CONSTRUÇÃO E ANÁLISE DE BANCO DE DADOS DE MISTURAS ASFÁLTICAS

COM FERRAMENTAS DE INTELIGÊNCIA ARTIFICIAL

Bruno Cavalcante Mota

Bruno Pinto Ignez
Gabriel Viana da Silva
Francisco Thiago Sacramento Aragão
Rogério Pinto Espíndola
Universidade Federal do Rio de Janeiro
Programa de Pós-Graduação em Engenharia Civil

RESUMO
O projeto de pavimentos envolve diversos aspectos complexos, como a influência do clima, das características dos
materiais e das configurações das camadas. Ao implementar o MeDiNa, por exemplo, é essencial conduzir ensaios
mecânicos que avaliem os materiais asfálticos e granulares e analisá-los de forma a obter o máximo de informações
relevantes possível. Neste sentido, este artigo foca na construção e na análise de um banco de dados de misturas
asfálticas a partir de 25 dissertações e teses brasileiras, usando a linguagem Python. Foram aplicados modelos de
regressão linear múltipla e redes neurais para prever o Módulo Dinâmico a partir de variáveis como volume de
vazios, relação betume-vazios, resistência à tração, %RAP, características de agregados e outras. Acredita-se que
os resultados obtidos no artigo poderão servir para análises preliminares importantes para a otimização da seleção
de materiais a serem adotados em campo.

ABSTRACT
Pavement design involves several complex aspects, such as the influence of climate, material characteristics, and
layer configurations. When implementing MeDiNa, for instance, it is essential to conduct mechanical tests that
evaluate asphalt and granular materials. This paper focuses on the construction and analysis of a database of asphalt
mixtures from 25 Brazilian theses and dissertations, using the Python language. Multiple linear regression models
and neural networks were applied to predict the Dynamic Modulus from variables such as volume of voids,
bitumen to voids ratio, tensile strength, %RAP, aggregate characteristics, and others. It is believed that the results
obtained in the paper will facilitate key preliminary analyses related to the optimization of the selection of materials
to be employed in the field.

1. INTRODUÇÃO
Com o desenvolvimento do MeDiNa, disponibilizado em 2018, é necessária a realização de
ensaios mecânicos para a caracterização de materiais asfálticos e de materiais granulares. Estes
ensaios são essenciais, pois fornecem informações imprescindíveis a respeito das respostas que
os materiais oferecem ao serem solicitados. Apesar disso, alguns podem ser razoavelmente
demorados e estratégias de otimização são bem-vindas.

Além de estratégias de otimização, técnicas de inteligência artificial podem auxiliar a previsão

de parâmetros em uma análise preliminar para facilitar a otimização da etapa de seleção de
materiais (Gouveia, 2016; Guilherme, 2016; Maia, 2016; Ribeiro, 2016; Santos et al., 2020).
Mota et al. (2022) realizaram uma revisão sistemática sobre estas técnicas e identificaram que
as mais usadas são redes neurais artificiais (Artificial Neural Networks, ANN, em inglês),
regressão do processo Gaussiano, máquinas de vetores de suporte, enxame de partículas, entre
outras. Os autores também identificaram que as variáveis mais estudadas são a quantificação
de trincas, a vida de fadiga, o módulo dinâmico (MD), o módulo de resiliência (MR) e a
espessura das camadas.

Neste sentido, é relevante a construção de um banco de dados com parâmetros importantes para

https://proceedings.science/p/174430?lang=pt-br
a aplicação de técnicas que possibilitem previsões de características dos materiais e facilitem a
otimização da sua seleção. O objetivo deste artigo é analisar as propriedades que mais
influenciam o MD, a partir da construção de um banco de dados de misturas asfálticas em
âmbito nacional.

2. REVISÃO BIBLIOGRÁFICA
Ghanizadeh e Fakhri (2014) apresentaram um estudo sobre o uso de splines de regressão
adaptativa multivariada (MARS) e ANN para prever a frequência para simular resultados de
ensaios de fadiga de misturas asfálticas. O estudo utilizou um conjunto de dados de campo
coletados do programa Long-Term Pavement Performance (LTPP) para treinar os modelos
MARS e ANN. Os modelos forneceram boas previsões e poderiam ser usados para otimizar o
projeto de misturas asfálticas para melhorar sua durabilidade e longevidade.

