Pedro Manuel Pastor Torcato Ribeiro

Transcrição

1 Universidade do Minho Escola de Engenharia Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Pedro Manuel Pastor Torcato Ribeiro Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários UMinho 2016 Pedro Manuel Pastor Torcato Ribeiro outubro de 2016

2 Universidade do Minho Escola de Engenharia Pedro Manuel Pastor Torcato Ribeiro Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Dissertação de Mestrado Ciclo de Estudos Integrados Conducentes ao Grau de Mestre em Engenharia Civil Trabalho efetuado sob a orientação de Professor Doutor Joel Ricardo Martins Oliveira Professor Doutor Tiago Filipe Silva Miranda outubro de 2016

3 AGRADECIMENTOS A concretização deste trabalho só foi possível devido a um conjunto de condições, como a dedicação, empenho e vontade de vários intervenientes a quem gostaria de expressar os mais sinceros agradecimentos. Aos meus orientadores Professor Doutor Joel Oliveira e Professor Doutor Tiago Miranda expressar o meu enorme reconhecimento pela ajuda, estimulo, bem como pelos conhecimentos e orientações transmitidas. Um agradecimento especial ao Professor Doutor Joel Oliveira, por ter acreditado em mim em momentos que eu não acreditava, por toda a paciência e a forma animadora como sempre me recebeu. Ao Engenheiro Joaquim Tinoco pela disponibilidade que sempre teve para me ajudar. À Rita pelo apoio incondicional. E principalmente, aos meus pais, pelos sacrifícios, dedicação e muita paciência, que sempre me apoiaram e incentivaram para a concretização desta etapa. iii

4

5 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários RESUMO A presente dissertação estuda e analisa os processos relacionados com o desenvolvimento de modelos de previsão para o índice de irregularidade longitudinal (IRI). Para isso recorreu-se às técnicas de descoberta de conhecimento em bases de dados (KDD), tendo sido construída uma base de dados de raiz através da informação disponibilizada pelo programa LTPP da Federal Highway Administration, dos E.U.A. Os dados do LTPP foram analisados e compreendidos, de seguida foram preparados para serem inseridos num processo de modelação, conhecido como data mining (DM). A modelação foi feita em ambiente R, com o auxílio da biblioteca rminer, que facilita a utilização dos algoritmos de DM, como as redes neuronais (RNAs) e as máquinas de vetor de suporte (MVSs) para o desenvolvimento dos modelos de regressão. Os modelos desenvolvidos foram sujeitos a um processo de auto validação do tipo K-FOLD, e sujeitos a avaliações de desempenho através das métricas de erro: erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e o coeficiente de determinação (R 2 ). Além desta análise, a base de dados foi também utilizada para testar modelos analíticos já desenvolvidos e utilizados como modelos de previsão em diferentes países. Essa análise foi importante para classificar a base de dados e interpretar o comportamento desses modelos. Este trabalho permitiu verificar que é possível desenvolver modelos de previsão do IRI com um bom desempenho (R 2 =0,9), através das variáveis: número estrutural (SN), fendilhamento por fadiga (Ff), IRI inicial (IRI0) e o tempo (idade do pavimento). O IRI0 destaca-se como a variável mais importante na previsão dos modelos, a rondar os 50% em todos os modelos desenvolvidos, levando a concluir que os modelos de previsão existentes que não o consideram como variável de entrada não sendo fiáveis. Palavras-Chave Pavimentos rodoviários flexíveis, LTPP, Modelos de Previsão, IRI, Data mining, rminer v

6

7 Development of roughness prediction models in road pavements using data mining techniques ABSTRACT The present dissertation studies and analyzes the processes related to the development of predictive models for the international roughness index (IRI). For this we used the knowledge discovery techniques in databases (KDD), and a root database was constructed through information provided by the LTPP program of the Federal Highway Administration, U.S.A. The LTPP data were analyzed and understood, then prepared to be inserted into a modeling process known as data mining (DM). The modeling was done in an R environment with the help of the rminer library, which facilitates the use of DM algorithms such as neuronal networks (RNAs) and support vector machines (MVSs) for the development of regression models. The models developed were subjected to a self-validation process of type K-FOLD, and subjected to performance evaluations using the error metrics: absolute mean error (MAE), root mean square error (RMSE) and determination coefficient R2). In addition to this analysis, the database was also used to test analytical models already developed and used as predictive models in different countries. This analysis was important to classify the database and interpret the behavior of these models. This work showed that it is possible to develop predictive models of IRI with good performance (R 2 = 0.9), through the following variables: structural number (SN), fatigue crack (Ff), initial IRI (IRI0) and age. The IRI0 stands out as the most important input variable in the prediction of the models, around 50% in all models developed, leading to the conclusion that the existing forecast models that do not consider it as an input variable as not reliable. Keywords Flexible Road Pavement, LTPP, Prediction Models, IRI, Data Mining, R, rminer vii

8

9 ÍNDICE 1 INTRODUÇÃO Enquadramento Temático Objetivos Conteúdo da Dissertação REVISÃO BIBLIOGRÁFICA Pavimentos Rodoviários Tipos de Pavimentos Rodoviários Parâmetros de Estado Regularidade Longitudinal Índice de Irregularidade Longitudinal - IRI Modelos de Previsão da Evolução do Parâmetro IRI Modelo Finlandês Modelo Húngaro Modelo Sueco Modelo Indonésio Modelo HDM Modelo do Louisiana Department of Transportation and Development Modelo Gene Expression Programming (GEP) Descoberta de Conhecimento em Bases de Dados (KDD) Conceitos de Data Mining Modelos de Data Mining Aplicações de Técnicas de Data Mining em Diferentes Áreas Cientificas CASO DE ESTUDO E METODOLOGIAS UTILIZADAS Construção da Base de Dados ix

10 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Interpretação e Preparação dos Dados Base de Dados Final Análises de Modelos de Data Mining e Modelos Analíticos Obtenção de Modelos de Previsão em Ambiente R Análise do Modelo Sueco Análise do Modelo Finlandês Análise do Modelo GEP ANÁLISE DE RESULTADOS Resultados Obtidos Através de Técnicas de Data Mining Modelo DM Modelo DM Modelo DM Resultados Obtidos na Análise do Modelo Sueco Resultados na Análise do Modelo Finlandês Resultados Obtidos na Análise do Modelo GEP CONSIDERAÇÕES FINAIS E PERSPETIVAS FUTURAS Conclusões Trabalhos futuros REFERÊNCIAS BIBLIOGRÁFICAS x

11 Índice LISTA DE FIGURAS Figura 2.1 Diagrama esquemático da estrutura de um pavimento rodoviário (InIR, 2012)... 6 Figura 2.2 Carga e tensões atuantes na estrutura do pavimento rodoviário (adaptado de Marques, 2012)... 8 Figura 2.3 Estrutura típica de um pavimento flexível (adaptado de Antunes e Batista, 2005) Figura 2.4 Transferências de cargas em estrutura granular (adaptado de Mathew, 2007) Figura 2.5 Localizações críticas num pavimento flexível, (adaptado de Mathew, 2007) Figura 2.6 Evolução da irregularidade num pavimento flexível (Rodrigues, 2013) (adaptado de Kerali, 2008) Figura 2.7 Bump Car Modelo de um quarto de veículo (adaptado de Terzi, 2013) Figura 2.8 Perfilómetro Laser (adaptado de Fontul, 2005) Figura 2.9 Equipamento Tecnologia Laser Multifunções (Ferreira, 2009) Figura 2.10 Processo de KDD segundo (Fayyad et al., 1996) (in Ribeiro da Cruz, 2007) Figura 2.11 Metodologia de data mining CRISP-DM (adaptado de Chapman et al., 2000) Figura 2.12 Exemplificação da perceção das multicamadas da análise de data mining (adaptado de Cortez, 2010) Figura 3.1 Humidade máxima e mínima registada no estado do Arkansas em 1990 (adaptado de Cedar Lake Ventures, 2016) Figura 4.1 Importância das variáveis de entrada na determinação do modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das RNAs para o modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das MVSs para o modelo DM Figura Importância das variáveis de entrada na determinação do modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das RNAs para o modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das MVSs para o modelo DM Figura Importância das variáveis de entrada na determinação do modelo DM xi

12 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Figura Comparação entre os valores reais de IRI e os obtidos através das RNAs para o modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das MVSs para o modelo DM Figura Comparação entre os valores reais de IRI e os obtidos através das do modelo sueco Figura 4.11 Variáveis de entrada do modelo sueco aplicadas a técnicas de data mining para a) RNAs e b) MVSs Figura Comparação entre os valores reais de IRI e os obtidos através da aplicação do modelo finlandês Figura Comparação entre os valores reais de IRI e os obtidos através das do modelo GEP Figura Variáveis de entrada do modelo GEP aplicadas a técnicas de data mining para a) RNAs e b) MVSs xii

