Escolar Documentos
Profissional Documentos
Cultura Documentos
RESUMO
Ensaios realizados para prever a resistência à fadiga de misturas asfálticas são essenciais, mas normalmente
demorados. Neste sentido, técnicas modernas, como as baseadas em inteligência artificial, podem ser adotadas,
especialmente em fases preliminares do projeto de pavimentos, como a de seleção de materiais. Este artigo faz
uma revisão sistemática da literatura e analisa 49 pesquisas sobre técnicas de inteligência artificial aplicadas à
caracterização do dano por fadiga de misturas asfálticas e propriedades mecânicas de camadas granulares. No
estudo, são identificadas variáveis de influência e métodos de predição que podem ser úteis na otimização de
projetos de pavimentos flexíveis no país. Espera-se que este estudo contribua com o avanço do conhecimento e
promova a utilização de técnicas modernas e eficientes de caracterização de materiais de pavimentação, o que pode
auxiliar na otimização e o aumento da eficiência de projetos de pavimentos.
ABSTRACT
Tests performed to predict the fatigue resistance of asphalt mixtures are essential, but usually time consuming. In
this sense, modern techniques, such as those based on artificial intelligence, can be adopted, especially in
preliminary phases of pavement design, such as material selection. This paper performs a systematic literature
review and analyzes 49 research efforts focused on artificial intelligence techniques applied to the fatigue damage
characterization of asphalt mixtures and mechanical properties of granular layers. The study identifies the effects
of variables and predictive methods that can be useful for the optimization of flexible pavement designs in the
country. It is expected that this research can contribute with the advancement of knowledge and promote the use
of modern and efficient techniques for the characterization of paving materials, which can facilitate the
optimization and increase the efficiency of flexible pavements designs.
1. INTRODUÇÃO
No Brasil, o transporte de cargas e passageiros ainda ocorre majoritariamente pelo modo
rodoviário, representando 65% e 95% de todas as operações, respectivamente (CNT, 2021).
Assim, devido à sua importância para o desenvolvimento econômico e social do país, torna-se
relevante entender os materiais que compõem as estruturas de pavimentos asfálticos. Elas são
projetadas para resistirem aos esforços mecânicos e efeitos do clima, fornecendo conforto e
segurança aos seus usuários. Contudo, a ocorrência de defeitos estruturais como o afundamento
de trilha de roda (ATR) e o trincamento por fadiga reduzem o tempo de vida útil do pavimento,
fazendo-o falhar antes do período para o qual foi projetado (Medina e Motta, 2015).
Para reduzir a incidência desses defeitos, é necessária a investigação das suas causas, o que
permite otimizar os parâmetros que os regem, fornecendo uma resistência mecânica mais
elevada ao pavimento. Para a camada de revestimento, geralmente composta por concreto
asfáltico (CA), os parâmetros de rigidez normalmente adotados em métodos de
dimensionamento são o módulo de resiliência (MR) e o módulo dinâmico (MD) (Gouveia,
2016). O MR também tem sido adotado na caracterização de camadas granulares como base,
sub-base e reforço do subleito, além do próprio subleito (Ribeiro, 2016). Ainda, para todas as
camadas, é requerido o estudo da deformação permanente (DP), causa do ATR (Cabral, 2021;
Barros, 2022).
Para a previsão da porcentagem de área trincada, torna-se necessária a realização de ensaios de
laboratório em que é analisada a resistência à fadiga do material. Destaca-se que este defeito é
mais recorrente no revestimento, enquanto que a DP ocorre com frequência tanto no
revestimento quanto nas camadas granulares. Para estas caracterizações, diversos protocolos de
ensaio podem ser adotados e o tempo necessário para as suas realizações pode ser reduzido a
partir da incorporação de técnicas avançadas de análise. Destaca-se, no entanto, que a busca por
esta economia de tempo não deve justificar a eliminação de ensaios em fases mais avançadas
do projeto, sendo mais razoável que ocorra em fases preliminares, como a de seleção de
materiais.
Entre as técnicas avançadas de análise, modelos baseados em inteligência artificial (IA) têm
ganhado destaque recentemente. Alguns estudos brasileiros já utilizaram redes neurais
artificiais para prever tanto o MD (Gouveia, 2016; Santos et al., 2020) quanto o MR (Ribeiro,
2016; Guilherme, 2016; Maia, 2016) para misturas asfálticas e camadas granulares,
respectivamente. No entanto, ainda há muitas possibilidades de estudos ainda não exploradas e
é preciso promover o avanço do conhecimento nesta área no país. Neste contexto, o objetivo
deste trabalho é analisar as pesquisas sobre a fadiga de materiais de pavimentação asfáltica a
partir de técnicas de inteligência artificial, definindo as características dos materiais que mais
influenciam no comportamento mecânico avaliado.
