Inteligência Artificial para Avaliação de Estruturas de Pavimentos

1. REDES NEURAIS ARTIFICIAIS (RNAs)
Na Avaliação Estrutural de Pavimentos Flexíveis
Faculdade de Tecnologia de São Paulo
Departamento de Transportes e Obras de Terra
ALUNO: Raphael Melo Gomes
COORIENTADOR: Profa. Esp. Deise Dias do Nascimento Machado
ORIENTADOR: Prof. Esp. Rogerio Marques Sant'Anna
CURSO: Movimento de Terra e Pavimentação / São Paulo, 2019

2. ❑COMPARANDO o método de retroanálise comumente
realizado COM UM PROCEDIMENTO gerado por uma
rede neural artificial (RNA) desenvolvida, arquitetada e
construída por um programa gratuito disponível na
internet.
INTRODUÇÃO
❑O trabalho em questão investiga o potencial do uso de
INTELIGÊNCIA ARTIFICIAL (IA) - RNA para o processo de
RETROANÁLISE, ANÁLISE DE TENSÕES E
DEFORMAÇÕES causadoras da fadiga e do afundamento
de trilha de roda em pavimentos flexíveis.

3. ❑Estimar com AUXÍLIO DE INTELIGÊNCIA ARTIFICIAL
(RNA), OS MÓDULOS “RESILIENTES” E SUAS
RESPECTIVAS TENSÕES e DEFORMAÇÕES da estrutura
de um PAVIMENTO FLEXÍVEL.
❑ A FIM DE ANALISAR A EXEQUIBILIDADE do uso das
RNAs na obtenção dos PARÂMETROS DE UM
PAVIMENTO e apontar a potencialidade desta técnica,
indicando as RNAs como ferramentas PROMISSORAS
PARA A AVALIAÇÃO ESTRUTURAL.
OBJETIVO

4. RETROANÁLISE????
❑De acordo com Balbo (2007) a retroanálise é um
recurso em que são testados os valores dos módulos de
elasticidade das camadas do pavimento de maneira que,
as respostas das deflexões simuladas em software se
aproximem ao máximo possível das deflexões medidas
em campo por meio de um ensaio não destrutivo,
geralmente medido com viga Benkelman ou Falling
Weight Deflectometer (FWD).
❑Sendo a utilização do programa ELSYM5 bastante
razoável para esta simulação.
❑PARA ESTIMAR OS MÓDULOS DO PAVIMENTO.

5. PROBLEMA-A Retroanálise Habitual
❑Segundo Coutinho Neto (2000) A RETROANÁLISE É um
processo árduo e exige alto grau de conhecimento do
engenheiro projetista, RESULTADOS SUBJETIVOS.
❑ Utilizando software se obtém, POR TENTATIVAS, um bom ajuste
entre a bacia de deformação TEÓRICA, calculada em um
programa computacional, e aquela obtida em CAMPO pelo
ensaio não destrutivo.
❑ Conforme Albernaz et al. (1996, apud Coutinho Neto,
2000) os módulos retroanalisados não refletem os
módulos reais, mas sim módulos equivalentes.

6. ❑SENDO ASSIM, o processo convencional de retroanálise
pode apresentar resultados que não condizem com a
realidade.
❑ENTÃO, Tendo em vista A SUBJETIVIDADE do
profissional ao adotar os valores dos módulos de
entrada no programa de retrocálculo.
JUSTIFICATIVA
❑PROPÕE-SE o uso das RNAs na determinação dos
valores resultantes de um processo de retroanálise,
tendo como finalidade apresentar um procedimento com
uma quantidade de erros similar ou relativamente
menor, porém, mais simples, menos oneroso e mais
eficiente em ganho de tempo e projeto.

7. COLETA DE DADOS
(BACIAS HIPOTÉTICAS)
POR MEIO DE UM
ACERVO
PROCESSO DE CRIAÇÃO
DA ARQUITETURA,
TREINAMENTO E
APRENDIZAGEM DA RNA
NO SOFTWARE
NEUROPH STUDIO
ESTIMATIVA DOS
MÓDULOS DE
ELASTICIDADE
(RETROANÁLISE) MAIS
VALORES DE TENSÃO E
DEFORMAÇÃO GERADOS
POR RNA
METODOLOGIA

8. ACERVO DE DADOS – BACIAS HIPOTÉTICAS-ELSYM5
❑Dissertação 1 – BENEDITO COUTINHO NETO (2000)
Foram utilizadas uma parcela de 50 DADOS do total de
5.935 perfis de bacias para as combinações de pavimento
com quatro camadas e simuladas com o ensaio FWD.
❑Dissertação 2 – FLAVIO SERPA ZANETTI (2008)
Foram utilizados apenas 50 DADOS de 10.000 bacias para o
pavimento de quatro camadas a fim de explorar apenas a
geração de tensões na face inferior do revestimento,
tensões e deformações no topo do subleito, simuladas com
FWD.

