CARACTERIZAÇÃO DA RESISTÊNCIA À FADIGA DE MATERIAIS DE

PAVIMENTAÇÃO ASFÁLTICA A PARTIR DE TÉCNICAS DE INTELIGÊNCIA

ARTIFICIAL: UMA REVISÃO SISTEMÁTICA DA LITERATURA

Bruno Cavalcante Mota

Francisco Thiago Sacramento Aragão
Rogério Pinto Espíndola
Programa de Pós-Graduação em Engenharia Civil
Universidade Federal do Rio de Janeiro

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.

2.1. Protocolo de pesquisa

Para a replicação, conferência e validação da seleção de artigos, foi elaborado um protocolo de
pesquisa em que foram definidos os objetivos, os critérios de inclusão e exclusão, além da
classificação de relevância. A Tabela 1 apresenta o protocolo definido.

Tabela 1: Protocolo de revisão sistemática

Parâmetro Obtenção.
Objetivo Analisar a utilização de ferramentas de inteligência artificial para projeto de pavimentos
asfálticos com relação ao desempenho à fadiga.
Questão de pesquisa: Qual a correlação entre parâmetros de solos e misturas asfálticas na otimização de
estruturas de pavimentos asfálticos?
Palavras-chave: Artificial intelligence; asphalt pavement; soil; fatigue; optimization.
Critério de seleção Possuir artigos que utilizem técnicas de inteligência artificial aplicadas às camadas do
da base de dados: pavimento e permitir a exportação no formato BibTeX.
Linguagem: Inglês e português.
Método de busca: Busca pelas palavras-chave (strings) nas bases de dados, exportação dos artigos em
formato BibTeX e importação para a ferramenta StArt. Depois, aplicação dos critérios de
inclusão e exclusão, produzindo a relação dos estudos relevantes para a pesquisa.
Bases de dados: Web of Science e Scielo.
Critérios de (I) Abordar otimização;
inclusão: (I) Conter ferramentas de inteligência artificial;
(I) Ser aplicável às camadas de pavimentos asfálticos;
(I) Conter análise quanto ao desempenho por fadiga.
 Tabela 1: Protocolo de revisão sistemática (conclusão)
Parâmetro Obtenção.
Critérios de (E) Não descrever o método de análise;
exclusão: (E) Não estar disponível integralmente (full paper);
(E) Não ter acesso ao full paper;
(E) Não apresentar modelos;
(E) Não abordar o pavimento rodoviário/asfáltico;
(E) Estar duplicado.
Tipos de estudo: Artigos científicos.
Seleção inicial: Com base nos resumos (abstracts) e nos títulos (titles) dos estudos.
Notas de qualidade: i) Utiliza ferramentas de inteligência artificial = {Sim, Não};
ii) Aborda as camadas do pavimento = {Sim, Não};
iii) Possui amplo banco de dados? = {Sim, Não};
iv) Utiliza quantas ferramentas de inteligência artificial? = {1, 2, 3, 4 ou +}
Extração de dados: i) Qual ferramenta foi utilizada? = {redes neurais, sistemas fuzzy, classificação, modelos
dinâmicos, regressão linear, aprendizado de máquinas}
ii) Aborda quais camadas do pavimento? = {revestimento, granulares}

2.2. Seleção dos artigos

A seleção primária dos artigos ocorreu com base nos títulos e resumos disponíveis nas bases de
dados, necessitando conter as palavras-chave elencadas na Tabela 1. A partir disso, foi realizado
o download manual de todos os artigos disponíveis no portal Periódicos da CAPES e do acesso
pela Comunidade Acadêmica Federada (CAFe), a partir do login institucional da UFRJ.

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.

Para definir o nível de prioridade do artigo, foram consideradas a quantidade de técnicas de

inteligência artificial utilizadas e a camada do pavimento analisada (revestimento, base, sub-
base e subleito). Foi atribuída uma maior prioridade aos artigos que utilizaram mais de uma
técnica de inteligência artificial e para aqueles que aplicaram a mais de uma camada
(revestimento e base, por exemplo).