13 Índice LISTA DE TABELAS Tabela 2.1 Classificação dos tratamentos superficiais (Branco et al., 2011)... 7 Tabela 2.2 Função e mecanismo de degradação da fundação de um pavimento (InIR, 2012)... 9 Tabela 2.3 Propriedades mecânicas mais importantes (InIR, 2012)... 9 Tabela 2.4 Famílias e tipos de degradações (Pereira e Miranda, 1999) Tabela 2.5 Valores admissíveis de IRI (m/km), calculados por troços de 100 metros (EP, 2009; Fontul, 2005) Tabela 2.6 Classificação dos valores de IRI (EP, 2009) Tabela 3.1 Parâmetros da base de dados Tabela 3.2 Estatísticas dos valores da base de dados Tabela 3.3 Variáveis atuantes no modelo Sueco de previsão do IRI Tabela 3.4 Variáveis actuantes no modelo Finlandês de previsão do IRI Tabela 3.5 Variáveis atuantes no modelo GEP Tabela 4.1 Desempenho do modelo DM1 para RNAs Tabela 4.2 Desempenho do Modelo DM1 para MVSs Tabela 4.3 Desempenho do modelo DM2 para RNAs Tabela Desempenho do modelo DM2 para MVSs Tabela Desempenho do modelo DM3 para RNAs Tabela Desempenho do modelo DM3 para MVSs Tabela 4.7 Desempenho de todos os modelos com os algoritmos RNAs e MVSs Tabela Desempenho do modelo sueco Tabela Desempenho do modelo finlandês Tabela Desempenho do modelo GEP xiii

14

15 1 INTRODUÇÃO 1.1 Enquadramento Temático O conceito de gestão de pavimentos rodoviários foi concebido em meados da década de 1960 de maneira a coordenar as atividades envolvidas na realização do melhor valor possível para os fundos disponíveis (Terzi, 2007). Em resposta à crescente necessidade de reabilitação das estradas, de maneira a ser possível garantir a qualidade dos pavimentos rodoviários ao longo do tempo, uma boa política de gestão e conservação é cada vez mais um tema que tem até aos dias de hoje grande importância para as administrações rodoviárias, devido à elevada parcela do custo das estradas, mas também pelo grande prejuízo para os utentes (Freitas, 2004). É importante então a implantação de sistemas de gestão que assegurem um melhor serviço (segurança, economia e conforto) ao longo do tempo de utilização (Branco et al., 2011). De acordo com o Manual de Concepção de Pavimentos para a Rede Rodoviária Nacional (MACOPAV), os períodos de dimensionamento de um pavimento rodoviário são de 20 a 30 anos, considerando-se desejável a realização de uma análise de custos para um período não inferior a 40 anos (período de análise de projeto) (JAE, 1995). Como tal, por aqui já se compreende que um pavimento rodoviário terá que ter conservação para se manter funcional. Os objetivos da exploração e gestão da rede rodoviária passam por garantir ao utente a máxima qualidade ao longo do ciclo de vida da estrada, com o mínimo custo para a administração e utentes. A conservação e reabilitação da rede rodoviária deve ser considerada prioritária para salvaguardar o património rodoviário (Pereira e Miranda, 1999). Deste modo, é necessário adotar uma política de exploração e gestão da rede rodoviária numa perspetiva abrangente e coordenada dos elementos essenciais: o pavimento, as obras de arte, a sinalização e o espaço envolvente (Pereira e Miranda, 1999). O tema deste caso de estudo, a procura de um novo modelo de previsão da degradação do IRI (International Roughness Index) surge pela cada vez maior importância que é dada à gestão e conservação de pavimentos, de forma a contribuir para um desenvolvimento sustentável. 1

16 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Neste projeto serão aplicadas técnicas de data mining (DM), para a obtenção de um modelo de previsão do IRI. Estas começaram a ser utilizadas como parte do ramo da inteligência artificial desde os anos 60. Durante as décadas seguintes, com a constante evolução dos sistemas informáticos levaram à introdução de novas tecnologias que permitem explorar informações valiosas num grande volume de dados (Liao et al., 2012). A realização deste trabalho passa pela criação e organização da base de dados. A base de dados será introduzida e analisada através da ferramenta estatística R (The R Development Core Team, 2010) utilizando a biblioteca rminer (Cortez, 2010) onde se vão testar os modelos. A biblioteca rminer é uma estrutura integrada que utiliza uma abordagem baseada em consola e que facilita o uso de algoritmos de DM em ambiente R. Em particular, dirige-se a dois objetivos importantes e comuns: a classificação (rotular os dados numa de várias classes predefinidas) e a regressão (estimar um valor real (a variável dependente) de vários (independentes) atributos de entrada) (Cortez, 2010). A análise da base de dados será realizada através de três algoritmos: Regressão Linear Múltipla (RM), Redes Neuronais Artificiais (RNAs) e Máquinas de Vetores de Suporte (MVSs). O objetivo dos algoritmos é encontrar padrões e/ou tendências num conjunto de dados complexos (Oliveira Junior, 2010). Posteriormente à sua validação, os modelos serão comparados aos modelos já existentes, para a previsão do índice de irregularidade longitudinal (IRI), presentes na revisão bibliográfica. 1.2 Objetivos Este trabalho consiste na análise de modelos de previsão da degradação de pavimentos rodoviários, relativos à irregularidade longitudinal, nomeadamente, ao parâmetro IRI. Através da criação e tratamento de uma base de dados, contendo resultados de ensaios realizados em pavimentos rodoviários, pretende-se desenvolver um ou vários modelos de previsão do comportamento de pavimentos para o IRI (em português, índice de irregularidade longitudinal). Para isto será necessário recorrer à utilização de técnicas de data mining e da biblioteca rminer desenvolvida por Paulo Cortez. 2

17 Introdução De maneira a aferir a qualidade dos modelos obtidos, existe a necessidade de se recorrer a alguns dos modelos de previsão analíticos, encontrados na revisão bibliográfica, como forma de validação dos modelos obtidos neste projeto. 1.3 Conteúdo da Dissertação No primeiro capítulo apresenta-se um pequeno enquadramento temático, definem-se os objetivos e refere-se resumidamente o conteúdo desta dissertação. No segundo capítulo é feita a revisão bibliográfica, onde são expostos os principais conceitos que serviram de suporte teórico a este trabalho. A revisão é feita em duas partes, uma primeira parte onde são estudados os conceitos ligados aos pavimentos rodoviários, mais especificamente os conceitos ligados à irregularidade longitudinal (IRI) dos mesmos. Numa segunda parte, é feita a introdução aos conceitos de descoberta de conhecimentos em bases de dados (KDD), aprofundando a análise do processo de data mining. No terceiro capítulo desta dissertação são apresentados os casos de estudo e as metodologias aplicadas. Expõem-se os conceitos e considerações que serviram de suporte na construção da base de dados que foi utilizada em ambiente R, para a determinação dos modelos de previsão de IRI. É também estudado, o comportamento de modelos de previsão já existentes, para a informação da base de dados desenvolvida. No quarto capítulo apresenta-se os resultados obtidos para cada modelo, tanto para os desenvolvidos através de técnicas de data mining, como para os modelos já existentes na literatura. No quinto capítulo são apresentadas as principais conclusões retiradas com a realização desta dissertação e sugeridas algumas considerações para trabalhos futuros. 3

18

19 2 REVISÃO BIBLIOGRÁFICA 2.1 Pavimentos Rodoviários A função essencial de um pavimento rodoviário é assegurar uma superfície de rolamento que permita a circulação dos veículos com comodidade e segurança, durante um determinado período (a vida do pavimento), sob a ação do tráfego e nas condições climáticas que ocorram (Branco et al., 2011). Antes da década de 1920, o projeto de pavimentação consistia basicamente em definir a espessura das camadas que proporcionavam força e proteção a uma fundação mole e fraca, eram projetados contra o corte e quebra da fundação. Com o passar dos anos e com o aumento do volume de tráfego os critérios de projeto mudaram, para além da preocupação da fundação, começou a dar-se mais importância às camadas de desgaste. O desempenho passou a tornar-se o foco principal dos projetos de pavimentação (Carvalho, 2006). Na década de 1960, a American Association of State Highway Officials (AASHO) levou a cabo um ensaio em verdadeira grandeza a um conjunto de pavimentos, o AASHO Road Test que viria a influenciar a maneira de como até hoje se projeta um pavimento rodoviário (Watson et al., 2007). O pavimento rodoviário é constituído por uma estrutura multicamada de espessuras constantes transversais ao eixo da estrada. Esta estrutura, submetida a tensões e deformações que derivam do tráfego e das condições ambientais, devem ser compatibilizadas com a resistência de cada material empregue em cada uma das camadas e no terreno de fundação (Marques, 2012). De um modo geral, os pavimentos rodoviários são constituídos por três camadas: as camadas superiores, as camadas granulares e o solo de fundação, geralmente constituído pelo solo de fundação e pelo leito do pavimento (JAE, 1995), como se pode observar na Figura 2.1. O leito do pavimento é a camada de transição entre o solo de fundação e o corpo do pavimento. O seu objetivo varia consoante a etapa, de construção ou de exploração. Durante a fase construtiva, tem a função de proteger o solo de fundação, estabelecer uma adequada qualidade de nivelamento e permitir a traficabilidade dos equipamentos de obra. Durante a 5

20 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários fase de utilização, deve tornar homogéneo ou melhorar o comportamento da fundação e, se necessário, proteger da ação do gelo (InIR, 2012). Figura 2.1 Diagrama esquemático da estrutura de um pavimento rodoviário (InIR, 2012) Relativamente aos materiais que constituem as camadas de pavimento, estes devem ter certas características e garantir determinados desempenhos para que o pavimento no seu conjunto ofereça as condições para o qual foi concebido (Branco et al., 2011). As camadas granulares, ou também caracterizadas por camadas de base e de sub-base, dão ao pavimento a resistência necessária para suportar as cargas verticais induzidas pelo tráfego. Os materiais granulares utilizados nestas camadas repartem as pressões sobre a plataforma de maneira a manter as deformações ao nível dos limites admissíveis. No caso de existir um elevado nível de tráfego, pode ser necessário incluir ligantes hidráulicos aos materiais granulares de modo a garantir a resistência necessária, e no caso de o pavimento estar sujeito a baixo tráfego, podem ser substituídas as camadas granulares pelo tratamento in situ dos solos de fundação (InIR, 2012). A espessura e o tipo de material a usar nas camadas granulares de base e de ligação, irão depender do nível de tráfego, das ações climatéricas e da própria qualidade da fundação. Dependendo destas condições pode dizer-se que a própria existência ou não destas camadas está dependente dos fatores referidos anteriormente(inir, 2012) 6