Gouveia et al. (2018) apresentaram um estudo sobre a previsão do módulo dinâmico de misturas
asfálticas brasileiras. O estudo utilizou misturas asfálticas coletadas em diferentes regiões do
Brasil, com diferentes tipos de agregados e ligantes asfálticos. Os modelos de regressão foram
desenvolvidos com o uso de técnicas estatísticas multivariadas, como análise de regressão linear
múltipla e regressão por árvores de decisão. Os resultados indicaram que o modelo baseado em
árvores de decisão apresentou a melhor previsão do MD das misturas asfálticas brasileiras.
Sendo assim, os autores destacaram ser possível prever o módulo dinâmico dessas misturas com
base em parâmetros dos materiais constituintes e que o modelo baseado em árvores de decisão
pode ser uma ferramenta útil para essa previsão.

Begonha et al. (2019) apresentaram um modelo empírico para a previsão do MR de misturas

asfálticas. O método consistiu em coletar 20 amostras de misturas asfálticas em campo, realizar
os ensaios de laboratório para determinação do módulo de resiliência, bem como coletar
informações sobre as características dos materiais utilizados na mistura e do ambiente em que
os pavimentos se encontravam. Os resultados mostraram que o modelo apresentou boa precisão.

Gong et al. (2019) apresentaram um estudo sobre o uso de redes neurais para prever trincas por
fadiga em pavimentos asfálticos usando saídas do projeto mecanístico-empírico de pavimentos.
O estudo utilizou um conjunto de dados de campo coletados do LTPP para treinar o modelo de
rede neural. Observou-se que o modelo foi capaz de prever com precisão o trincamento por
fadiga em pavimentos asfálticos e que poderia ser usado na otimização do projeto de
pavimentos asfálticos.

Isied e Souliman (2019) e Elwardany et al. (2021) usaram redes neurais artificiais em análises
de fadiga em pavimentos asfálticos. Enquanto o primeiro trabalho examinou o impacto de
comboios de caminhões automatizados na vida útil do pavimento, o segundo desenvolveu um
modelo para estimar o limite de resistência à fadiga do pavimento asfáltico. Ambos os estudos
adotaram dados experimentais com o intuito de treinar as redes neurais.

Fonseca et al. (2020) desenvolveram um banco de dados de misturas asfálticas avaliadas no

estado do Ceará com o objetivo de disponibilizar informações sobre as características e as
propriedades dessas misturas para a comunidade técnica. No estudo, foram coletadas amostras
de misturas asfálticas em diferentes rodovias e essas amostras foram submetidas a ensaios de

https://proceedings.science/p/174430?lang=pt-br
caracterização mecânica e volumétrica. Os resultados foram organizados em uma planilha
eletrônica e disponibilizados publicamente. As principais conclusões foram que o banco de
dados pode ser útil para a seleção e o projeto de misturas asfálticas, além de fornecer
informações importantes para pesquisas em pavimentação.

Santos et al. (2020) apresentaram um estudo sobre a previsão do módulo dinâmico de misturas
asfálticas do Rio de Janeiro e do Ceará, utilizando modelos empíricos. Para isso, foram
coletadas amostras de misturas asfálticas em diferentes locais nos dois estados e foram
realizados ensaios de caracterização dos materiais. Os principais resultados do estudo indicaram
que os modelos empíricos elaborados apresentaram boa precisão na previsão do módulo
dinâmico de misturas asfálticas. Os autores apontaram para a importância de considerar as
características dos materiais constituintes e do ambiente em que são utilizados para a estimativa
do comportamento mecânico das misturas asfálticas, especialmente em fases preliminares como
a de seleção de materiais.

3. MÉTODO DE PESQUISA
Como descrito a seguir, este trabalho envolveu três etapas: (i) construção do banco de dados;
(ii) análise das variáveis que mais impactam os resultados de MD e (iii) predição do MD a partir
do banco de dados.