9. RNAs IMPLEMENTADAS SOFTWARE NEUROPH STUDIO
INPUTS/ENTRADAS
erev,ebase,esub-
base + 7
DEFLEXÕES
OUTPUTS/SAÍDAS
4 MÓDULOS DE
ELASTICIDADE
Erev, Ebase, Esub-
base e Esubleito
ou
VALORES DE
TENSÃO E
DEFORMAÇÃO
SIGMÓIDE (0 A 1)
OU TANH (-1 A 1)
MODELONÃOLINEARDENEURÔNIOARTIFICIALsegundoHAYKIN (1994, apud RODGHER, 2002)
EXTRAÍDOS DO
BANCO DE DADOS
DOS AUTORES
BENEDITO
COUTINHO NETO E
FLAVIO SERPA
ZANETTI
TPa e GPa

10. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS - RNA MLP -
RETROANÁLISE
REDE NEURAL ARTIFICIAL Multilayer Perceptron (MLP) CRIADA COM
software NEUROPH
RESULTADOS
Erev,
Ebase,
Esub-base,
Esubleito
ARQUITETURA 10-23-14-4 PARAPREVISÃODOSMÓDULOSDEELASTICIDADE (E)
BIAS
10
23
14
4
INPUTS
OUTPUTS

11. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Regressão Linear e Erro Médio Relativo (EMR%)
y = 0,0555x + 0,0047
R² = 0,0039=0,4%
0,0000
0,0020
0,0040
0,0060
0,0080
0,0100
0,0000 0,0020 0,0040 0,0060 0,0080 0,0100
Módulo(E)RNA(TPa)
Módulo (E) REAL (TPa)
y = 0,4132x + 0,3088
R² = 0,4071=41%
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,9000
0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000 0,8000 0,9000 1,0000
Módulo(E)RNA(GPa)
Módulo (E) REAL (GPa)
y = 0,1795x + 0,2868
R² = 0,188=19%0,1500
0,2000
0,2500
0,3000
0,3500
0,4000
0,4500
0,5000
0,0000 0,1000 0,2000 0,3000 0,4000 0,5000 0,6000 0,7000
Módulo(E)RNA(GPa)
Módulo (E) REAL (GPa)
y = 0,2334x + 0,1876
R² = 0,24=24%
0,0500
0,1000
0,1500
0,2000
0,2500
0,3000
0,3500
0,4000
0,4500
0,0000 0,0500 0,1000 0,1500 0,2000 0,2500 0,3000 0,3500 0,4000 0,4500 0,5000
Módulo(E)RNA(GPa) Módulo (E) REAL (GPa)
EREV-60% ESUB-BASE-84%
EBASE-52% ESUBLEITO-59%

12. 0,0000
0,2000
0,4000
0,6000
0,8000
1,0000
1,2000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
E-BASE (GPa) REAL MÉDIA LI LS E-BASE(GPa) RNA
-0,2000
-0,1000
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
E-SUBLEITO (GPa) REAL MÉDIA LI LS E-SUBLEITO (GPa) RNA
APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Comparação RNA x REAL-MÉDIA-LI-LS
EREV ESUB-BASE
EBASE ESUBLEITO
-0,0020
0,0000
0,0020
0,0040
0,0060
0,0080
0,0100
0,0120
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
E-CAPA (TPa) REAL MÉDIA LI LS E-CAPA (TPa) RNA
-0,2000
0,0000
0,2000
0,4000
0,6000
0,8000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
E-SUB-BASE (GPa) REAL MÉDIA LI LS E-SUB-BASE(GPa) RNA

13. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Diagrama de Frequências e Erro Relativo Individual
EREV ESUB-BASE
EBASE ESUBLEITO

14. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
RNA MLP – TENSÃO(σ) E DEFORMAÇÃO(ε)
REDENEURAL ARTIFICIALMultilayerPerceptron (MLP) CRIADACOMsoftware NEUROPH
ARQUITETURA 10-14-20-1 PARAPREVISÃODAS TENSÕES NA FACE INFERIOR DOREVESTIMENTO (TFI)
BIAS
SIGMÓIDE (0 A 1)

15. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
RNA MLP – TENSÃO(σ) E DEFORMAÇÃO(ε)
REDENEURAL ARTIFICIALMultilayerPerceptron (MLP) CRIADACOMsoftware NEUROPH
ARQUITETURA 10-6-5-1 PARAPREVISÃODAS TENSÕES NOTOPO DOSUBLEITO
BIAS
TANH (-1 A 1)

16. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
RNA MLP – TENSÃO(σ) E DEFORMAÇÃO(ε)
REDENEURAL ARTIFICIALMultilayerPerceptron (MLP) CRIADACOMsoftware NEUROPH
ARQUITETURA 10-5-1 PARAPREVISÃO DASDEFORMAÇÕESNOTOPODOSUBLEITO
BIAS
TANH (-1 A 1)