21 Revisão Bibliográfica Quanto às camadas ligadas superiores, salienta-se a camada de desgaste, a camada de ligação e a camada de base (JAE, 1995), todas elas podem ser formadas por misturas betuminosas (agregado aglutinado com betume asfáltico). A nova designação europeia, para as misturas betuminosas pode conduzir à mesma designação para misturas betuminosas distintas (EP, 2014). Os pavimentos rodoviários podem também estar sujeitos a tratamentos superficiais, de forma a ganharem determinadas características, habitualmente relacionadas com a textura e a impermeabilização. Desta maneira não se aumenta a sua capacidade estrutural nem se reduz a irregularidade que porventura apresente. Estas são camadas formadas por ligante, geralmente o betume asfáltico, ou ligante mais agregado de pequena dimensão, que não ultrapassem os dois ou três centímetros de espessura (Branco et al., 2011). Na Tabela 2.1 apresenta-se as várias classificações dos tratamentos superficiais. Tabela 2.1 Classificação dos tratamentos superficiais (Branco et al., 2011) Parâmetro para classificação Regas (só ligante) Revestimentos superficiais (ligante mais gravilha) Misturas betuminosas em camadas delgadas Tipos mais usuais anti-pó de impregnação de colagem de cura simples duplo simples com duplo espalhamento de gravilha inverso lama asfáltica microaglomerado betuminoso a frio A comodidade e a segurança de circulação rodoviária podem ser garantidas tendo em atenção a viabilidade do próprio pavimento rodoviário, que deve assegurar sempre as suas condições funcionais e estruturais (Thom, 2008). Nas condições funcionais, destacam-se a regularidade geométrica, a aderência e a capacidade de drenagem de águas superficiais (Antunes e Batista, 2005). Nas condições estruturais evidencia-se a capacidade do pavimento em suportar as cargas dos veículos sem sofrer alterações para além de determinados valores limites, não colocando em causa a garantia de qualidade funcional, aquela que é captada pelos utentes rodoviários (Branco et al., 2011). 7

22 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Deste modo, pode-se então concluir que o pavimento rodoviário deve possuir duas funções primordiais relacionadas com o utilizador e com os veículos que circulam sobre o mesmo. Em relação ao utilizador, o pavimento rodoviário deve proporcionar conforto, segurança e mais economia para os veículos destinados ao transporte de passageiros e de bens de produção, mediante a construção de uma superfície de circulação tecnicamente adequada. Em relação ao tráfego e condições ambientais, o pavimento deve exercer a função estrutural de receber as solicitações provenientes da circulação do trafego, em que as várias camadas devem promover a diluição das tensões aplicadas na superfície, para que o leito do pavimento receba uma parcela bem atenuada desta tensão superficial (Marques, 2012). Na Figura 2.2, observa-se a propagação das tensões ao longo da vertical até alcançar o terreno de fundação do pavimento. Figura 2.2 Carga e tensões atuantes na estrutura do pavimento rodoviário (adaptado de Marques, 2012) Quando um veículo circula a uma velocidade (V), o pavimento rodoviário recebe uma carga (Q) do veículo, gerando tensões superficiais verticais ( ), de ação compressiva, e horizontais ( ), geradas pelo atrito, como demonstrado na Figura 2.2 (Marques, 2012). As Tabelas 2.2 e 2.3 apresentam as funções do solo de fundação e das camadas granulares de um pavimento rodoviário. Nestes quadros, reforça-se alguns dos elementos já apresentados anteriormente e acrescenta-se mais informação, em forma de síntese, de todos os temas analisados. 8

23 Revisão Bibliográfica Tabela 2.2 Função e mecanismo de degradação da fundação de um pavimento (InIR, 2012) Fundação do pavimento Função Mecanismos de degradação Terreno da fundação Leito do pavimento Suporte do pavimento (são as suas características que condicionam o dimensionamento) Evitar deformação do solo Homogeneidade das características mecânicas da fundação Plataforma construtiva Possibilidade de compactação das camadas sobrejacentes em adequadas condições Deformação permanente excessiva Rotura dos taludes de aterro Deformação Permanente Excessiva Tabela 2.3 Propriedades mecânicas mais importantes (InIR, 2012) Camadas do pavimento Granular Com ligante Propriedades mecânicas mais importantes Módulo de deformabilidade Resistência à deformação permanente Módulo de deformabilidade ou rigidez Resistência à deformação permanente Resistência à fadiga Processos de melhoria Compactação Tratamento in situ Tratamento em central Compactação Adequada Formulação Conclui-se então que para se definir a estrutura de um pavimento rodoviário torna-se necessário dispor de dados relativos a: trafego, condições climáticas, condições de fundação e de materiais de pavimentação (JAE, 1995). 2.2 Tipos de Pavimentos Rodoviários Os pavimentos rodoviários podem ser classificados com base no seu desempenho estrutural, em dois tipos: flexíveis e rígidos. Nos pavimentos flexíveis, as cargas dos rodados são transferidas pelo contacto grão-a-grão do agregado através da estrutura granular. O pavimento flexível, tendo menos força de flexão, age como uma folha flexível (por exemplo, mistura 9

24 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários betuminosa). Nos pavimentos rígidos, ao contrário dos flexíveis, as cargas dos rodados são transferidas para as subcamadas por resistência à flexão do pavimento, agindo este, como uma placa rígida (por exemplo, lajes de betão). Além destes dois tipos, pode também incluir-se mais um tipo de pavimento rodoviário, os pavimentos semirrígidos. Estes são compostos por uma camada flexível aplicada sobre um pavimento rígido e é considerado um pavimento ideal contendo uma maioria de características desejáveis. No entanto, os pavimentos semirrígidos são raramente usados em novas construções devido ao elevado custo e complexidade (Mathew, 2007). O MACOPAV (JAE, 1995) prevê a utilização de diversos tipos de pavimentos, flexíveis, semirrígidos e rígidos (Branco et al., 2011; InIR, 2012; JAE, 1995). No caso em estudo, devido ao facto dos dados obtidos serem de estradas com pavimentos flexíveis, a análise e desenvolvimento irá incidir nos mesmos. Por isso mesmo, de seguida dáse especial atenção à definição dos pavimentos flexíveis. Os pavimentos flexíveis (Figura 2.3), construídos maioritariamente por misturas betuminosas, são descritos como sendo flexíveis pois têm uma deformabilidade elevada quando sujeitos à carga dos veículos pesados (Walsh et al., 2011). As camadas superiores são em mistura betuminosa, as camadas subjacentes às betuminosas e sobrejacentes à camada de fundação, são compostas de materiais granulares (InIR, 2012). A estrutura de um pavimento flexível pode ser muito diversa, em função da intensidade do tráfego, da resistência do solo de fundação e das características dos materiais disponíveis, as quais, por sua vez, dependem das condições climáticas (Branco et al., 2011). Pode-se no entanto considerar, que os pavimentos flexíveis são geralmente compostos por várias camadas (Figura 2.3), com materiais de melhor qualidade no topo, onde a intensidade das tensões de compressão, provenientes das cargas de tráfego é alta, e materiais de menor qualidade nas camadas inferiores, onde a intensidade da tensão de compressão é mais baixa (Lenz, 2011). Cada uma destas camadas contribui para suporte estrutural e de drenagem (AASHTO, 1993; Branco et al., 2011; JAE, 1995; Lenz, 2011; Mathew, 2007). As camadas subjacentes à camada de desgaste são menos rígidas, mas continuam a ser importantes para a resistência do pavimento, bem como para a drenagem e proteção contra o gelo (Lenz, 2011) 10

25 Revisão Bibliográfica Figura 2.3 Estrutura típica de um pavimento flexível (adaptado de Antunes e Batista, 2005) Os pavimentos flexíveis vão transmitir as cargas da superfície até às camadas de sub-base, através das transições grão-a-grão entre os pontos de contacto da estrutura granular, como se pode observar na Figura 2.4. A carga transmitida pelos rodados, atuante no pavimento, será transmitida numa área curta mas que se aprofunda, fazendo diminuir as tensões à medida que vai chegando às camadas inferiores (Mathew, 2007). Figura 2.4 Transferências de cargas em estrutura granular (adaptado de Mathew, 2007) Baseado nestas características, o pavimento flexível pode ser construído camada a camada, de maneira que, as camadas superiores sejam as de melhor qualidade (AASHTO, 1993; Branco et al., 2011; Mathew, 2007). A utilização de materiais betuminosos pode também ser na forma de tratamentos de superfície: em estradas de baixo volume, como rega de colagem betuminosa; em estradas de alto volume, como novas camadas superficiais compostas por misturas betuminosas (Mathew, 2007; Walsh et al., 2011). 11