3.1. Construção do banco de dados

Os dados foram coletados em dissertações e teses de Universidades Federais Brasileiras que
integravam a Rede de Asfalto, a saber: UFC, UFCG, UFJF, UFRGS, UFRJ, UFSM e UNB. A
seleção de universidades seguiu o critério de quantidade de trabalhos disponíveis relacionados
a pavimentos asfálticos, considerando o revestimento asfáltico.

Os trabalhos precisavam estar disponíveis no Oasisbr, o Portal Brasileiro de Publicações e

Dados Científicos em Acesso Aberto do Governo Federal ou nos repositórios de cada
instituição. Foi definido um período de 20 anos, abrangendo trabalhos disponíveis entre 2003 e
2023. Para isso, foram utilizadas as palavras-chave: revestimento, asfalto, pavimento e mistura
asfáltica, sendo obrigatório conter as quatro em seu escopo.

Com o download de cada trabalho realizado, foi iniciada a pré-seleção, verificando se os

arquivos realmente abordavam os assuntos investigados. Para isso, foram utilizados os títulos e
os resumos. A etapa seguinte consistiu da coleta de informações para identificar quais variáveis
foram abordadas em cada trabalho. Nesta etapa, foi elaborada uma planilha em Excel.

3.2. Procedimentos de análise

Foram usadas algumas bibliotecas de análise de dados, como Pandas, NumPy e Seaborn,
implementadas em Python. Essas bibliotecas forneceram recursos essenciais para manipulação,
estruturação e processamento dos dados relacionados às misturas asfálticas.

Com a finalidade de estruturar e de analisar os dados, foi utilizado o Profile Report, uma
ferramenta do pacote Pandas, que gerou um relatório sobre a estrutura do banco de dados. Essa
estruturação foi posteriormente transportada para um formato HTML, facilitando a análise
detalhada das variáveis.

https://proceedings.science/p/174430?lang=pt-br
Com o intuito de melhor compreender as relações entre as variáveis, foi usado o recurso do
heatmap. Essa abordagem permitiu a identificação de possíveis padrões e tendência. Por fim,
os resultados de MD foram previstos com uma regressão linear múltipla e redes neurais
artificiais, para identificar a complexidade do banco de dados atual. É importante destacar que
esta é uma pesquisa que está em desenvolvimento. Assim, os resultados aqui apresentados são
iniciais e o banco de dados continua sendo alimentado, à medida que mais informações são
coletadas em trabalhos científicos.

3.3. Limitações da pesquisa

Foi necessário lidar com alguns desafios que impactaram a análise. Entre esses desafios,
destaca-se a presença de uma grande quantidade de valores vazios em algumas variáveis,
chegando a mais de 50% dos dados em determinados casos. Isso ocorreu porque alguns
trabalhos não divulgaram todos os dados ou não realizaram os ensaios referentes a eles.

Além disso, ocorreu desequilíbrio em algumas variáveis e a presença de outliers. Outra

dificuldade diz respeito ao grande número de variáveis presentes no banco de dados. Como se
tentou coletar o máximo possível de detalhes dos trabalhos e nem todos apresentaram as
mesmas análises, houve muitas variáveis distintas.

Essa quantidade excessiva de variáveis tornou a análise simultânea inviável, pois os gráficos se
tornaram pesados e menos compreensíveis. Para contornar essa situação, a análise foi dividida
em três partes: (i) remoção das linhas que não apresentaram o Módulo Dinâmico, valor de saída
central; (ii) remoção das variáveis/colunas com excesso de valores ociosos, sendo escolhido
arbitrariamente um limite máximo de 5% de vazios; (iii) remoção das amostras/linhas com
valores faltantes, garantindo mais confiabilidade ao banco; (iv) remoção de outliers e produção
dos histogramas de cada variável remanescente. Esse método foi resumido graficamente pela
Figura 1, que contém um banco de dados fictício com variáveis U, V, W, X, Y e Z e oito
diferentes amostras retiradas de trabalhos.