2. MÉTODO DE PESQUISA
Diante do objetivo proposto, foi realizada uma revisão sistemática da literatura a partir de
artigos científicos existentes em duas bases de dados. Para isso, foi utilizado o software StArt
(2022), desenvolvido por pesquisadores da Unicamp, próprio para esse tipo de abordagem.
Foram realizados os seguintes procedimentos: (i) definição do protocolo de pesquisa; (ii)
seleção primária dos artigos; (iii) seleção secundária dos artigos; (iv) compilação dos resultados
analisados.
Após o download dos artigos, foi realizada a segunda rodada de análises, em que foram
utilizados os critérios de inclusão e exclusão apresentados na Tabela 1. Com isso, os artigos
incluídos foram processados integralmente, sendo extraídas as informações necessárias para
responder à questão de pesquisa definida. Para não violar o limite de tamanho deste documento,
optou-se por relatar apenas as pesquisas definidas com prioridade.
Karlaftis e Badr (2015) utilizaram redes neurais geneticamente otimizadas para prever o início
de trincas do tipo couro de jacaré. Os autores adotaram uma abordagem representativa entre a
probabilidade de ocorrência desse tipo de defeito estrutural e diversos fatores de projeto como
o clima e o tráfego. A partir das modelagens, foi possível identificar que os fatores que reduzem
o risco de trincas são a utilização de material natural (sem aditivos), a preparação rigorosa da
camada de subleito e a maior espessura da camada de revestimento.
Pożarycki (2015) utilizou redes neurais artificiais para encontrar valores de espessura para
camadas de revestimento asfáltico. O autor, no entanto, destaca que esses métodos causam
incerteza por potenciais perturbações que ocorrem nas suposições do conjunto de treinamento
sob condições reais. Para este estudo, o autor investigou variáveis como a temperatura, a tensão
aplicada, o valor da deflexão e a espessura total da camada de revestimento, além do tipo de
estrutura. Como resultados, observou-se que a metodologia proposta foi confiável para a
identificação da espessura da camada de revestimento sem reforço.
Plati et al. (2015) investigaram uma rede neural artificial para modelar a condição estrutural do
pavimento em sistemas de gerenciamento. Para o desenvolvimento da rede, foram estabelecidos
critérios de avaliação de tensão a fim de caracterizar a condição estrutural dos pavimentos
asfálticos no que diz respeito ao dano por fadiga. Os autores coletaram dados in situ, com
medições obtidas de um Falling Weight Deflectometer (FWD). Os dados das deflexões foram
analisados posteriormente para avaliar as tensões que seriam utilizadas como dados de saída.
Os resultados preliminares indicaram que a técnica de inteligência artificial pode ajudar os
tomadores de decisão a traçar estratégias ótimas para o planejamento da manutenção da
infraestrutura do pavimento. Ainda, destaca-se que a abordagem conceitual proposta pode ser
apresentada como um problema de classificação.
Wang et al. (2018) projetaram três combinações distintas de espessuras para revestimentos
asfálticos com misturas quentes e emulsificadas para analisar o desempenho quanto à fadiga.
Os autores estudaram as distribuições dos vazios internos nas combinações com tomografia
computadorizada de raio X, analisando a correlação entre a vida de fadiga e as relações de
vazios. Foi empregada uma rede neural artificial para prever a vida útil de fadiga de cada
combinação. Os resultados mostraram que a vida de fadiga das combinações foi inversamente
proporcional à razão de tensão aplicada em cada camada combinação das camadas de mistura
asfáltica emulsificada e mistura a quente e à temperatura ambiente. A combinação com 4 cm
de mistura quente e 4 cm de mistura emulsificada foi a que obteve melhor comportamento.
Ainda, observaram que uma estrutura com revestimento de mistura quente mais fina e uma
camada de mistura emulsificada mais espessa pode resultar em maiores proporções de vazios e
menor vida útil de fadiga das combinações. Também foi constatado que os resultados da
previsão da rede neural foram similares aos experimentais, permitindo orientar o projeto de
pavimentos asfálticos.