26 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários As camadas dos pavimentos flexíveis refletem as deformações das camadas inferiores nas camadas superiores (por exemplo, se existir alguma ondulação nas camadas granulares, será transmitido para as camadas betuminosas superiores). Neste tipo de pavimentos, o projeto é baseado no desempenho geral de um pavimento flexível, e as tensões produzidas devem ser mantidas bem abaixo das tensões admissíveis em cada camada do pavimento (Mathew, 2007). Desta forma, o modo de funcionamento de um pavimento flexível está dependente, não só das características dos materiais de cada camada, mas também das respetivas condições de fronteira, ou seja, das características das respetivas interfaces (Branco et al., 2011). Nos casos em que uma interface, considerada colada no projeto, passou a descolada podem ocorrer duas situações que contribuem para a evolução separada das degradações do pavimento: por um lado as tensões máximas de tração na face inferior da última camada betuminosa podem ser superiores às tensões admissíveis consideradas em projeto e, por outro lado, a camada de desgaste pode estar submetida a esforços de tração, para os quais não foi concebida. Neste caso, o fendilhamento que se verifique à superfície da camada de desgaste poderá ter a sua origem na própria camada de desgaste (Branco et al., 2011). Relativamente às camadas granulares, tendo em conta que estas não têm capacidade para resistir a esforços de tração, verifica-se uma variação dos esforços de compressão, que são máximos à superfície e se reduzem com a profundidade, em função das características resistentes das camadas constituintes do pavimento (Branco et al., 2011). Na Figura 2.5 pode ver-se os pontos críticos de um pavimento flexível. Figura 2.5 Localizações críticas num pavimento flexível, (adaptado de Mathew, 2007) 12

27 Revisão Bibliográfica Os esforços instalados ao nível das diferentes camadas determinam, em geral, uma evolução típica dos pavimentos flexíveis em direção a dois estados últimos de ruina, o fendilhamento das camadas betuminosas e a deformação permanente das camadas em geral, os quais são considerados pelos principais métodos de dimensionamento (Branco et al., 2011). Nos pavimentos flexíveis, podem-se desenvolver vários tipos de degradação que se dividem em quatro famílias, como é demonstrado na Tabela 2.4 (Pereira e Miranda, 1999). A ocorrência das degradações dos diferentes tipos impõe a necessidade de intervenções de conservação de um pavimento flexível ao longo da sua vida, podendo ser de dois tipos: conservação corrente e conservação periódica (Branco et al., 2011). Tabela 2.4 Famílias e tipos de degradações (Pereira e Miranda, 1999) Famílias de degradações Deformações Fendilhamento Desagregação da camada de desgaste Movimento dos materiais Tipos de degradações Abatimento longitudinal (berma ou eixo) Abatimento transversal Deformações localizadas Ondulação ou irregularidade longitudinal Rodeiras ou irregularidade transversal Fendas de fadiga Fendas longitudinais (berma ou eixo) Fendas transversais Fendas parabólicas Pele de crocodilo (malha fina ou malha larga) Desagregação superficial Cabeça de gato Peladas Ninhos (covas) Exsudação Subida de finos 2.3 Parâmetros de Estado Devido às condições a que os pavimentos rodoviários estão sujeitos, será natural o seu desgaste ao longo de um período de tempo. Existem portanto indicadores de desempenho que permitem verificar e analisar as condições do mesmo. A Ação COST 324 estabelece sete indicadores de desempenho que definem em conjunto as principais medidas de desempenho 13

28 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários de um pavimento rodoviário. Os sete indicadores são: regularidade longitudinal; regularidade transversal; capacidade estrutural; defeitos de superfície; fendilhamento superficial; fendilhamento estrutural e resistência à derrapagem (atrito) (Sweere et al., 1997). Reconhecendo que as necessidades de informação rodoviária são muito diversas e vastas, em função dos diferentes responsáveis pela atividade rodoviária e outras atividades relacionadas com esta, existe um outro estudo de indicadores de desempenho, realizado em 2004 (mais atual que o anteriormente mencionado), o projeto FORMAT (Lepert et al., 2004), um trabalho desenvolvido a nível europeu (Branco et al., 2011). De acordo com o projeto FORMAT (Lepert et al., 2004), para uma avaliação completa do estado dos pavimentos rodoviários e também do impacto da atividade rodoviária sobre o ambiente podem ser considerados os seguintes parâmetros: qualidade estrutural; qualidade funcional (ou da superfície da camada de desgaste); atrito transversal; ruído (interior e exterior); visibilidade; resistência ao movimento; poluição atmosférica (deve-se considerar a poluição da água); vibrações (Branco et al., 2011). No entanto, reconhece-se que a nível das administrações rodoviárias, quer sejam públicas ou privadas, o número de parâmetros de estado para apoiar a classificação do estado dos pavimentos e a correspondente precisão das medidas efetuadas, a considerar em cada caso, então relacionados com fatores como: o tipo de utilização; a capacidade financeira e com os equipamentos de medida existentes ou disponíveis (Branco et al., 2011). Neste sentido pode dizer-se que, de um modo geral, os parâmetros mais frequentemente adotados para a avaliação da qualidade dos pavimentos, quer seja na receção de pavimentos novos e reabilitação dos existentes, quer seja relativamente à observação periódica de pavimentos em fase de exploração, são os seguintes: capacidade estrutural; estado superficial; regularidade longitudinal; regularidade transversal; atrito transversal (Branco et al., 2011). De seguida, pelo papel fundamental que representa para esta dissertação, aborda-se de forma mais aprofundada o parâmetro de estado regularidade longitudinal ou, como tem vindo a ser referida do ponto de vista da gestão de pavimentos, a irregularidade longitudinal. 14

29 Revisão Bibliográfica 2.4 Regularidade Longitudinal A regularidade longitudinal é um fator determinante nas condições de rolamento dos veículos, estando diretamente relacionado com o conforto e a segurança de circulação, com importantes consequências económicas (velocidade de circulação, desgaste dos veículos) (Fontul, 2005). Há vários fatores que causam a irregularidade do pavimento rodoviário como, as cargas do tráfego, o impacte ambiental (condições climáticas) a possibilidade de existir material defeituoso na sua confeção e também a própria regularidade do pavimento (Terzi, 2013). Assim, um pavimento rodoviário acabado de construir tem que ter a regularidade necessária por medidas de segurança no que diz respeito às distâncias de travagem (Gillespie, 1992). Quando se executam trabalhos rodoviários existe sempre um desvio entre o perfil realizado e o perfil de projeto (perfil de referência ou perfil teórico). Este desvio, designado por irregularidade geométrica de superfície do pavimento, é em geral aleatório, ou seja, a curva de desvio, representada por uma função y(x), entre o perfil verdadeiro e o perfil de referência, apresenta características de superfície aleatória (Branco et al., 2011). Na Figura 2.6 estão representados os fatores que podem levar à irregularidade de um pavimento flexível. Figura 2.6 Evolução da irregularidade num pavimento flexível (Rodrigues, 2013) (adaptado de Kerali, 2008). 15

30 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários 2.5 Índice de Irregularidade Longitudinal - IRI O IRI, International Roughness Index como é conhecido internacionalmente, é o parâmetro utilizado para medir a regularidade (ou a irregularidade) dos pavimentos, sendo uma das poucas medidas da condição do pavimento com genuína aceitação internacional. É uma medida usada primordialmente em autoestradas ou pistas de aeroporto, onde são praticadas velocidades superiores a 80 km/h (Terzi, 2013). A avaliação da irregularidade longitudinal da camada de desgaste deverá proceder-se, no final de todos os trabalhos de pavimentação, por medição em contínuo recorrendo a equipamentos munidos de sensores tipo laser (geralmente do tipo multifunções) que permitem o levantamento do perfil longitudinal da superfície e a obtenção do IRI, ou a equipamentos tipo APL (Analyseur du Profil en Long). A medição da irregularidade longitudinal deverá ser efetuada ao longo da rodeira externa ou, preferencialmente ao longo das duas rodeiras de cada via de tráfego (EP, 2009). Os valores de IRI são calculados por troços de 100 metros e o valor médio obtido nas duas rodeiras por cada troço de 100 metros será o representativo desse troço (EP, 2009). Os comprimentos de onda associados à irregularidade longitudinal, estão geralmente compreendidos entre 0,5 metros e 40 metros ou mais, sendo as condições de circulação dos veículos, em regra, afetadas por irregularidades de comprimentos de onda tanto maiores, quanto maior for a sua velocidade (Fontul, 2005). Pode ser medido de várias maneiras, a mais simplificada será, pela amplitude do movimento dos sistemas de suspensão de um veículo estandardizado que circula ao longo de uma estrada, medido em metros acumulados do movimento do sistema de suspensões por quilómetros percorridos (m/km ou mm/m) (Thom, 2008). Existem outras formas de avaliação físicas, como o perfilómetro a laser (Fontul, 2005) e vários modelos matemáticos de previsão (European Commission Directorate General Transport, 1997; Freitas, 2004; Khattak et al., 2013; Sun, 2003). 16

31 Revisão Bibliográfica Na medição do IRI utilizando equipamentos baseados na resposta dinâmica de um veículo (Response-type Road Roughness Measurement Systems), que fornecem uma resposta da suspensão de um determinado veículo ou atrelado, quando este circula a determinada velocidade sobre a superfície ensaiada, os resultados correspondem, a um número de impulsos correspondentes aos deslocamentos relativos quadro-eixo para determinadas classes de amplitude desses deslocamentos. O equipamento utilizado neste tipo de análise é o Wisconsin Road Meter (Fontul, 2005; Oliveira, 2012). O IRI exprime matematicamente o perfil longitudinal da superfície da estrada ao longo da rodeira, por forma a representar as vibrações induzidas pela irregularidade num veículo típico de passageiros. É definido através de um declive retificado médio de referência (Reference Average Rectified Slope, RARS80), correspondente ao quociente dos movimentos acumulados de uma suspensão teórica e a distância percorrida, para uma velocidade de referência de 80 km/h (Fontul, 2005; Sun, 2003). Um dos mais populares equipamentos do tipo resposta (response-type), desenvolvido para o Texas Highway Department em 1960 é o Bump Integrator (Figura 2.7), em que os movimentos são calculados através de um modelo matemático de um quarto de veículo, com base no perfil longitudinal da superfície (oscilação da suspensão, em metros, pela distância percorrida, em quilómetros) (Fontul, 2005; Sun, 2003). Figura 2.7 Bump Car Modelo de um quarto de veículo (adaptado de Terzi, 2013) 17

