COMPARAÇÃO DE MODELOS DE INTELIGÊNCIA ARTIFICIAL PREDITIVA DA ENERGIA DISSIPADA A PARTIR DO MODELO BOUC-WEN-FUNG

Resumo

Introdução: O modelo histerético de Bouc-Wen-Fung (BWF) pode ser utilizado em biomateriais para simular a energia dissipada em diferentes cenários. A importância disto na biomecânica é destacada em função de sua testabilidade in silico (gêmeo digital) antes de aplicação in vivo, podendo promover um aumento da eficiência no treinamento e na reabilitação. Objetivo: avaliar e comparar a capacidade preditiva de algoritmos da inteligência artificial (Random Forest e Gradient Boosting) em estimar a energia dissipada do modelo BWF a partir da amplitude do movimento, da viscosidade e da frequência do ciclo carga-descarga em um biomaterial. Métodos: foi consolidado um banco de dados (in silico) com mil diferentes dados para as variáveis do modelo, respeitando os limites funcionais do mesmo. Um algoritmo em Python foi utilizado para aplicar os métodos Random Forest (RF) e Gradiente Boosting (GB), comparando-os para testar a confiabilidade do modelo. Resultados: o método RF, obteve R2 =0,980, identificando a amplitude do movimento, a viscosidade e a frequência do ciclo carga-descarga como as variáveis mais relevantes do mesmo. O Erro Médio Absoluto (MAE) foi de 0,153 e a Raiz do Erro Quadrático Médio (RMSE) 0,219, corroborando junto com a técnica GB a alta precisão preditiva do modelo em estimar a energia dissipada; o τ de Kendall foi de 0,92 evidenciando que tanto a RF quanto o GB são estratégias robustas para modelos preditivos da capacidade dissipativa em modelo Bouc-Wen-Fung. Embora os limites de equivalência neste estudo tenham sido regidos por critérios de precisão numérica in silico, os resultados estabelecem uma base metodológica para futuras investigações in vivo.