Isied e Souliman (2019) usaram dados de fadiga para criar um modelo de previsão a partir de
redes neurais artificiais para determinar os valores de tensão máxima para pavimentos
asfálticos. O modelo desenvolvido foi capaz de determinar o valor da tensão máxima em função
da relação de rigidez, número de ciclos até a falha, rigidez inicial e tempo de repouso. Além
disso, foi encontrada uma correlação entre os valores de tensão máxima, como previsto. Isso
ocorreu por meio da utilização o modelo de regressão gerado e da equação independente
derivada da rede neural artificial, apresentando um alto valor de coeficiente de determinação.
Qadir et al. (2020) desenvolveram modelos de redes neurais artificiais para prever a rigidez e a
espessura de corte de reforços de pavimentos asfálticos, utilizando parâmetros de projeto da
metodologia Marshall. Uma rede neural multicamadas foi considerada adequada neste estudo
quando um conjunto de dados maior estava disponível para um modelo de rigidez. Por outro
lado, uma rede neural de base radial foi encontrada para dar maior precisão com um menor
conjunto de dados de espessuras de corte existente. Como resultados, em ambos os casos, os
autores constataram que as redes neurais previram os parâmetros com precisão suficiente. Estes
modelos evidenciaram que projetos de reforço de pavimentos com uma boa distribuição de
tamanhos de partículas de agregados tendem a ser melhores quanto a rigidez.
Elshamy et al. (2020) avaliaram o uso de redes neurais artificiais como suporte para tomada de
decisão sobre manutenção de pavimentos com relação à condição estrutural. O modelo
estrutural foi estabelecido com base nas medidas de deflexão com um FWD nas camadas de
revestimento e base, espessura, temperatura de superfície da camada, taxa de precipitação,
volume médio anual de tráfego diário de caminhões, volume de tráfego de classe 9 e tipo de
camada. O foco foi o cálculo de irregularidade, fadiga e valores de desgaste, já que são os
problemas mais comuns nos pavimentos locais da região estudada. O modelo com rede neural
artificial apresentou um alto desempenho na previsão dos três problemas, com altos coeficientes
de determinação (R²) para as seções de previsão.
Sun et al. (2021) propuseram um modelo de previsão da vida útil de fadiga de uma mistura
asfáltica modificada a partir da técnica de máquina de vetores de suporte otimizada por enxame
de partículas (PSO-SVM). Como resultados, os autores identificaram que a previsão com o
método PSO-SVM é mais precisa que os dados da observação experimental. Em comparação
com um modelo de árvore de decisão M5, uma rede neural artificial e uma outra máquina de
vetores de suporte, o método PSO-SVM alcançou melhor desempenho de previsão.
Fedakar (2022) propôs fórmulas empíricas confiáveis para a determinação do MR de solos finos
utilizando redes neurais artificiais. Para isso, foram desenvolvidos modelos utilizando a
avaliação do desempenho de pavimentos a longo prazo e conjuntos de dados externos. Os
parâmetros de entrada foram porcentagem de partículas do solo passando pela peneira #200,
porcentagem de silte, porcentagem de argila, limite de liquidez (LL), índice de plasticidade (IP),
densidade máxima seca, umidade ótima, tensão de confinamento e tensão desvio. Os modelos
de redes neurais foram comparados com vários modelos constitutivos. Os resultados indicaram
que os modelos constitutivos não conseguiram prever o MR, sendo as melhores previsões
obtidas por diversas redes neurais, que realizam combinações distintas com as variáveis de
entrada. Assim, as estruturas desses modelos foram propostas para a determinação do MR de
solos fino. Ainda, foi observado que a densidade máxima seca e o LL foram os parâmetros mais
influentes nas redes treinadas. Por outro lado, as tensões de confinamento e desvio foram os
parâmetros menos influentes.
Pesquisas brasileiras também foram encontradas a partir da aplicação das strings de busca nas
bases de dados da Web of Science e Scielo. Contudo, elas não apresentaram os requisitos para
serem classificadas com alta e elevada relevância para a questão de pesquisa apresentada no
protocolo de revisão sistemática. Apenas um trabalho apareceu no bloco de baixa prioridade.
A análise das tabelas indica que as redes neurais artificiais são as técnicas mais utilizadas para
desenvolver modelos preditivos, tanto para misturas quanto para camadas granulares. Quanto a
solos, percebe-se que parâmetros de caracterização como umidade e densidade exercem mais
impacto no módulo de resiliência.
Com relação aos países em que estas pesquisas estão sendo desenvolvidas, destacam-se os
Estados Unidos e a China. Entre os 49 artigos selecionados para a etapa de extração, apenas um
foi brasileiro: Enríquez-León et al. (2021). Ainda assim, não abordou diretamente os
parâmetros de investigação deste trabalho (fadiga e técnicas de inteligência artificial adotadas
com foco no projeto de pavimentos flexíveis).