32 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários No entanto, a fragilidade na utilização deste tipo de equipamento prende-se pela dependência de resultados de acordo com o estado do veículo de ensaio, obrigando a uma calibração periódica (Fontul, 2005). De acordo com o Caderno de Encargos de 2009 das Estradas de Portugal, desaconselha-se a utilização de equipamentos que efetuem a medição da irregularidade com base na resposta da suspensão de um veículo (response-type), atendendo às limitações que estes equipamentos apresentam. Considera-se, com efeito, desejável o fornecimento dos resultados em termos de perfil longitudinal da superfície segundo o alinhamento ensaiado, para além dos valores do IRI por troços de 100 metros, de modo a poderem visualizar-se quaisquer deficiências pontuais existentes na superfície, facilitando a sua localização e tendo em vista a posterior correção das mesmas quando se justifique (EP, 2009). Equipamentos baseados na obtenção de uma imagem do perfil do pavimento perfilómetros, em diferentes versões, são os mais utilizados. Os perfilómetros permitem conhecer a distribuição em frequência dos comprimentos de onda das ondulações do pavimento, fornecer dados para prever a resposta dos veículos e avaliar a influência das forças dinâmicas sobre o pavimento (Fontul, 2005). Os objetivos da utilização do perfilómetro são: acompanhar a evolução do estado dum pavimento (a nível de rede); avaliar a qualidade de um pavimento (construído ou reconstruído); diagnosticar o estado de um trecho específico (determinar as medidas de correção) e investigar o estado de secções específicas para investigação (Oliveira, 2012). O modo de funcionamento do perfilómetro a laser, representado na Figura 2.8, consiste na medição em contínuo através de dois lasers, montados numa viga de alumínio e posicionados sobre dois alinhamentos coincidentes com as rodeiras. Ambos os lasers medem o perfil longitudinal dos pavimentos e eventualmente a profundidade de textura (Fontul, 2005). 18

33 Revisão Bibliográfica Figura 2.8 Perfilómetro Laser (adaptado de Fontul, 2005) No entanto, o perfilómetro, só por si, não mede exatamente o IRI, mas sim as componentes de um perfil do pavimento que considere relevante (Minnesota Department of Transportation, 2007). A operação de um perfilómetro compreende as seguintes componentes: uma referência para quota, uma altura relativa à referência e uma distância horizontal (Fontul, 2005). Outro perfilómetro de tecnologia laser (conhecido também por equipamento multifunções) é representado na Figura 2.9 (Ferreira, 2009). Figura 2.9 Equipamento Tecnologia Laser Multifunções (Ferreira, 2009) 19

34 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Em que a definição do índice do IRI é dado pela Equação 1 (N. D. Lea International Ltd., 1995): IRI z x z x dx (1) Onde: B é a base de cálculo (comprimento em metros), x é a abcissa sobre o perfil, z é a diferença de cotas. De acordo com os requisitos de conformidade, na irregularidade longitudinal devem ser respeitados os valores admissíveis para o IRI, definidos nas Tabelas 2.5 e 2.6 (EP, 2009). Tabela 2.5 Valores admissíveis de IRI (m/km), calculados por troços de 100 metros (EP, 2009; Fontul, 2005) Percentagem da extensão do lote Camada 50% 80% 100% Camada de desgaste 1,5 2,5 3,0 1ª Camada sob a camada de desgaste 2,5 3,5 4,5 2ª Camada sob a camada de desgaste 3,5 5,0 6,5 Aos valores apresentados na Tabela 2.5 aplica-se a classificação apresentada na Tabela 2.6 (EP, 2009). Tabela 2.6 Classificação dos valores de IRI (EP, 2009) Classificação Muito Bom Bom Razoável Medíocre Mau Excede largamente os parâmetros exigidos Cumpre os parâmetros exigidos, exceção feita à percentagem da extensão do traçado com valores inferiores a 3,0 e 3,5, que deverá ser superior ou igual a 95% Cumpre os parâmetros exigidos, exceção feita às percentagens de extensão do traçado com valores inferiores a 1,5 e 2,0 e 3,0 e 3,5, onde se admitem respetivamente as percentagens 40 e 90 Não cumpre as exigências anteriores (razoável), mas apresenta valores de IRI de 1,5; 2,5 e 3,0 e 2,0, 3,0 e 3,5 em percentagens do traçado, superiores a 15, 60 e 85, respetivamente Não cumpre os parâmetros exigidos nas classificações anteriores 20

35 Revisão Bibliográfica Nas situações em que se pretende avaliar o IRI na ausência ou inviabilidade de medição direta, pode-se recorrer a métodos que se baseiam na análise subjetiva da irregularidade (Rodrigues, 2013; Sayers et al., 1986). 2.6 Modelos de Previsão da Evolução do Parâmetro IRI Os modelos de desempenho podem ser classificados em duas categorias: relativos e absolutos. Os modelos relativos são aqueles usados para prever o desempenho futuro da estrada com base em dados da condição medidos. Normalmente, os modelos relativos devem ter apenas uma variável independente que consiste no tempo ou no tráfego (número acumulado de cargas por eixo padrão). Os modelos absolutos referem-se aqueles que incluem variáveis independentes, que poderiam explicar processo de deterioração do pavimento (ou seja, a espessura da camada, módulos, características do betume, de resposta do pavimento, clima, etc.). Estes modelos podem ser usados para prever o desempenho futuro da estrada e também para avaliar o desempenho do pavimento após a reabilitação (Sweere et al., 1997). O desenvolvimento e implementação dos modelos relativos ou absolutos depende, entre outros fatores, da necessidade de usar um dos modelos e, se existem ou não, dados das variáveis independentes disponíveis (Sweere et al., 1997). Durante os últimos anos, os investigadores tem aplicado o IRI com sucesso para a modelação da suavidade de um pavimento. Os anos da superfície do pavimento e o nível de tráfego foram usados como variáveis de previsão por Hein e Watt (2005) num esforço para obter um modelo de previsão empírico para o desempenho do pavimento (Khattak et al., 2013). Existem variados modelos de previsão do IRI, de acordo com a pesquisa bibliográfica efetuada, apresentando-se de seguida alguns modelos que se consideraram importantes, alguns dos quais foram utilizados como modelos comparativos com os obtidos pelas técnicas de data mining. 21

36 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Modelo Finlandês O modelo Finlandês pressupõe duas equações, a Equação 2 para a previsão do IRI após reforço com mistura betuminosa a quente e a Equação 3 para reforço com mistura betuminosa a frio (Sweere et al., 1997). IRI 0,13 1,03 IRI (2) IRI 0,14 1,04 IRI (3) Onde: IRI - corresponde à previsão para o próximo ano; IRI - corresponde ao valor obtido/previsto para o ano t. A informação sobre estes modelos é escassa. No entanto, consultando o manual constata-se que os modelos apresentados no COST 324 são na sua maioria para aplicação em pavimentos flexíveis. A maior parte dos modelos foram desenvolvidos utilizando os dados obtidos em estudos, quer práticos, quer bibliográficos. Os modelos desenvolvidos para um determinado país poderão não ter aplicação no resto da europa (Sweere et al., 1997) Modelo Húngaro O modelo Húngaro para previsão do IRI é composto pelas Equações 4 e 5 (Sweere et al., 1997). IRI EXP (4) IRI EXP (5) Onde: AGE - corresponde à idade do pavimento (em anos); FORG - repetição do número de veículos ligeiros; a, b - constantes do modelo. Tendo este modelo sido obtido através da consulta do manual COST 324, aplica-se a mesma consideração efetuada para o modelo Finlandês. 22

37 Revisão Bibliográfica Modelo Sueco O modelo utilizado na Suécia é o apresentado na Equação 6 (Sweere et al., 1997). IRI 1,51 4,8 10 AGE 6,97 10 FI 5,54 10 W 1,29 10 th1 1,39 D 2,39 10 TAGE (6) Onde: AGE - corresponde ao tempo desde a última medição (em anos), FI - corresponde ao índice de gelo, do inglês freezing index (obtido pela equação ºC*d); - corresponde à largura da estrada (em metros); 1 - representa a espessura das camadas betuminosas, bound layers, (em milímetros); D - corresponde à deflexão 900 milímetros afastada do ponto de aplicação de uma carga de 50kN - aplicada através do ensaio FWD (em milímetros); TAGE - corresponde aos anos da vida da estrada. Sendo um modelo obtido através da consulta do manual COST 324, aplica-se a mesma consideração efetuada para os modelos anteriores Modelo Indonésio Este modelo é utilizado para avaliação da evolução do IRI na Indonésia, tendo sido desenvolvido para o Integrated Indonesia Road Management System (IIRMS) pelo ministério de obras públicas Indonésio (Rifai et al., 2015) e apresenta-se na Equação 7. IRI 0,98 e IRI 135SNCK NE 0,143RDS 0,0068Crack 0,056PAT (7) Onde: SNCK - é o equivalente ao Structural Number (SN) da AASHTO; NE - corresponde o número de eixos padrão em milhares (KESAL); RDS - corresponde à profundidade das rodeiras em milímetros; PAT - representa o número de remendos (patching); Crack - corresponde à área de fendas por fadiga (em m 2 ); t - é a idade do pavimento em anos. 23

