Este documento discute o uso de redes neurais artificiais para prever tensões em pavimentos flexíveis com base em dados estruturais. Ele apresenta uma metodologia que treina uma rede neural com dados de simulação para prever tensões e as compara com resultados de simulação, obtendo um coeficiente de determinação de 0,502. Gráficos mostram que as previsões da rede neural se aproximam dos valores reais. O documento conclui que as redes neurais são promissoras para estimar tensões em pavimentos com base em conjuntos de dados limitados

1. REDES NEURAIS ARTIFICIAIS NA AVALIAÇÃO
ESTRUTURAL DE PAVIMENTOS FLEXÍVEIS
Raphael Melo Gomes1
, Rogerio Marques Sant'Anna 2
, Deise Dias do Nascimento Machado 3
1, 2, 3
Faculdade de Tecnologia de São Paulo
raphael.gomes01@fatec.sp.gov.br / rm.santanna@yahoo.com.br / deisedias.projetos@gmail.com
1. Introdução
De acordo com Elliot e Thornton (1990) há dois tipos
principais de defeitos que contribuem para a deterioração
do pavimento: o trincamento por fadiga causado pelas
tensões de tração horizontal, que se desenvolvem na face
inferior do revestimento e o afundamento de trilha de
roda, que se desenvolve por intermédio das tensões ou
deformações verticais de compressão no topo do subleito
[1]. Sendo assim, conhecer os parâmetros da estrutura do
pavimento por meio da análise estrutural é fundamental
para a tomada de decisão. E, por fim, o trabalho tem o
objetivo geral de inferir apenas os valores das tensões no
revestimento de um pavimento com o auxílio da
inteligência artificial.
2. Metodologia
A metodologia utilizada neste trabalho consistiu na
análise exploratória, experimental e comparativa entre o
método atual de avaliação estrutural realizado atualmente
com auxílio da viga Benkelman ou do FWD e afins, e um
método de avaliação utilizando inteligência artificial,
tendo por objetivo inferir a tensão na face inferior do
revestimento, principal causadora da fadiga.
Para o treinamento das Redes Neurais Artificiais
(RNAs) neste trabalho foram extraídas algumas bacias
hipotéticas de um banco de dados do autor Serpa Zanetti
(2008), sendo utilizados um total de 50 dados extraídos
de algumas combinações de possíveis estruturas de
pavimento criadas com o auxílio do programa ELSYM5
e consideradas como os valores reais para tensões no
revestimento [2]. Desenvolveu-se uma arquitetura de
rede neural artificial (X-INPUT, X-HIDDEN, X-
OUTPUT) por meio do software livre NEUROPH
STUDIO. A fim de obter os valores das tensões na face
inferior do revestimento por RNA, visando assim, a
comparação dos resultados gerados pelo ELSYM5,
considerados como sendo os valores reais, em relação aos
respondidos pela RNA, na tentativa de justificar o nível
de viabilidade e potencial do procedimento quando
efetuado por uma RNA, ou seja, por inteligência
artificial.
3. Resultados
O valor do coeficiente de determinação (R²),
encontrado pela regressão linear, foi 0,502 Para as
tensões na face inferior do revestimento (Figura 1).
Sendo este valor relativamente interessante, tendo em
vista que quanto mais próximo de 1 melhor para explicar
a proximidade e garantia do modelo previsto pela RNA
em relação ao real do ELSYM5, assim, é preciso
considerar que foram utilizados apenas 50 dados em que
se obteve o R² de 0,502 equivalente a cerca de 50% de
garantia do modelo. O erro médio relativo (EMR) foi de
23%.
E portanto, para uma melhor tentativa de explicação
da exequibilidade e potencialidade desse processo por
RNA, foram realizados dois estudos gráficos
complementares, um para identificação da frequência de
erros relativos, diagrama de frequências (Figura 2), e
outro comparativo entre o valor real (ELSYM5) e o
previsto indicando a proximidade dos valores estimados
em relação aos reais (Figura 3).
Figura 1 – Regressão Linear
Figura 2 – Diagrama de frequências
Figura 3 – Gráfico comparativo de tensões (σ) real
(ELSYM5) versus previsto (RNA)
4. Conclusões
Para o diagrama de frequências, pode-se observar que
o intervalo com os menores erros obtinha as maiores
frequências. Para o gráfico comparativo ficou
demonstrado a proximidade dos resultados gerados pela
RNA em relação aos valores reais. E, portanto, pode-se
concluir que, as RNAs são promissoras para uma gama
de apenas 50 dados para a estimativa da tensão na face
inferior do revestimento.
5. Referências
[1] ELLIOT, R. P.; THORNTON, S. I. (1990). Resilient
Modulus and AASHTO Pavement Design.
Transportation Research Record 1196, p.116-124.
[2] 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
y = 0,251x + 0,5279
R² = 0,502
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)
σ-CAPA (MPa) REAL σ-CAPA (MPa) RNA