6. CONSIDERAÇÕES FINAIS
Diante da análise apresentada, observa-se que técnicas de inteligência artificial, principalmente
redes neurais artificiais, têm apresentado elevada confiabilidade para prever parâmetros de
resistência como módulo de resiliência e módulo dinâmico para solos e misturas asfálticas,
respectivamente. Ainda, a utilização desses modelos possibilita a previsão do comportamento
quanto à fadiga, permitindo uma análise inicial mais rápida por parte de gestores, havendo mais
tempo para agirem para o aumento do tempo de vida útil das estruturas de pavimentos flexíveis.
Contudo, percebe-se que a maioria das pesquisas consideram apenas uma das camadas em suas
análises.
Agradecimentos
O presente trabalho foi realizado com apoio da Agência Nacional de Petróleo (ANP) por meio do PRH-4, da
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código de Financiamento 001
e do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq).
REFERÊNCIAS BIBLIOGRÁFICAS
Barros, L. M. (2022) Implementação do ensaio Stress Sweep Rutting e do Shift Model para a previsão da
deformação permanente de misturas asfálticas brasileiras. Tese (Doutorado em Engenharia Civil),
Universidade Federal do Rio de Janeiro, Rio de Janeiro.
Bueno, L. D.; S. L. Schuster; L. P. Specht; D. S. Pereira; L. A. H. Nascimento; Y. R. Kim e M. G. B. Brenner
(2020) Asphalt pavement design optimisation: a case study using viscoelastic continuum damage theory.
International Journal of Pavement Engineering, v.23, n.4, p.1070-1082. DOI:
10.1080/10298436.2020.1788030.
Cabral, W. S. (2021) Exploração, análise comparativa e modelagem da deformação permanente de materiais
granulares da microrregião de Mossoró/RN. Tese (Doutorado em Engenharia de Transportes),
Universidade Federal do Ceará, Fortaleza.
CNT (2021) Pesquisa CNT de Rodovias 2021. Brasília: CNT: SEST SENAT. Disponível em:
<https://pesquisarodovias.cnt.org.br/downloads/ultimaversao/Pesquisa_CNT_Rodovias_2021_Web.pdf>.
Acesso em: 19 jun. 2022.
Elshamy, M. M. M.; A. N. Tiraturyan; E. V. Uglova e M. Zakari (2020) Development of the non-destructive
monitoring methods of the pavement conditions via artificial neural networks. Journal Of Physics:
Conference Series, v.1614, n.1, p.012099. DOI: 10.1088/1742-6596/1614/1/012099.
Enríquez-León, A. J.; T. D. Souza; F. T. S. Aragão; A. M. B. Pereira e L. P. Nogueira (2021) Characterization of
the air void content of fine aggregate matrices within asphalt concrete mixtures. Construction and Building
Materials, v.300, p.124214. DOI: 10.1016/j.conbuildmat.2021.124214.
Fedakar, H. I. (2022) Developing New Empirical Formulae for the Resilient Modulus of Fine-Grained Subgrade
Soils Using a Large Long-Term Pavement Performance Dataset and Artificial Neural Network Approach.
Transportation Research Record: Journal of the Transportation Research Board, v.2676, n.4, p.58-75. DOI:
10.1177/03611981211057054.
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.
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.
Heidaripanah, A.; M. Nazemi e F. Soltani (2017) Prediction of Resilient Modulus of Lime-Treated Subgrade Soil
Using Different Kernels of Support Vector Machine. International Journal of Geomechanics, v.17, n.2,
p.06016020. DOI: 10.1061/(asce)gm.1943-5622.0000723
Isied, M. M. e M. I. Souliman (2019) Integrated predictive artificial neural network fatigue endurance limit model
for asphalt concrete pavements. Canadian Journal of Civil Engineering, v.46, n.2, p.114-123. DOI:
10.1139/cjce-2018-0051.
Isied, M. M.; M. I. Souliman; W. A. Zeiada e N. R. Bastola (2021) Predictive Artificial Neural Network Laboratory
Fatigue Endurance Limit Model for Asphalt Concrete Pavements Based on the Volumetric Properties and
Loading Conditions. Transportation Research Record: Journal of the Transportation Research Board,
v.2675, n.8, p.630-642. DOI: 10.1177/0361198121999657.