38 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários A única referência encontrada sobre este modelo foi num artigo sobre o desenvolvimento de modelos de data mining para a previsão do IRI, desenvolvido por (Rifai et al., 2015), não havendo nesse trabalho especificações quanto ao tipo de pavimento rodoviário para o qual é normalmente aplicado ou qualquer outro tipo de restrições e considerações Modelo HDM-4 O modelo HDM-4 é um modelo empírico-mecanicista que foi desenvolvido sequência do HDM-III, apresentado num estudo internacional, designado International Study of Highway Development and Management Tools, iniciado em 1993 e finalizado em 1995 (N. D. Lea International Ltd., 1995) Rodrigues (2013) realizou um trabalho que consistia na análise de modelos de previsão da degradação de pavimentos rodoviários, especificamente o parâmetro IRI, onde se analisou também a sua aplicação na rede rodoviária portuguesa. Nesse trabalho admitiu-se o conhecimento de todas as variáveis envolvidas (com base na experiência) e determinou-se a evolução da irregularidade longitudinal ao longo do tempo em estruturas tipo, definidas no manual de dimensionamento MACOPAV (JAE, 1995), recorrendo aos seguintes modelos encontrados: o HDM-III, o HDM-4, o MEPDG, o modelo Indiano, o modelo do Dubai e o modelo da Costa Rica (Rodrigues, 2013). O autor conclui, no final do trabalho, que a ausência de dados de observação a longo prazo, ou de um modelo desenvolvido especificamente para a rede rodoviária portuguesa, não permite concluir qual dos modelos estudados melhor se adapta melhor à realidade da mesma. Contudo, considerando as especificidades de cada um dos modelos pode-se afirmar que o HDM-4 é um modelo a ter em conta na rede nacional, suportado também pelo facto de se tratar dum modelo que foi implementado com sucesso por várias administrações rodoviárias a nível internacional (Rodrigues, 2013). Desta forma, de acordo com a informação recolhida, considerou-se importante incluir este modelo na análise bibliográfica do presente trabalho (Equação 8). IRI K K IRI K IRI K IRI K IRI K IRI K IRI K IRI K IRI (8) 24

39 Revisão Bibliográfica Onde: IRI - Incremento anual da irregularidade (m/km IRI); K,K,K,K,K,K,K,K e K - Coeficientes de calibração (o valor por defeito é =1); IRI - Contribuição estrutural para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição do fendilhamento para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição da desagregação superficial para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição das rodeiras para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição das covas para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição das peladas para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição dos remendos para o incremento anual da irregularidade (m/km IRI); IRI - Contribuição das condições ambientais para o incremento anual da irregularidade (m/km IRI) Modelo do Louisiana Department of Transportation and Development Este modelo foi apresentado num artigo apresentado depois de um estudo de três fases, efetuado pelo Louisiana Department of Transportation and Development (LDTD), para desenvolver modelos de previsão de desempenho de um pavimento rodoviário (Khattak et al., 2013). Como resultado deste estudo, obteve-se um modelo que se apresenta através de uma análise regressiva, apresentando um erro inferior a 5% (Khattak et al., 2013): ln IRI a a 1 Fn a ln CESAL a T TI a CPI t (9) Onde: a1, a2, a3, a4 - constantes; IRI - corresponde ao índice de irregularidade transversal (m/km); Fn - representa a classificação funcional; CESAL - acumulado de eixos padrão; T0 - espessura das camadas sobrepostas; TI - índice de temperatura (em graus Celcius); t - idade do tratamento (anos); CPI - corresponde ao índice acumulativo da precipitação (cm-dias); 25

40 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários E onde se obtém Δ através da Equação ln SD ln IRI (10) Onde, SD0 - representa o SD inicial (para pavimentos flexíveis baseados no estudo m/km); IRIpp - corresponde ao valor previsto do IRI para o ano anterior. Atualmente, começam já a aparecer modelos desenvolvidos através de técnicas de data mining, como este e o que se apresenta de seguida Modelo Gene Expression Programming (GEP) Num artigo apresentado recentemente, os autores desenvolveram um modelo de avaliação do desempenho de um pavimento rodoviário, através de um algoritmo híbrido entre um GEP e um algoritmo de Redes Neuronais. Com o cruzamento de informações relativas às condições dos pavimentos, através da base de dados da LTPP, os autores desenvolveram um modelo de previsão do IRI, apresentado na Equação 11 (Mazari e Rodriguez, 2016): IRI 0,974 2,497ESAL 0,0768ESAL SN 0,009AGE ESAL 0,889ESAL SN 0,0025AGE ESAL (11) Onde: IRI - corresponde ao valor estimado do índice de regularidade internacional (m/km); ESAL - corresponde ao número de eixos padrão (em milhões); AGE - corresponde ao tempo de construção do pavimento (1000 dias); SN - corresponde ao número estrutural. Trata-se de um modelo para um caso bastante específico, pois foi obtido através da base de dados desenvolvida pelo autor, não sendo possível dizer se é aplicável a qualquer tipo de base de dados. No entanto, por ser um estudo recentemente desenvolvido e semelhante ao tema que está a ser desenvolvido nesta dissertação, considerou-se interessante a sua apresentação neste capítulo. 26

41 Revisão Bibliográfica 2.7 Descoberta de Conhecimento em Bases de Dados (KDD) A tecnologia atual permite capturar e armazenar uma vasta quantidade de dados, descobrir padrões, tendências e anomalias em conjuntos de dados. Resumir a informação com modelos quantitativos simples é um dos grandes desafios da era da informação transformar dados em informações e transformar essa informação em conhecimento (Witten et al., 2011). Há uma sobrecarga de dados em todo o mundo, a quantidade de informação na vida das pessoas parece continuar a aumentar sem fim à vista. Os computadores pessoais são já omnipresentes, tornando muito fácil acumular dados que antigamente seriam deitados fora. A capacidade de armazenamento dos discos é cada vez mais maior e o preço mais acessível, adiando assim a decisão dos utilizadores de destruírem dados. Quando confrontados com a falta de espaço, simplesmente adquirem um novo disco (Witten et al., 2011). As decisões no supermercado, os hábitos financeiros, as viagens, etc. são tudo ações que ficam registadas numa base de dados. A world wide web esmaga os seus utilizadores com informação, continuando a aumentar o número de dados/informação, pois cada escolha que é feita é gravada. Tudo isto são escolhas pessoais, com inúmeros homólogos no mundo do comércio e da indústria. Cada vez é mais evidente a lacuna entre a geração de dados e a compreensão dos mesmos. Sob todos esses dados e informação existente está a informação potencialmente útil, que raramente está explicita e em condições de ser aproveitada (Witten et al., 2011). Essas teorias e ferramentas são o assunto do emergente campo de estudo da descoberta de conhecimento em bases de dados (KDD Knowledge Discovery in Databases), que tem como objetivo desenvolver métodos e técnicas de extração de conhecimento de alto nível a partir de informação guardada em bases de dados (Fayyadet al., 1996). O processo de descoberta de conhecimento em bases de dados é um processo iterativo constituído por várias etapas, como se pode observar na Figura O data mining é uma etapa do processo de KDD, um processo que muitas vezes envolve a repetição interativa da aplicação de diferentes métodos (Fayyad et al., 1996). 27

42 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Figura 2.10 Processo de KDD segundo (Fayyad et al., 1996) (in Ribeiro da Cruz, 2007) Conceitos de Data Mining Data mining é o processo de KDD de identificação de padrões válidos, em conjuntos de dados (Barai, 2003). Os dados são armazenados eletronicamente em bases de dados e a busca é automatizada (ou pelo menos aumentada) pelo computador (Fayyad et al., 1996; Witten et al., 2011). Um conceito que não tem muito de novo. Economistas, estatísticos, engenheiros, há muito que trabalham com a ideia que as tendências e os padrões nos dados podem ser procurados automaticamente, identificados, validados e usados na previsão de futuros eventos (Witten et al., 2011) Data mining é a etapa de descoberta no processo de KDD, embora seja muitas vezes confundido com o próprio processo. Esta etapa envolve muitas iterações e é de grande importância no KDD. Além disso, confronta-se com várias dificuldades que podem comprometer o seu sucesso. Por exemplo, muitas vezes a informação é incompleta, ou até contém ruído. Estas dificuldades devem ser resolvidas nas etapas anteriores do processo, nomeadamente na etapa de tratamento de dados (Ribeiro da Cruz, 2007). Podem distinguir-se dois principais objetivos no data mining: os processos de verificação e os processos de descoberta (Fayyad et al., 1996). Dentro dos processos de descoberta, que consiste na procura de novos padrões e se subdivide em previsão (procura de novos padrões que permitam ver o futuro) e descrição (procura de padrões que apresentem o conhecimento de forma compreensível). 28