Figura 1: Representação gráfica da limpeza do banco de dados. (a) dados iniciais; (b) dados
após remoção de colunas com poucos valores; (c) remoção de amostras que apresentavam a
ausência de alguma característica de interesse; (d) formação do novo banco de dados, com
menos variáveis livre e amostras

https://proceedings.science/p/174430?lang=pt-br
4. RESULTADOS E DISCUSSÕES
O banco de dados foi formulado a partir de 25 dissertações e teses provenientes das
universidades citadas. Desses trabalhos, foram obtidos 188 resultados de Módulo Dinâmico. A
primeira análise do banco de dados consistiu das variáveis presentes. As Tabelas 1 e 2 indicam
quais foram os dados coletados e a quantidade de cada, identificados no banco de dados.

Tabela 1: Resumo dos dados coletados

Variável Representações da variável Quantidade
UFC (Bessa, 2012; Bastos, 2016; Ferreira, 2017;
4
Lucas Júnior, 2019)
UFRJ (Nascimento, 2008; Pazos, 2015; Oliveira,
3
2022)
UFCG (Cruz, 2018; Nunes, 2019; Queiroz,
3
2022)
Trabalhos por
UFRGS (Barros, 2017; Mocelin, 2018; Colpo,
Universidades 5
2019; Zappe, 2019; Dapper, 2020)
UFSM (Bohn, 2017; Schuster, 2018; Boeira,
6
2018; Possebon, 2018; Luzzi, 2019; Pires, 2020)
UNB (Nunes, 2017; Oliveira, 2020; Lopes,
3
2022)
UFJF (Neumann, 2021) 1
19,0 mm 110
Tamanho Máximo
12,5 mm 34
Nominal (TMN)
9,5 mm 2
Fino 95
Comportamento
Graúdo 51
Superpave 93
Tipo de Dosagem
Marshall 58

Tabela 2: Histogramas das variáveis

Variável Histograma

Teor de ligante (%)

Vazios no agregado mineral (VAM) (%)

https://proceedings.science/p/174430?lang=pt-br
 Tabela 2: Gráficos de dispersão das variáveis (conclusão)
Variável Histograma

Relação betume-vazios (RBV) (%)

Resistência à tração (MPa)

%RAP

Volume de vazios (Vv) (%)

Módulo dinâmico (10 Hz, 20 °C) (MPa)

A partir destes dados, observam-se características de misturas asfálticas no Brasil. O TMN varia
de 9,5 mm a 19,5 mm. Foram utilizadas as dosagens Marshall e Superpave, com 75 e 100 giros,
respectivamente. Também se observou que o teor de ligante variou entre 3,65% e 8%, enquanto
que o VAM variou entre 10,1% e 23,0% e o Vv, entre 3,3% e 5,3%. A RT abrangeu a faixa de

https://proceedings.science/p/174430?lang=pt-br
0,52 MPa a 2,99 MPa. O MD para a frequência de 10 Hz e a temperatura de 20°C variou entre
2.000 MPa e 15.608 MPa.

Após a análise preliminar dos dados, foram excluídas as colunas e linhas conforme a
metodologia descrita no tópico 3, resultando em 92 resultados de MD, que variaram de acordo
com parâmetros de porcentagem de material asfáltico reciclado (RAP), TMN, comportamento
do agregado (graúdo ou fino), teor de ligante, Vv, RBV, VAM e RT. Inicialmente, foram
coletadas mais variáveis (parâmetros da curva de fadiga, do modelo S-VECD, Nf, entre outros).
Contudo, não foram encontrados valores de saída para o MD que contivessem todas as variáveis
anteriormente definidas, diminuindo, assim, a quantidade amostral inicial de 188 registros.

Os dados foram tratados por meio de um código em Python, em que foram analisados
parâmetros estatísticos, incluindo média, mediana, variância, desvio padrão, assimetria,
curtose, frequência e correlação entre variáveis. A Tabela 3 apresenta os resultados obtidos para
os seis primeiros parâmetros estatísticos citados. Observa-se que os valores de MD estão muito
distantes do centro de distribuição, devido aos elevados desvio padrão e variância. As demais
variáveis apresentaram valores baixos de desvio padrão e variância. Pela assimetria, percebe-
se que a maioria das variáveis são simétricas, possuindo valores entre -1 e 1.