2.3. Resultados da seleção

Foram encontrados 139 na Web of Science. Desses, 90 foram excluídos com base nos critérios
apresentados na Tabela 1, sendo a maioria por não abordar o pavimento asfáltico ou por não
utilizar ferramentas de inteligência artificial e 49 foram aceitos. Por fim, a seleção de artigos
apresentou 16 pesquisas com alta e elevada prioridade. Quando pesquisadas na plataforma
Scielo, as strings de busca não retornaram artigo algum. A Figura 1 apresenta a distribuição de
artigos após as etapas de seleção, inclusão e exclusão, e a de prioridades dentre os artigos
aceitos.
 Figura 1: Seleção de artigos pelo software StArt

3. UTILIZAÇÃO DE INTELIGÊNCIA ARTIFICIAL EM PAVIMENTOS FLEXÍVEIS

Schwartz et al. (2013) analisaram a sensibilidade das previsões de desempenho de pavimentos
flexíveis a partir de entradas de projeto. As entradas avaliadas nas análises incluíram volume
de tráfego, espessura das camadas, propriedades do material e profundidade do nível do lençol
freático, variando todas simultaneamente para cada um dos 15 casos estudados (cinco climas e
três níveis de tráfego). Duas abordagens com regressões lineares multivariadas e redes neurais
artificiais foram desenvolvidas para a modelagem das previsões. As abordagens baseadas em
redes neurais artificiais foram eficazes para fornecer representações robustas e precisas das
relações complexas entre as entradas e saídas do projeto de pavimento. As entradas de projeto
mais consistentes para um valor de saída mais elevado foram a curva mestra de MD da mistura
asfáltica quente, a espessura do revestimento, a capacidade de absorção de ondas curtas na
superfície e o coeficiente de Poisson da mistura. Os trincamentos por fadiga longitudinal e do
tipo couro de jacaré também foram influenciados pela espessura da base granular e o MR dela
e do subleito.

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.

Uwanuakwa et al. (2020) desenvolveram um modelo preditivo para a estimativa da

suscetibilidade à deformação permanente e à fadiga do ligante asfáltico em temperaturas
intermediárias e altas do pavimento. Os autores utilizaram processos gaussianos para prevê-las
e os resultados obtidos foram comparados com os de uma máquina de vetores de suporte, de
redes neurais recorrentes e de redes neurais tradicionais. Os autores identificaram que as
variáveis de entrada selecionadas e o banco de dados não foram suficientes para prever os
parâmetros de fadiga em temperatura intermediária. Ainda, as variáveis de entrada não
envelhecidas tiveram maior confiabilidade na previsão dos parâmetros de fadiga. Quanto às
variáveis, o ângulo de fase, a temperatura, a viscosidade e o ponto de amolecimento
apresentaram um efeito significativo nos resultados do modelo de GPR.

Xu et al. (2021) avaliaram o processo de otimização da camada de revestimento asfáltico de

uma ponte de aço a partir da combinação de um projeto experimental ortogonal, redes neurais,
e de um algoritmo genético. Como variáveis de otimização, foram consideradas a espessura e
o layout. Os autores chegaram à conclusão de que é necessária uma compreensão mais
abrangente da distribuição de tensão no local de concentração como uma base importante para
a otimização estrutural.

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.

Isied et al. (2021) desenvolveram um modelo de previsão de deformação no pavimento

equivalente ao limite de fadiga utilizando uma rede neural artificial. O modelo desenvolvido
foi capaz de prever o valor da deformação equivalente ao limite de fadiga em função de teor de
ligante, temperatura, volume de vazios, módulo de rigidez, número de ciclos de falha e período
de repouso.

Zhang et al. (2021) desenvolveram um programa de retroanálises de pavimentos flexíveis

baseado em redes neurais artificiais combinadas com um algoritmo genético. Como
teoricamente se esperava, os módulos de resiliência retrocalculados das camadas de
revestimento e base apresentaram uma tendência decrescente com um aumento na temperatura
e no número de ciclos de carga. Em contraste, os módulos da camada de base do subleito
evidenciaram a insensibilidade às mudanças de temperatura e não se reduziram
significativamente em função da carga do ensaio acelerado realizado. Em geral, a combinação
do GA e do método de retropropagação integrado demonstrou potencial em prever
satisfatoriamente os módulos das camadas de pavimento com geofones. Ainda, os resultados
mostraram que a vida de fadiga da mistura asfáltica diminuiu com o aumento dos ciclos de
carga.
Com relação às camadas granulares, existem estudos que investigam a influência das
propriedades desses materiais na obtenção do MR, parâmetro essencial para a previsão do
comportamento mecânico dos solos. Contudo, cada região possui materiais distintos e essas
variáveis mudam conforme a classificação do solo (granular, argiloso etc.).

