Abordagem de aprendizado de máquina para prever as classificações de condição dos componentes das pontes

Informações sobre a classificação de condição das pontes são críticas para tomar decisões sobre reabilitação ou substituição de pontes. Atualmente, as classificações de condição dos componentes das pontes são avaliadas manualmente usando relatórios de inspeção. Modelos de cadeia de Markov e de rede de Petri são os mais comumente usados para prever valores futuros dos parâmetros das pontes; no entanto, a aplicabilidade desses modelos para um portfólio regional ou estadual de pontes pode ser limitada. Os modelos baseados em dados existentes têm baixa precisão de previsão. Portanto, uma abordagem baseada em dados e aprendizado de máquina é apresentada aqui para prever os valores futuros de condição dos principais componentes—deck, superestrutura e subestrutura—em um portfólio de pontes, com o objetivo de desenvolver uma abordagem mais precisa. O Inventário Nacional de Pontes (NBI) foi utilizado para obter informações sobre a condição atual e passada dos componentes das pontes entre os anos de 1992 a 2019, juntamente com outros parâmetros, como propriedade, responsabilidade pela manutenção e idade. Após selecionar parâmetros importantes, esses dados foram usados para treinar três modelos de floresta aleatória baseados em RUSBoost para prever os valores futuros das condições do deck, superestrutura e subestrutura, respectivamente. A precisão de previsão dos modelos desenvolvidos foi encontrada acima de 93%, abordando assim a limitação da baixa precisão de previsão dos estudos existentes. Além disso, as incertezas associadas às previsões baseadas em floresta aleatória foram quantificadas em nível regional e para pontes individuais. Unidades de lajes de concreto pré-moldadas e pontes de viga em I de aço na Louisiana foram selecionadas para demonstrar a abordagem proposta e prever as classificações de condição dos componentes das pontes para os anos de 2020 e 2021.