos, temperatura, umidade e outras variáveis que indicam se há danos, desgaste ou qualquer tipo de anomalia. As técnicas tradicionais de monitoramento de integridade estrutural dependem da análise modal, que identifica parâmetros como frequências naturais, taxas de amortecimento e modos de vibração [1]. No entanto, esse método pode perder pequenos sinais de dano. Técnicas mais modernas usam aprendizado de máquina, um subcampo da inteligência artificial [2] [3] para detectar esses danos, mas a maioria delas precisa ser treinada com dados já classificados, ou seja, é necessário ter amostras exemplo de anomalias para o modelo aprender.
É aí que entra o aprendizado de máquina quântico. O aprendizado de máquina quântico é uma área emergente que combina os princípios da computação quântica com técnicas de inteligência artificial para processar e analisar dados de forma mais eficiente. Diferente dos métodos clássicos, que utilizam bits para representar informações, este aproveita qubits, que podem assumir múltiplos estados simultaneamente devido às propriedades da superposição e do emaranhamento [4].
A inovação deste estudo foi aplicar o aprendizado de máquina quântico de forma não supervisionada, ou seja, sem precisar de um grande banco de dados previamente rotulado de anomalias conhecidas. O método analisa os sinais de vibração das estruturas e transforma essas informações em dados quânticos. Com isso, um modelo é treinado para identificar padrões anormais que possam indicar danos.
Os pesquisadores testaram a técnica em dois cenários: um modelo de pórtico em laboratório e uma ponte ferroviária real. Os resultados mostraram que o método quântico foi mais preciso na localização de danos e mais resistente a interferências do ambiente, como variações de temperatura e vento. No geral, em comparação com os métodos tradicionais, o aprendizado de máquina quântico teve desempenho igual ou até melhor.
Embora ainda seja uma tecnologia nova, o aprendizado de máquina quântico tem um grande potencial para o futuro da engenharia civil. O estudo completo pode ser lido em: https://doi.org/10.1016/j.ymssp.2025.112489
Figura 1 – Visão geral do método proposto. Fonte: Partes da imagem adaptada de Pennylane (2025)[5].
Referências
[1] MOUGHTY, John J.; CASAS, Joan R. A state of the art review of modal-based damage detection in bridges: Development, challenges, and solutions. Applied Sciences, v. 7, n. 5, p. 510, 2017.
[2] ZINNO, Raffaele et al. Artificial intelligence and structural health monitoring of bridges: A review of the state-of-the-art. IEEE Access, v. 10, p. 88058-88078, 2022.
[3] FLAH, Majdi et al. Machine learning algorithms in civil structural health monitoring: A systematic review. Archives of computational methods in engineering, v. 28, n. 4, p. 2621-2643, 2021.
[4] BIAMONTE, Jacob et al. Quantum machine learning. Nature, v. 549, n. 7671, p. 195-202, 2017.
[5] PENNYLANE. What is quantum machine learning? Disponível em: https://pennylane.ai/qml/whatisqml. Acesso em: 14 mar. 2025.