Sadrossadat et al. (2016) investigaram o potencial de um sistema de inferência neuro-fuzzy

(ANFIS) para a previsão de MR de camadas granulares em pavimentos flexíveis. Um banco de
dados abrangente com resultados experimentais obtidos para diferentes solos coesivos de Ohio
foi extraído da literatura. No ANFIS, as variáveis de entrada foram a porcentagem passante na
peneira #200, o limite de liquidez, o índice de plasticidade, a umidade ótima, o teor de água, o
grau de saturação do solo, a resistência ao cisalhamento não-drenada, as tensões desvio e a
confinante. Uma análise de sensibilidade foi realizada para demonstrar a influência das
variáveis de entrada consideradas para a caracterização do MR. Os resultados obtidos
evidenciaram a robustez do ANFIS para a estimativa indireta de MR dos solos avaliados. Ainda,
um estudo paramétrico demonstrou que o MR foi diretamente proporcional à resistência ao
cisalhamento não-drenada, à tensão confinante e à umidade ótima, sendo inversamente
proporcional às demais variáveis.

Heidaripanah et al. (2017) aplicaram máquinas de vetores de suporte para avaliarem o MR de

camadas granulares tratadas com cal. Os autores utilizaram funções de base radial, kernel
polinomial e linear com três núcleos distintos para preverem o MR do material de uma sub-
base. Para compor a análise, foram utilizadas quatro variáveis diferentes como dados de
entrada: a tensão de confinamento, a tensão desvio, a umidade ótima e a densidade seca. Como
resultados, os autores identificaram que os modelos desenvolvidos forneceram previsões de alto
desempenho.

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.

Enríquez-León et al. (2021) utilizaram o processamento digital de imagens com técnicas de

inteligência artificial para propor um critério de seleção para definir a quantidade de volume de
vazios em amostras isoladas de ensaio de matrizes de agregados finos (MAF). Os autores
observaram que a distribuição de volume de vazios dentro de amostras de concreto asfáltico
afeta diretamente suas dimensão e interconectividade, e são dependentes do tamanho nominal
máximo do agregado.

4. SUMARIZAÇÃO DAS PESQUISAS

Com base nas pesquisas relatadas na seção anterior, foi realizada a sumarização das técnicas
utilizadas, a abordagem, a verificação da influência de variáveis de entrada, as camadas em que
foram aplicadas e lacunas (referentes à questão de pesquisa). A Tabela 2 apresenta essas
informações.