Tabela 3: Dados estatísticos das variáveis de misturas analisadas

Desvio-
Variáveis Média Mediana Variância Assimetria Curtose
Padrão
%RAP 3,59 0,00 0,10 1,06e-02 3,07 9,18
TMN 18,30 19,00 2,18 4,74e+00 -2,94 7,32
Vv (%) 4,07 4,00 0,26 6,83e-02 1,77 4,82
Teor de ligante (%) 5,02 5,00 0,86 7,47e-01 0,72 0,69
RBV (%) 74,12 75,00 3,80 1,44e+01 -0,80 0,45
VAM (%) 15,66 15,60 2,29 5,23e+00 -0,04 0,64
RT (MPa) 1,64 1,66 0,51 2,61e-01 -0,03 -0,56
MD (MPa) 10.552,21 10.000,00 2.609,59 6,81e+06 -0,39 1,23

Apenas os valores de porcentagem de RAP, TMN e Vv apresentaram uma simetria positiva,

apresentando uma média maior que a mediana e esta maior que a moda. Com relação ao
achatamento das curvas, percebe-se que as mesmas variáveis de simetria positiva apresentaram
um comportamento de curva platicúrtica, mais achatada. Por fim, como mostra a Figura 2,
foram traçadas as correlações das variáveis com o valor de saída.

Na Figura 2, observa-se a correlação entre as variáveis, incluindo correlações efetivas já

apresentadas na literatura, como a do Vv com o VAM e a do Vv com o teor de ligante. Com
relação ao MD, as variáveis com maior correlação foram o teor de ligante, o Vv, o VAM, o
comportamento do agregado da mistura e a RT. As primeiras três variáveis influenciam
negativamente o valor de MD, enquanto que as duas últimas o afetam positivamente.

https://proceedings.science/p/174430?lang=pt-br
 Figura 2: Matriz de correlação das variáveis

Foram, então, gerados os códigos para análise por regressão linear múltipla e redes neurais. Os
dados foram divididos em 30% para teste e 70% para treino. Para a regressão linear múltipla, o
R² foi de 0,37, demonstrando que as variáveis e os dados presentes na base de dados não estão
sendo suficientes para a previsão do MD. Foi obtido um erro absoluto de 2.139,22 e uma raiz
quadrada do erro quadrático médio (Root Mean Square Error, RMSE, em inglês) de 2.738,21,
mostrando que o modelo não é representativo para os dados em questão. A Figura 3 apresenta
as relações dos valores de MD da base de dados com os previstos.

Figura 3: Valores preditos e valores reais por regressão linear

https://proceedings.science/p/174430?lang=pt-br
Com relação às redes neurais artificiais, foi usada a base keras, considerando um modelo com
100 camadas de densidade e uma resposta linear, o MD. Após a realização de 10.000 interações
com um batch size de 32 linhas, obteve-se uma RMSE de 2.224,78, sendo o erro quadrático
médio (MSE) a função de custo. Apesar de também não oferecer um resultado satisfatório,
devido à baixa quantidade de dados coletados até o momento, a análise apresentou um resultado
melhor quando comparado ao da regressão linear múltipla. A Figura 4 apresenta uma
comparação entre valores previstos e reais obtidos com a rede neural. A Figura 5 apresenta uma
comparação dos erros obtidos com relação aos dados de treino e de teste da base de dados.

Figura 4: Valores reais e previstos por rede neural

Figura 5: Histórico de treinamento da rede neural

Apesar de ter sido obtida uma boa quantidade de dados, acredita-se, pelas análises realizadas,
que ela ainda é insuficiente, o que resulta em uma descaracterização do modelo. Assim, espera-
se coletar informações provenientes de outras universidades e realizar mais ensaios de
laboratório com novas misturas para que sejam incorporadas ao banco de dados.

https://proceedings.science/p/174430?lang=pt-br
5. CONSIDERAÇÕES FINAIS
Este artigo apresentou um trabalho em andamento de um banco de dados de misturas asfálticas
a partir de dados disponibilizados por teses e dissertações de programas de pós-graduação que
analisam esse tipo de material. Com o banco de dados elaborado até o momento, observou-se
que há uma ampla variedade de trabalhos disponíveis que podem ser úteis para caracterizar e
fornecer uma análise preliminar de parâmetros relacionados ao revestimento asfáltico.