17. y = 2,0815x + 0,0005
R² = 0,010=1%
-0,001
-0,0008
-0,0006
-0,0004
-0,0002
0
0,0002
0,0004
-0,0007 -0,0006 -0,0005 -0,0004 -0,0003 -0,0002 -0,0001 0
Deformação(ε)RNA(MPa)
Deformação (ε) REAL (MPa)
y = -0,2801x - 0,0114
R² = 0,014=1,4%
-0,011
-0,01
-0,009
-0,008
-0,007
-0,006
-0,005
-0,0165 -0,0145 -0,0125 -0,0105 -0,0085 -0,0065 -0,0045 -0,0025
Tensão(σ)RNA(MPa)
Tensão (σ) REAL (MPa)
y = 0,251x + 0,5279
R² = 0,502=50%
0,0
0,5
1,0
1,5
0 0,5 1 1,5 2 2,5 3 3,5
Tensão(σ)RNA(MPa)
Tensão (σ) REAL (MPa)
APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Regressão Linear e Erro Médio Relativo (EMR%)
(σ)TFI-REV-23% (ε)DT-SUBLEITO-500%
(σ)TT-SUBLEITO-97%
Camadas
Melhor
Arquitetur
a
Coeficiente
(R²)
Reta de Regressão
Tensão na face inferior do
revestimento - TFI
10-14-20-1 0,502 y = 0,251x + 0,5279
Tensão no topo do subleito
- TT
10-6-5-1 0,014 y = -0,2801x - 0,0114
Deformação no topo do
subleito - DT
10-5-1 0,010 y = 2,0815x + 0,0005

18. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Comparação RNA x REAL-MÉDIA-LI-LS
-0,5
0
0,5
1
1,5
2
2,5
3
3,5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
σ-CAPA (MPa) REAL MÉDIA LI LS σ-CAPA (MPa) RNA
(σ)TFI-REV
(σ)TT-SUBLEITO
(ε)DT-SUBLEITO
-0,018
-0,016
-0,014
-0,012
-0,01
-0,008
-0,006
-0,004
-0,002
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
σ-SUBLEITO (MPa) REAL MÉDIA LI LS σ-SUBLEITO (MPa) RNA
-0,0007
-0,0006
-0,0005
-0,0004
-0,0003
-0,0002
-0,0001
0
0,0001
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
ε-SUBLEITO (MPa) REAL MÉDIA LI LS ε-SUBLEITO (MPa) RNA
PARA O VERMELHO
QUANTO MAIS PRÓXIMO
DO AZUL MAIS PRÓXIMO
DO DESEJADO

19. APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS
Diagrama de Frequências e Erro Relativo Individual
(σ)TFI-REV
(σ)TT-SUBLEITO
(ε)DT-SUBLEITO
OS MENORES ERROS
APRESENTAM AS
MAIORES FREQUÊNCIAS

20. ❑Os resultados apontam o caráter PROMISSOR das redes
para o PROCESSO DE RETROANÁLISE e previsão de
TENSÕES NO REVESTIMENTO para a gama de apenas 50
casos utilizados como banco de dados de treinamento e
aprendizagem de uma inteligência artificial.
CONSIDERAÇÕES FINAIS
❑Para sugestões de futuras pesquisas relacionadas a este tema
ficam sugeridos estudos com mais dados a fim de MELHORAR OS
RESULTADOS OBTIDOS e PROVAR DE FORMA CONCLUSIVA e
não promissora a potência das RNAs para retroanálise e análise
de tensões e deformações.
❑O autor considera que a produção deste trabalho contribuiu para o seu
desenvolvimento técnico e pessoal e que, do ponto de vista tecnológico de
aprimoramento e renovação de métodos amplie a aceitação e praticidade
dos processos empregados na avaliação de estruturas de pavimentos.

21. ❑COUTINHO NETO, B. Redes Neurais Artificiais como Procedimento para
Retroanálise de pavimentos Flexíveis. 2000. 142f. Dissertação de Mestrado
em Transportes. Escola de Engenharia de São Carlos. Universidade de São
Paulo. São Carlos, 2000
❑SERPA ZANETTI, F. O Uso de Redes Neurais Artificiais como Ferramenta
para auxiliar na Determinação da Vida Útil de Pavimentos Flexíveis. 2008.
794f. Dissertação de Mestrado em Infraestrutura de Transportes. Escola de
Engenharia de São Carlos. Universidade de São Paulo. São Carlos, 2008
❑RODGHER, S. F. Aplicação de Redes Neurais Artificiais para Previsão de
Propriedades dos Solos Tropicais. 2002. 306f. Tese de Doutorado em
Engenharia Civil – Transportes. Escola de Engenharia de São Carlos.
Universidade de São Paulo. São Carlos, 2002
❑ELLIOT, R. P.; THORNTON, S. I. (1990). Resilient Modulus and AASHTO
Pavement Design. Transportation Research Record 1196, p.116-124.
❑NEUROPH: Java NeuralNetworkFramework. Disponível em
<http://neuroph.sourceforge.net>. Acessado em 05 de abril de 2019.
PRINCIPAIS REFERÊNCIAS

22. OBRIGADO!!