Tabela 2: Sumarização das pesquisas da revisão sistemática

Autores Camada Técnicas Objetivo do Variáveis de Oportunidades de
estudada utilizadas estudo influência na pesquisa
saída
Schwartz Revestimento, Regressões Previsões de Curva mestra do Nenhuma
et al. base e subleito lineares desempenho de MD, MR da base
(2013) multivariadas e pavimentos e subleito e
redes neurais flexíveis a partir espessura de
artificiais de entradas de revestimento e
projeto base
Karlaftis e Revestimento Redes neurais Previsão de Material natural, Análise para
Badr geneticamente trincas preparação camadas
(2015) otimizadas rigorosa da granulares
camada de
subleito e maior
espessura da
camada de
revestimento
Pożarycki Revestimento Redes neurais Otimização da Temperatura, Investigação da
(2015) artificiais espessura da tensão aplicada e incerteza por
camada deflexões potenciais
perturbações,
camadas
granulares
Plati et al. Revestimento Redes neurais Análise da Deflexão Impacto de
(2015) artificiais condição outras variáveis
estrutural do na resposta
pavimento, em estrutural do
sistemas de pavimento
gerenciamento
Wang et Revestimento Redes neurais Desempenho Razão de tensões Análise nas
al. (2018) artificiais quanto à fadiga e temperatura camadas
ambiente granulares
Isied e Revestimento Redes neurais Determinação de Relação de Análise nas
Souliman artificiais valores de tensão rigidez, número camadas
(2018) máxima de ciclos até a granulares
falha, rigidez
inicial e tempo de
repouso
Qadir et Revestimento Redes neurais Previsão da Agregados Análise de outros
al. (2020) artificiais rigidez e a graúdos e miúdos parâmetros e das
espessura equilibrados camadas
granulares
 Tabela 2: Sumarização das pesquisas da revisão sistemática (conclusão)
Autores Camada Técnicas Objetivo do Variáveis de Oportunidades
estudada utilizadas estudo influência na saída de pesquisa
Elshamy et Revestimento Redes neurais Manutenção de Deflexão, Definir quais
al. (2020) e base artificiais pavimentos espessura, das variáveis
com relação à temperatura, mais
condição precipitação, influenciaram
estrutural volume de tráfego cada defeito
e tipo de camada analisado
Uwanuakwa Revestimento Regressão do Cisalhamento e Ângulo de fase, Nenhuma
et al. (2020) processo fadiga do temperatura,
Gaussiano, ligante viscosidade e
máquinas de asfáltico ponto de
vetores de amolecimento
suporte, redes
neurais artificiais
e recorrentes
Xu et al. Revestimento Redes neurais e Otimização da Distribuição de Análise de
(2021) algoritmo camada de tensão no local de variáveis de
genético revestimento concentração projeto de
misturas
Sun et al. Revestimento Máquina vetorial Previsão da Relação de Análise para
(2021) de suporte e vida útil de agregados e camadas
otimização por fadiga ligante, relação de granulares
enxame de tensões e
partículas, árvore frequência de
de decisão e redes carga
neurais artificiais
Isied et al. Revestimento Redes neurais Limites de Teor de ligante, Análise para
(2021) artificiais fadiga temperatura, camadas
volume de vazios, granulares
módulo de rigidez,
número de ciclos
de falha e período
de repouso
Zhang et al. Revestimento Redes neurais Retroanálises Temperatura e Nenhuma
(2021) e base artificiais e de pavimentos número de ciclos
algoritmo de carga
genérico
Sadrossadat Camadas Sistema de Previsão do Resistência ao Análise da
et al. (2016) granulares inferência neuro- MR cisalhamento não- fadiga e camada
fuzzy adaptável drenada, tensão de revestimento
confinante e
umidade ótima
Heidaripanah Camadas Máquinas de MR Tensão de Análise da
et al. (2017) granulares vetores suporte confinamento, fadiga e camada
tensão desvio, de revestimento
umidade ótima e
densidade seca
Fedakar Camadas Redes neurais Previsão do Densidade Análise da
(2022) granulares artificiais MR máxima seca e fadiga e camada
limite de liquidez de revestimento

Observa-se que a maioria das pesquisas selecionadas abordam especificamente a camada de

revestimento e os parâmetros de projeto de mistura (volume de vazios, teor de ligante e relação
de agregados e ligante), além de parâmetros de carga e frequência. Também foi notado que o
desempenho à fadiga, seja ele em fase de projeto de mistura ou de retroanálises, tem ocorrido
em função da análise de deflexões e número de ciclos de carga. Ainda, constatou-se que, na
maioria dos estudos, as variáveis temperatura e ciclo de carga foram as mais influentes no
comportamento quanto à fadiga.

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.

Também é importante destacar a ausência de artigos indexados referentes às pesquisas

desenvolvidas no Brasil, visto que apenas dois foram obtidos, mas sem alta relevância para os
propósitos da busca. Portanto, apesar de já existirem estudos que mostram a eficácia destas
modelagens, é necessário avançar em análises de otimização dos projetos de pavimentos de
forma a reduzir o trincamento de misturas, considerando toda a estrutura do pavimento.
Outrossim, é importante o aprofundamento destes estudos para identificar as técnicas de
inteligência artificial mais eficientes para a caracterização de materiais de pavimentação
brasileiros. Assim, o uso de IA pode economizar recursos, fornecendo parâmetros para prever
o comportamento quanto a fadiga, colaborando no processo de escolha de materiais.

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.

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

Francisco Thiago Sacramento Aragão (fthiago@coc.ufrj.br)
Rogério Pinto Espindola (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.