Destaca-se que diversos trabalhos não apresentaram todas as variáveis relevantes para uma
análise mais consistente. Dessa forma, foi necessário adotar medidas de exclusão de variáveis
nas análises, o que resultou em uma alta RMSE para ambos os modelos testados com o banco
de dados.

Outra possibilidade estimada pelos autores é a aplicação da técnica de programação de

mineração de dados para coletar o máximo de informações, já existentes, tangentes ao escopo.
Caso a oferta de dados não seja suficiente, seria necessária a fabricação de diversos corpos de
provas e a realização de testes para medir o MD com o intuito de complementar o banco de
dados existente.

Nesse sentido, o banco de dados continuará sendo alimentado para que possa, futuramente,
servir de base para uma análise preliminar de misturas asfálticas a serem utilizadas em
pavimentos flexíveis. Para isso, é necessário que os autores divulguem os principais dados de
suas pesquisas de forma clara e aberta.

Agradecimentos
Os autores agradecem pelo apoio da Agência Nacional do Petróleo (ANP), por meio do Programa
Interdepartamental de Tecnologias Digitais para o Setor de Petróleo e Gás (PRH 4.1), do CNPq, da FAPERJ e da
Petrobras.

REFERÊNCIAS BIBLIOGRÁFICAS
Barros, L. M. (2017) Deformação permanente de misturas asfálticas: avaliação do desempenho conforme critério
de flow number de misturas quentes e mornas. Dissertação (Mestrado em Engenharia Civil). Universidade
Federal do Rio Grande do Sul, Porto Alegre.
Bastos, J. B. S. (2016) Considerações sobre a deformação permanente de pavimentos asfálticos no
dimensionamento mecanístico-empírico. Tese (Doutorado em Engenharia de Transportes), Universidade
Federal do Ceará, Fortaleza.
Begonha, D. M. B.; I. G. Santos e F. T. S. Aragão (2019) Desenvolvimento de um modelo empírico de previsão
do módulo de resiliência de misturas asfálticas. Anais do 33° Congresso de Pesquisa e Ensino em
Transportes, ANPET, Balneário Camboriú, v. 1, p. 1707-1718.
Bessa, I. S. (2012) Avaliação do processamento digital de imagens como ferramenta para caracterização de
agregados e misturas asfálticas. Dissertação (Mestrado em Engenharia de Transportes), Universidade
Federal do Ceará, Fortaleza.
Boeira, F. D. (2018) Estudo da rigidez, da deformação permanente e da fadiga de misturas asfálticas com ligantes
convencionais e modificados. Tese (Doutorado em Engenharia Civil), Universidade Federal de Santa
Maria, Santa Maria.
Bohn, K. A. (2017) Avaliação de misturas asfálticas recicladas mornas com uso de ligantes convencional e
modificado por polímero. Dissertação (Mestrado em Engenharia Civil). Universidade Federal De Santa
Maria, Santa Maria.
Cruz, G. K. A. (2018) Influência das propriedades morfológicas e dos métodos de seleção granulométrica nas
propriedades mecânicas de misturas asfálticas. Dissertação (Mestrado em Engenharia Civil e Ambiental),
Universidade Federal De Campina Grande, Campina Grande.