43 Revisão Bibliográfica Deste modo, para o objetivo de previsão, os problemas são tratados como pertencentes a uma das seguintes classes (Fayyad et al., 1996; Ribeiro da Cruz, 2007): Classificação encontrar uma função que faça o mapeamento dos dados em classes pré-definidas (por exemplo, diagnóstico de uma dada doença a partir de um conjunto de sintomas); Regressão encontrar uma função desconhecida cuja saída (ou variável dependente) tem um domínio de valores reais (por exemplo, previsão do valor de uma ação da bolsa com base em indicadores financeiros). Para o objetivo de descrição, há vários métodos, tais como (Fayyad et al., 1996; Ribeiro da Cruz, 2007): Segmentação (Clustering) procura de um número finito de conjuntos (ou clusters) que descrevam os dados; Sumarização procura de uma descrição compacta de um conjunto ou subconjunto de dados; Dependência procura de um modelo que descreva as relações entre variáveis; Deteção de desvios descobrir alterações significativas nos dados. O processo de data mining é encarado como um projeto com um ciclo de vida iterativo, tal como se pode observar na Figura 2.11 (Ribeiro da Cruz, 2007). O círculo exterior representa essa mesma natureza cíclica. O processo de data mining não acaba quando se chega à solução, pois as respostas obtidas e aprendizagem durante o processo podem despoletar novas questões mais específicas. Normalmente, a cada processo de data mining, o que se segue terá melhores resultados do que o anterior (Chapman et al., 2000). De acordo com a metodologia CRISP-DM (Cross Industry Standard Process for Data Mining) as seguintes etapas devem ser contempladas: 1 - conhecimento do negócio; 2 - compreensão dos dados; 3 - preparação dos dados; 4 - modelação; 5 - avaliação e por último, 6 - desenvolvimento (Figura 2.11) (Chapman et al., 2000; Fayyad et al., 1996). 29

44 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários Figura 2.11 Metodologia de data mining CRISP-DM (adaptado de Chapman et al., 2000) A primeira fase da metodologia CRISP-DM é a compreensão do negócio, que se centra na compreensão dos objetivos do ponto de vista do negócio, definição do problema de data mining e na criação de um plano preliminar (Ribeiro da Cruz, 2007). De seguida, vem a fase da compreensão de dados com a identificação de problemas na qualidade da base de dados, a identificação de subconjuntos de dados de interesse e a formulação de hipóteses (Ribeiro da Cruz, 2007). A preparação dos dados é a terceira fase e prende-se com a produção do conjunto de dados (ou dataset) que será utilizado. Para isso, recorre-se a tarefas como a seleção de atributos, a transformação e a limpeza de dados (Ribeiro da Cruz, 2007). A quarta fase é a modelação, na qual são utilizadas várias técnicas de data mining, calibradas de forma a obter os melhores resultados. Na quinta fase, faz-se a avaliação dos resultados obtidos na fase anterior. Procede-se, também, a uma revisão dos passos dados durante a modelação para garantir que os resultados cumprem os objetivos do problema. Só depois, deve ser tomada a decisão quanto ao uso dos resultados em questão (Ribeiro da Cruz, 2007). 30

45 Revisão Bibliográfica Por último, temos a fase do desenvolvimento que pode ir desde a produção de relatórios até à repetição de todo o processo de data mining (Ribeiro da Cruz, 2007) Modelos de Data Mining Existem diferentes modelos, caracterizados pela natureza do seu algoritmo, dos quais irão ser destacados: Regressão Linear Múltipla (RM), Redes Neuronais Artificiais (RNAs) e as Máquinas de Vetor de Suporte (MVSs). Os modelos de Regressão Linear Múltipla são um conjunto de técnicas estatísticas para construir modelos que descrevem de maneira razoável relações entre várias variáveis explicativas de um determinado processo (Cortez, 2010). É um modelo simples de interpretar e é muitas vezes usado em tarefas de regressão, sendo definido pela Equação 12 (Rifai et al., 2015). y β β x (12) Onde (x1,, xi) são os parâmetros de entrada (input) e (0, 1,, i) são os coeficientes a ser ajustados (Cortez, 2010). As Redes Neuronais Artificiais são tradicionalmente usadas para caracterizar um circuito de neurónios artificiais (Liao et al., 2012), com um comportamento e estrutura muito similar aos neurónios biológicos existentes no cérebro humano. Esta rede pode ser treinada e aprender de uma série de exemplos e descobrir soluções para problemas complexos, reconhecer padrões e prever eventos futuros (Miranda, 2007). O modelo geral é dado pela Equação 13 (Cortez, 2010). y f w, f x w, w, w, (13) Onde: yi - corresponde ao output da rede neuronal para o nódulo i; wi, j - é o fator de ponderação da conexão entre o nódulo j e o i; fj - é a função ativadora do nódulo j. 31

46 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários As Máquinas de Vetores de Suporte constituem uma técnica baseada na Teoria de Aprendizagem Estatística (Vapnik, 2000), sendo um campo da pesquisa da inteligência computacional que estuda o desenvolvimento de métodos capazes de extrair conceitos a partir de amostras de dados (Lorena e Carvalho, 2003). Comparativamente às RNAs, as MVSs apresentam vantagens a nível teórico, como a não necessidade de ter mínimos locais na fase de aprendizagem do modelo (Cortez, 2010). O principal objetivo de um MVS é transformar os dados de entrada num estado de alta dimensão, utilizando o mapeamento não linear U, que é normalmente desconhecido. De seguida, o MVS escolhe o melhor hiperplano de separação linear dentro do espaço de características (Rifai et al., 2015). Esta transformação depende da função kernel adotada, sendo o kernel Gaussiano o mais popular, que se apresenta na Equação 14 (Cortez, 2010).,, 0 (14) O desempenho da classificação é afetado por dois hiperparâmetros: γ, o parâmetro do kernel (o que irá ter mais impacto no desempenho dos MVSs) e C, um parâmetro de penalização (Cortez, 2010). Dos modelos apresentados, Regressão Linear Múltipla (RM), Redes Neurais Artificiais (RNAs) e o Máquinas de Vetor de Suporte (MVSs), destacam-se como modelos mais interessantes as RNAs e as MVSs, caracterizadas pela sua flexibilidade e capacidade de aprendizagem não linear (Tinoco, Correia, & Cortez, 2012). Cada um dos modelos, através das suas vantagens e limitações, têm por objetivo inferir regras/padrões sobre os dados, através do mapeamento de I variáveis de entrada (variáveis dependentes) na variável de saída (variável independente) (Tinoco et al., 2012). Tais abordagens têm sido utilizadas, como já se referiu, para conduzir a previsões de IRI (Rifai et al., 2015). Estes modelos, apesar de serem capazes de obter resultados de previsão de alta qualidade, são frequentemente apelidados de black box, porque são de difícil interpretação para o ser humano (Cortez e Embrechts, 2013). Ao serem aplicados, são conhecidos os dados iniciais e interpretados os dados finais. No entanto, a totalidade das suas relações intermédias, 32

47 Revisão Bibliográfica conhecidas também por camada escondida, são bastante complexas (ver Figura 2.12) (Rifai et al., 2015). Uma melhoria na interpretação dos modelos iria aumentar a aceitação dos resultados obtidos através de técnicas de data mining pela generalidade das pessoas, sendo essa aceitação importante para aplicações mais críticas, como a medicina (Cortez e Embrechts, 2013). Figura 2.12 Exemplificação da perceção das multicamadas da análise de data mining (adaptado de Cortez, 2010) A validação dos modelos obtidos pode ser realizada de diferentes formas, sendo mais comum, a validação cruzada K-FOLD. A validação cruzada, também conhecida por estimativa de rotação, é uma técnica para avaliar a capacidade de generalização de um modelo, a partir de um conjunto de dados (Kohavi, 1995). No modo de validação cruzada do tipo K-FOLD, o conjunto de dados é dividido em k subconjuntos, e o método de validação é repetido k vezes. De cada vez, um dos subconjuntos de k é utilizado como o conjunto de teste e os outros k-1 subconjuntos são colocados juntos para formar um conjunto de treino. De seguida, o erro médio em todos os ensaios de k é calculado. A vantagem deste método é que dá menos importância à forma como os dados são divididos (Schneider, 1997). Várias métricas de erro e coeficientes de determinação podem ser utilizados para avaliar o desempenho dos modelos de regressão. As métricas de erro mais utilizadas são, o Erro Médio Absoluto (MAE Mean Absolute Error) e a Raiz do Erro Quadrático (RMSE Root Mean Squared Error) e o coeficiente de determinação, o R 2 (Tinoco, Gomes Correia, & Cortez, 2011). Estes coeficientes são definidos pelas Equações 15 a

48 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários R MAE RMSE (15) (16) (17) Onde: y - corresponde ao valor desejado; z - ao valor previsto; ymed e zmed - representam a média dessas variáveis (Tinoco et al., 2011); N - corresponde ao número de exemplos (Miranda, 2007). Valores baixos para o MAE e o RMSE correspondem a uma elevada capacidade de previsão, enquanto o valor de R 2 deve ficar próximo da unidade (varia entre 0 e 1), para significar uma boa capacidade de previsão (Tinoco et al., 2011). Nos modelos de regressão, o objetivo é induzir o modelo que minimiza uma medida de erro entre os valores reais e os previstos (Miranda, 2007). 2.8 Aplicações de Técnicas de Data Mining em Diferentes Áreas Cientificas As técnicas de DM têm sido usadas com sucesso nas mais diversas áreas, como por exemplo: na saúde (Koh e Tan, 2005), na gestão empresarial (Folorunso e Ogunde, 2004), nos sistemas bancários, na agropecuária (Lazzarotto et al., 2011) e muitos outros (Giraud-Carrier, 2014; Veaux, 2009) inclusive na Engenharia Civil. Por exemplo; previsão do comportamento mecânico de formulações laboratoriais de solo-cimento para colunas de jet grouting com recurso a máquinas de vetores de suporte (Tinoco et al., 2012), avaliação de parâmetros geomecânicos em estruturas subterrâneas (Miranda, 2007), na gestão de pavimentos rodoviários, por exemplo, na retro-análise dos módulos de camadas do pavimento e coeficiente de Poisson (Saltan et al., 2011) e na gestão sustentável (Attoh-Okine, 1997; Chi et al., 2012). 34

