Uma abordagem baseada em Aprendizado de Máquina para prever a formação de buracos nas estradas considerando incertezas

As estradas, como ativos públicos vitais, são a espinha dorsal dos sistemas de transporte e apoiam o desenvolvimento constante da sociedade. Recentemente, tecnologias orientadas a dados, como gêmeos digitais e, especialmente, aprendizado de máquina, demonstraram grande potencial para manter o nível de serviço da infraestrutura rodoviária existente por meio de modelagem precisa das condições futuras e recomendações de tratamento de manutenção otimizadas. No entanto, a comunidade de pavimentação sofre com dados inadequados e erros experimentados na coleta de dados, o que limita inevitavelmente o desempenho do aprendizado de máquina. Além disso, concentrar-se apenas nos dados, sem considerar o comportamento físico subjacente, continua sendo um desafio para a implementação prática do aprendizado de máquina. Para isso, este estudo fornece uma abordagem baseada em aprendizado de máquina para prever a formação de buracos nas estradas, levando em consideração as incertezas do aprendizado de máquina. O banco de dados público de Desempenho de Pavimentação a Longo Prazo dos EUA foi utilizado como a principal fonte de dados, enquanto dados sintéticos suplementares foram adicionados usando simulações de Elementos Finitos baseadas em física. Os resultados obtidos indicam que adicionar dados de simulação extras melhorou a precisão da previsão de curto prazo do modelo em 4,4% e reduziu a incerteza da previsão de longo prazo em 6,76%. A abordagem poderia potencialmente mitigar o problema da falta de dados e das incertezas em torno dos dados coletados, integrando a compreensão existente do comportamento físico do pavimento na pipeline de modelagem do aprendizado de máquina.