https://proceedings.science/p/174430?lang=pt-br
Colpo, G. B. (2019) Comportamento à fadiga de misturas asfálticas: ensaios laboratoriais e instrumentação in
situ. Tese (Doutorado em Engenharia Civil), Universidade Federal do Rio Grande do Sul, Porto Alegre.
Dapper, H. (2020) Avaliação laboratorial de misturas asfálticas a quente e mornas com utilização de asfalto
borracha. Dissertação (Mestrado em Engenharia Civil), Universidade Federal do Rio Grande do Sul, Porto
Alegre.
Elwardany, M. D.; B. N. Hanna e M. Souliman (2021) Estimating the impact of automated truck platoons on
asphalt pavement’s fatigue life using artificial neural networks. International Journal of Pavement
Engineering, v. 12, n. 23, p. 1-13. DOI: 10.1080/10298436.2021.1938046.
Ferreira, J. L. S. (2017) Novas diretrizes para a seleção granulométrica de misturas asfálticas densas com foco
na deformação permanente. Dissertação (Mestrado em Engenharia de Transportes), Universidade Federal
do Ceará, Fortaleza.
Fonseca, B. F.; J. B. S. Bastos; J. L. O. Lucas Júnior e J. B. Soares (2020) Banco de dados de misturas asfálticas
avaliadas no Ceará. Anais do 34° Congresso de Pesquisa e Ensino em Transportes, ANPET, 100%Digital,
v. 1, p. 1422–1433.
Ghanizadeh, A. R. e M. Fakhri (2014) Prediction of Frequency for Simulation of Asphalt Mix Fatigue Tests Using
MARS and ANN. The Scientific World Journal, v. 2014, p. 1-16. DOI: 10.1155/2014/515467.
Gong, H.; Y. Sun; W. Hu e B. Huang (2019) Neural networks for fatigue cracking prediction using outputs from
pavement mechanistic-empirical design. International Journal of Pavement Engineering, v. 22, n. 2, p.
162-172. DOI: 10.1080/10298436.2019.1580367.
Gouveia, B. C. S. (2016) Métodos de previsão e determinação de Módulo Dinâmico de misturas asfálticas
aplicadas em rodovias brasileiras. Dissertação (Mestrado em Engenharia de Transportes), Universidade
Federal do Ceará, Fortaleza.
Gouveia, B. C. S.; J. B. Soares; F. T. S. Aragão e L. P. Specht (2018) Previsão do módulo dinâmico de misturas
asfálticas brasileiras. Transportes, v. 26, n. 4, p. 16-29. DOI: 10.14295/transportes.v26i4.1388.
Guilherme, A. T. P. (2016) Análise comparativa de modelos para previsão e mapeamento de propriedades
geotécnicas dos solos da microrregião de Mossoró-RN. Dissertação (Mestrado em Engenharia de
Transportes), Universidade Federal do Ceará, Fortaleza.
Isied, M. e M. Souliman (2019) Fatigue endurance limit model utilizing artificial neural network for asphalt
concrete pavements. Proceedings of International Arfield and Highway Pavements Conference, ASCE, p.
42-50.
Lopes, L. N. (2022) Fadiga e deformação permanente em ligante e mistura asfáltica modificados com borracha
pré-tratada (RAR). Tese (Doutorado em Engenharia Civil). Universidade de Brasília, Brasília.
Lucas Júnior, J. L. O. (2018) Influência da adesividade agregado-ligante no trincamento por fadiga de misturas
asfálticas. Dissertação (Mestrado em Engenharia de Transportes), Universidade Federal do Ceará,
Fortaleza.
Luzzi, F. C. (2019) Adaptação de usina para reciclagem à quente e avaliação laboratorial das misturas asfálticas
produzidas. Dissertação (Mestrado em Engenharia Civil), Universidade Federal de Santa Maria, Santa
Maria.
Maia, C. L. (2016) Análise comparativa de módulos de resiliência obtidos com o Geogauge para o controle de
qualidade de camadas granulares dos pavimentos. Dissertação (Mestrado em Engenharia de Transportes),
Universidade Federal do Ceará, Fortaleza.
Mocelin, D. M. (2018) Avaliação do comportamento à fadiga de misturas asfálticas quentes e mornas através do
modelo de dano contínuo viscoelástico. Dissertação (Mestrado em Engenharia Civil), Universidade Federal
do Rio Grande do Sul, Porto Alegre.
Mota, B. C.; F. T. S. Aragão e R. P. Espíndola (2022) Caracterização da resistência à fadiga de materiais de
pavimentação asfáltica a partir de técnicas de inteligência artificial: uma revisão sistemática da literatura.
Anais do 36° Congresso de Pesquisa e Ensino em Transportes, ANPET, Fortaleza, v. 1, p. 1-12.
Nascimento, L. A. H. (2008) Nova Abordagem da Dosagem de Misturas Asfálticas Densas com Uso do
Compactador Giratório e Foco na Deformação Permanente. Dissertação (Mestrado em Engenharia Civil),
Universidade Federal do Rio de Janeiro, Rio de Janeiro.
Neumann, G. P. (2021) Análise do processo de autorregeneração de misturas asfálticas incorporadas com agentes
rejuvenescedores encapsulados. Dissertação (Mestrado em Engenharia Civil), Universidade Federal de Juiz
de Fora, Juiz de Fora.
Nunes, L. C. (2017) Fadiga de misturas asfálticas descontínuas com Asfalto-borracha de 4ª geração. Dissertação
(Mestrado em Geotecnia), Universidade de Brasília, Brasília.