Karlaftis, A. G. e A. Badr (2015) Predicting asphalt pavement crack initiation following rehabilitation treatments.
Transportation Research Part C: Emerging Technologies, v.55, p.510-517. DOI:
10.1016/j.trc.2015.03.031.
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.
Mcdonald, M. e S. Madanat (2012) Life-Cycle Cost Minimization and Sensitivity Analysis for Mechanistic-
Empirical Pavement Design. Journal of Transportation Engineering, v.138, n.6, p.706-713. DOI:
10.1061/(asce)te.1943-5436.0000346.
Medina, J. e L. M. G. Motta (2015) Mecânica dos Pavimentos. 3. ed. Interciência, Rio de Janeiro.
Plati, C.; P. Georgiou e V. Papavasiliou (2015) Simulating pavement structural condition using artificial neural
networks. Structure and Infrastructure Engineering, v.12, n.9, p.1127-1136. DOI:
10.1080/15732479.2015.1086384.
Poŝarycki, A. (2015) Pavement diagnosis accuracy with controlled application of artificial neural network. The
Baltic Journal of Road and Bridge Engineering, v.10, n.4, p.355-364. DOI: 10.3846/bjrbe.2015.45.
Qadir, A.; U. Gazder e K. U. N. Choudhary (2020) Artificial Neural Network Models for Performance Design of
Asphalt Pavements Reinforced with Geosynthetics. Transportation Research Record: Journal of the
Transportation Research Board, v.2674, n.8, p.319-326. DOI: 10.1177/0361198120924387
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.
Sadrossadat, E.; A. Heidaripanah, Ali e S. Osouli (2016) Prediction of the resilient modulus of flexible pavement
subgrade soils using adaptive neuro-fuzzy inference systems. Construction and Building Materials, v.123,
p.235-247. DOI: 10.1016/j.conbuildmat.2016.07.008.
Santos, I. G.; R.P. Espíndola; F. T. S. Aragão; L. A. H. Nascimento (2020) Prediction of the dynamic modulus of
Brazilian asphalt mixtures using artificial neural networks. In: CILAMCE 2020, Foz do Iguaçu.
Proceedings of the XLI Ibero-Latin-American Congress on Computational Methods in Engineering,
ABMEC.
Schwartz, C. W.; R. Li; H. Ceylan; S. Kim e K. Gopalakrishnan (2013) Global Sensitivity Analysis of
Mechanistic–Empirical Performance Predictions for Flexible Pavements. Transportation Research Record:
Journal of the Transportation Research Board, v.2368, n.1, p.12-23. DOI: 10.3141/2368-02.
StArt (2022). Software. UFSCar. Disponível em: <http://lapes.dc.ufscar.br/tools/start_tool>. Acesso em: 09 jun.
2022.
Sun, Y.; D. He e J. Li (2021) Research on the Fatigue Life Prediction for a New Modified Asphalt Mixture of a
Support Vector Machine Based on Particle Swarm Optimization. Applied Sciences, v.11, n.24, p.11867.
DOI: 10.3390/app112411867.
Uwanuakwa, I. D.; S. I. A. Ali; M. R. M. Hasan; P. Akpinar; A. Sani e K. A. Shariff (2020) Artificial Intelligence
Prediction of Rutting and Fatigue Parameters in Modified Asphalt Binders. Applied Sciences, v. 10, n. 21,
p. 7764. DOI: 10.3390/app10217764.
Wang, Z.; L. Cai; X. Wang; C. Xu; B. Yang e J. Xiao (2018) Fatigue Performance of Different Thickness Structure
Combinations of Hot Mix Asphalt and Cement Emulsified Asphalt Mixtures. Materials, v.11, n.7, p.1145.
DOI: 10.3390/ma11071145.
Xu, X.; Y. Gu; W. Huang; D. Chen; C. Zhang e X. Yang (2021) Structural Optimization of Steel—Epoxy Asphalt
Pavement Based on Orthogonal Design and GA—BP Algorithm. Crystals, v.11, n.4, p.417. DOI:
10.3390/cryst11040417.
Zaumanis, M.; L. D. Poulikakos e M. N. Partl (2018) Performance-based design of asphalt mixtures and review
of key parameters. Materials & Design, v.141, p.185-201. DOI: 10.1016/j.matdes.2017.12.035.
Zhang, X.; F. Otto e M. Oeser (2021) Pavement moduli back-calculation using artificial neural network and genetic
algorithms. Construction and Building Materials, v.287, p.123026. DOI:
10.1016/j.conbuildmat.2021.123026.