49 Revisão Bibliográfica O estudo Backcalculation of pavement layer moduli and Poisson s ratio using data mining (Saltan et al., 2011) tem como foco a utilização de ferramentas de retro análise baseados em técnicas de data mining de dados de deflexão (ensaios FWD) da superfície de pavimentos flexíveis, para determinar o módulo de elasticidade e o coeficiente de Poisson. Desta forma será possível fazer a previsão de comportamento dos pavimentos flexíveis e prever a espessura das suas camadas (Saltan et al., 2011). Outro estudo (Chi et al., 2012) também reconhece o valor do ensaio FWD no teste e análise da condição estrutural de um pavimento flexível. No entanto, existem limitações práticas relacionadas com o custo dos ensaios, controlo de tráfego e preocupações de segurança e a capacidade de testar uma grande rede viária pode desencorajar algumas concessões rodoviárias. Deste modo, o objetivo principal do estudo Sustainable Road Management in Texas: Network-Level Flexible Pavement Structural Condition Analysis Using Data-Mining Techniques é investigar estratégias de data mining de modo a prever as tendências de condição estrutural para aplicações em nível de rede, não requerendo ensaios FWD. A equipa de pesquisa avaliou o estado da pavimentação existente, tráfego e outros componentes de avaliação de dados no Sistema de Informações e Manutenção de Pavimentos (PMIS) do Departamento de Transporte do Texas (TxDOT). Deste modo foi possível descobrirem padrões e conhecimentos uteis para prever as condições estruturais de um pavimento flexível (Chi et al., 2012). Num estudo recente, através da utilização da base de dados da LTPP, com a aplicação de uma expressão de gene híbrida de programação de redes neuronais, os autores demonstram que é possível obter modelos de previsão de IRI bastante razoáveis (Mazari e Rodriguez, 2016). Num estudo desenvolvido, com o tema The Data Mining applied for the prediction of highway roughness due to overloaded trucks, é demonstrado um novo modelo baseado em dados, capaz de se adaptar (com alta precisão) às complexas relações entre o IRI e os fatores que contribuem para os veículos pesados sobrecarregados. Modelo este, desenvolvido e verificado utilizando os dados obtidos pelo IIRMS (Integrated Indonesia Road Managment System), modelo analítico de previsão. A previsão de IRI foi desenvolvida utilizando dados do tráfego, desempenho inicial e degradações. Os fatores que foram identificados são: idade do 35

50 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários pavimento, IRI inicial (IRI0), ESAL (Equivalent Single Axle Load) e estado das degradações no pavimento (fendilhamento, peladas, rodeiras) (Rifai et al., 2015). A conclusão a que chegaram foi a de que o modelo existente, o IIRMS, apesar de simples e de apresentar boa capacidade de previsão, requer análises mais detalhadas e tem limitações sobre a precisão dos dados. Utilizando o modelo data mining desenvolvido, através da utilização de Máquinas Vetor de Suporte, obtiveram um modelo, com excelente capacidade de previsão, de grande quantidade de dados. Também conseguiram determinar o nível de desempenho do pavimento rodoviário, para diferentes tipos de carga, através das técnicas de data mining, permitindo a identificação dos parâmetros de entrada que controlam o comportamento do IRI, ESAL, degradações (fendilhamento, peladas, rodeiras), idade e IRI0. Os resultados também demonstraram que todas as técnicas de data mining (MVSs, RNAs e RM) têm uma forte relação e devem ser consideradas no modelo, podendo ser usadas nos sistemas de gestão de pavimentos, PMS (Pavement Management System) para várias condições de carga (sobrecarga pesada, média, ligeira e carga normal) (Rifai et al., 2015). Considera-se assim, que as técnicas de data mining fazem já parte de estudos nas mais variadas áreas científicas, apresentando em todas elas, resultados de sucesso. 36

51 3 CASO DE ESTUDO E METODOLOGIAS UTILIZADAS 3.1 Construção da Base de Dados Para realização desta dissertação foi necessário criar uma base de dados. Numa primeira fase, foi considerada a possibilidade de analisar os dados de um segmento de uma autoestrada portuguesa, mas devido à informação reduzida dessa mesma base de dados, foi eliminada essa possibilidade. Outro fator que contribuiu para a decisão de eliminar a hipótese de utilização dessa base de dados, foi o interesse na utilização de dados que possam ser acedidos por qualquer pessoa, algo que esteja ao alcance de quem quiser consultar. Devido às razões descritas, a decisão final foi a de construir uma base de dados de raiz, através do website da InfoPave (Federal Highway Administration, 2016). A Federal Highway Administration (FHWA), nos Estados Unidos da América, desenvolveu o programa LTPP (Long-Term Pavement Performance), o maior estudo de pavimentos rodoviários realizado até aos dias de hoje. Um programa que teve inicio em 1987 e que se mantem ainda ativo. Os principais objetivos do programa LTPP são o de melhorar e desenvolver o processo de construção de novos pavimentos rodoviários, ou a sua reabilitação. Tem como funções a análise de várias condições dos pavimentos, determina os efeitos do processo de construção, efeitos ambientais, efeitos de tráfego e as capacidades estruturais para diferentes tipos de pavimento rodoviário (Federal Highway Administration, 2016). A informação do sistema de gestão do LTPP contem dados sobre mais de 2500 secções de estrada, espalhadas por toda a América do Norte (Estados Unidos da América e Canadá) e calcula-se que com toda a informação utilizada e disponibilizada, já foi possível poupar-se mais de 2 mil milhões de dólares em gestão rodoviária (Federal Highway Administration, 2016) Interpretação e Preparação dos Dados Devido à extensa informação encontrada no sistema do LTPP, foi necessário ter em conta algumas considerações na construção da base de dados. 37

52 Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários De forma a ser possível uma aproximação com as estradas portuguesas, foi considerado que apenas iriam ser utilizados dados para secções de estrada com pavimentos flexíveis. Visto que são os mais utilizados em território português, poderá posteriormente fazer-se uma aproximação do modelo obtido a dados de estradas portuguesas. O LTPP contém muita informação mas nem sempre totalmente completa. Por exemplo, numa determinada secção, para um determinado ano, pode ter parâmetros sobre o tráfego e não ter sobre as condições climáticas. Deste modo, teve que ser feita uma análise prévia aos dados da LTPP e apenas incluir na base de dados as secções que tivessem informação relativa aos fatores: análise estrutural, condições climáticas e avaliação do desempenho do pavimento. A razão para isso, passa pela análise bibliográfica, em que foi demonstrado que qualquer um desses fatores pode ter um papel relevante para a obtenção do IRI (European Commission Directorate General Transport, 1997; Khattak et al., 2013; Mazari e Rodriguez, 2016; Rifai et al., 2015; Rodrigues, 2013). Existem diferentes tipos de reabilitação sinalizados no LTPP, que passam pela simples rega e cobertura de fendas, a reabilitações de fundo. Quando se detetava a realização de uma reabilitação de fundo, considerou-se que o pavimento estaria de novo no seu ano 0. Quando era feita uma recuperação menor, como cobertura de fendas, deixaria de se considerar a partir desse tratamento. Como não se trata de uma recuperação de fundo, não é rigoroso considerar ano 0 do pavimento, mas também não seria correto, ignorar a recuperação superficial desse mesmo pavimento. Deste modo, a opção foi desconsiderar essa secção, a partir do momento em que fosse registada uma recuperação menor. De acordo com a pesquisa bibliográfica efetuada (Capítulo 2), considera-se que, como a maior parte dos parâmetros de estado de um pavimento rodoviário, o IRI também evolui com o tempo. Por essa razão, considerou-se apenas secções onde seria possível obter registos para anos diferentes, na mesma secção de estrada. Na consulta da informação disponibilizada pelo LTPP, o único dado que por vezes faltava era o da humidade máxima e mínima. De modo a não descartar toda a informação na secção onde não era fornecido este fator, recorreu-se a um outro website, o WeatherSpark, desenvolvido pela equipa da Cedar Lake Ventures, para completar a informação em falta. É um website, composto pela compilação de dados históricos da meteorologia dos EUA, através de 38

53 Caso de Estudo e Metodologias Utilizadas informações do site governamental de previsões dos EUA e do instituto meteorológico norueguês com previsões para todo o mundo. Nesse website pode ser consultada a informação relativa à humidade máxima e mínima registada desde 1948 até ao ano atual. Neste exemplo, demostrado na Figura 3.1, pode ver-se o modo como está representada a informação sobre as humidades máximas e mínimas. A partir daqui, retirou-se o valor médio para cada mês, calculando depois o valor médio anual, introduzindo (nos casos em que foi necessário) a informação na base de dados desenvolvida. Figura 3.1 Humidade máxima e mínima registada no estado do Arkansas em 1990 (adaptado de Cedar Lake Ventures, 2016) O LTPP permite recolher informação para várias classes de estradas. No entanto, como o parâmetro IRI tem maior relevância em vias de boa qualidade e velocidades acima dos 80 km/h, foi feita uma seleção quanto às mesmas. Desta forma, apesar de poder vir a limitar o modelo em desenvolvimento, espera-se melhorar a precisão do modelo. As estradas selecionadas, através dos filtros de pesquisa do LTPP, quanto à sua classe funcional foram: Via Coletora Regional (Rural Major Collector), Via Interestadual Regional (Rural Principal Arterial Interstate), Via Arterial Principal Regional (Rural Principal Arterial), Via Coletora Urbana (Urban Colector), Via Interestadual Urbana (Urban Principal Arterial Interstate) e Via Expressa Urbana (Urban Principal Arterial Freeway or Expressway). 39