https://proceedings.science/p/174430?lang=pt-br
 Nunes, C. G. L (2019) Estudo do comportamento de misturas asfálticas modificadas por borracha de pneus
inservíveis. Dissertação (Mestrado em Engenharia Civil), Universidade Federal da Paraíba, João Pessoa.
Oliveira, M. S. (2020) Análise da fadiga em misturas asfálticas recicladas a quente. Dissertação (Mestrado em
Geotecnia), Universidade de Brasília, Brasília.
Oliveira, A. D. (2022) Modelagem numérico-experimental de reflexão de trincas. Tese (Doutorado em Engenharia
Civil), Universidade Federal do Rio de Janeiro, Rio de Janeiro.
Pazos, A. G. (2015) Efeitos de propriedades morfológicas de agregados no comportamento mecânico de misturas
asfálticas. Dissertação (Mestrado em Engenharia Civil), Universidade Federal do Rio de Janeiro, Rio de
Janeiro.
Pires, D. M (2020) Estudo da deformação permanente de concretos asfálticos aplicados em campo. Dissertação
(Mestrado em Engenharia Civil). Universidade Federal De Santa Maria, Santa Maria.
Possebon, E. P. (2018) Estudo laboratorial das propriedades mecânicas de misturas com diferentes cimentos
asfálticos de petróleo produzidos no Brasil. Dissertação (Mestrado em Engenharia Civil), Universidade
Federal de Santa Maria, Santa Maria.
Queiroz, R. F. R. (2022) Avaliação do dano por fadiga de misturas asfálticas modificadas por adição de polímero
a partir do modelo S-VECD. Dissertação (Mestrado em Engenharia Civil e Ambiental). Universidade
Federal De Campina Grande, Campina Grande.
Ribeiro, A. J. A. (2016) Um modelo de previsão do módulo de resiliência dos solos no estado do Ceará para fins
de pavimentação. Tese (Doutorado em Engenharia de Transportes), Universidade Federal do Ceará,
Fortaleza.
Santos, I. G.; P. Goecks; F. T. S. Aragão; L. A. H. Nascimento e B. C. S. Gouveia (2020) Previsão do módulo
dinâmico de misturas asfálticas do Rio de Janeiro e Ceará a partir de modelos empíricos. Anais do 34°
Congresso de Pesquisa e Ensino em Transportes, ANPET, 100%Digital, v. 1, p. 1434–1445.
Schuster, S. L. (2018) Estudo do comportamento à fadiga de misturas asfálticas aplicadas em campo por meio da
teoria viscoelástica de dano contínuo. Dissertação (Mestrado em Engenharia Civil), Universidade Federal
de Santa Maria, Santa Maria.
Zappe, A. P. S. (2020) Avaliação de diferentes fontes de material fresado com ligantes não-convencionais na
reciclagem à quente. Dissertação (Mestrado em Engenharia Civil), Universidade Federal do Rio Grande do
Sul, Porto Alegre.

Bruno Cavalcante Mota (bruno.mota@coc.ufrj.br)

Bruno Pinto Ignez (bbignez@poli.ufrj.br)
Gabriel Viana da Silva (gabrielvianads@poli.ufrj.br)
Francisco Thiago Sacramento Aragão (fthiago@coc.ufrj.br)
Rogério Pinto Espíndola (rogerio.espindola@coc.ufrj.br)
Programa de Pós-Graduação em Engenharia Civil, Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa
em Engenharia, Universidade Federal do Rio de Janeiro.
Cidade Universitária, Ilha do Fundão, Rio de Janeiro-RJ, Brasil.

https://proceedings.science/p/174430?lang=pt-br
Powered by TCPDF (www.tcpdf.org)