Uma Rede Neural de Aprendizado Profundo para Controle do Peso, Velocidade e Faixa de Veículos a partir de Sensoriamento Acústico Distribuído em Fibra Óptica de Telecomunicações

A vulnerabilidade dos ativos urbanos, incluindo solos, edifícios e infraestrutura, é influenciada por atividades humanas, fatores ambientais e vulnerabilidades sociais. Aproveitando a tecnologia de Sensoriamento Acústico Distribuído (DAS) implantada em redes de fibra de telecomunicações, desenvolvemos um modelo de informação que facilita a extração, troca e rede de dados para auxiliar na tomada de decisões sobre ativos de infraestrutura civil. Em colaboração com a empresa francesa APRR-AREA, focamos em um trecho de 25 km de fibra óptica de telecomunicações ao longo da concessão da autoestrada A40, conhecida como "autoroute des Titans" no leste da França. Garantir o controle do peso do veículo é crucial para a segurança dos sistemas de transporte rodoviário, pois ajuda a avaliar a fadiga estrutural e o impacto do tráfego nas vias. Nosso objetivo inicial é prever o peso, a velocidade e a faixa de veículos pesados usando registros de DAS. Para essa tarefa de previsão, projetamos várias arquiteturas de rede neural convolucional (CNN), que usam um painel de DAS em 2 dimensões como entrada. Os rótulos da verdade fundamental são fornecidos por um sistema dinâmico de pesagem de eixos. Os dados são coletados sobre 17.346 veículos com pesos variando de 1.660 a 73.123 quilogramas, durante um período de aquisição de DAS de 68 horas. Primeiro treinamos as redes sobre conjuntos de dados puramente sintéticos. O problema direto, usado para produzir os painéis sintéticos, envolve uma aproximação de Flamant-Boussinesq para prever a deformação rodoviária quase estática causada por veículos em movimento com diferentes velocidades e pesos nas duas faixas de circulação. Modelamos o sinal da taxa de deformação do DAS levando em conta a variabilidade do sinal devido a desvios dos veículos em suas faixas e um caminho da fibra óptica espacialmente variável. Nossos experimentos sintéticos geram resultados promissores na previsão do peso, velocidade e faixa de veículos, permitindo desvendar a influência do peso do veículo e da distância nos dados da fibra. Avançando, planejamos refinar ainda mais nosso modelo treinando, após a segmentação de imagem, a CNN no conjunto de dados DAS da A40. Anticipamos que este estudo sublinhará o potencial da tecnologia DAS em complementar a instrumentação dedicada para a imposição de limites de carga em áreas com tráfego intenso.