Uso de aprendizado de máquina probabilístico para avaliação da deformação permanente em misturas asfálticas
DOI:
https://doi.org/10.58922/transportes.v34.e3165Palavras-chave:
Misturas asfálticas; Deformação permanente; Aprendizado de máquina probabilístico.Resumo
A deformação permanente é um defeito que afeta a durabilidade e a qualidade dos pavimentos asfálticos, sendo influenciada pelas propriedades do ligante e dos agregados que compõem as misturas asfálticas usadas em revestimentos. O ensaio uniaxial de carga repetida, cujo resultado é o Flow Number, é usado para avaliar a resistência da mistura à deformação permanente. Uma alternativa a esse ensaio é a aplicação de algoritmos de aprendizado de máquina, uma abordagem que permite prever o nível de tráfego equivalente ao Flow Number a partir de dados de parâmetros das misturas. Outra opção é a aplicação de modelos probabilísticos, que consideram a incerteza das variáveis previstas. Dentre eles, destacam-se os Processos Gaussianos, que se sobressaem com uma pequena quantidade de dados. Este trabalho tem como objetivo avaliar o desempenho de diferentes modelos probabilísticos na classificação de misturas asfálticas com relação à deformação permanente, auxiliando na seleção de materiais e no dimensionamento de pavimentos. Construiu-se um banco de dados com 252 misturas, por meio da coleta de informações de ensaios laboratoriais. Aplicaram-se modelos de regressão e classificação para prever o nível de tráfego equivalente, obtendo resultados que demonstram a viabilidade dessa abordagem, alcançando uma acurácia de até 90%.
Downloads
Referências
Ahmed, T. M., P. L. Green, & H. A. Khalid (2017). Predicting fatigue performance of hot mix asphalt using artificial neural networks. Road Materials and Pavement Design 18, 141–154. DOI:10.1080/14680629.2017.1306928.
Apeagyei, A. K. (2011). Rutting as a function of dynamic modulus and gradation. Journal of Materials in Civil Engineering 23(9), 1302–1310. DOI:10.1061/(ASCE)MT.1943-5533.0000309.
Barros, L. M. (2022). Implementação do Ensaio Stress Sweep Rutting e do Shift Model para a Previsão da Deformação Permanente de Misturas Asfálticas Brasileiras. Doutorado (tese), Universidade Federal do Rio de Janeiro, Rio de Janeiro. URL: http://hdl.handle.net/11422/28334 [visitado 13/08/2025].
Bastos, J. B. S., J. B. Soares, & L. A. H. Nascimento (2017). Critérios para os resultados do ensaio uniaxial de carga repetida de misturas asfálticas em laboratório a partir do desempenho em campo. Transportes 25(2), 29–40. DOI:10.14295/transportes. v25i2.1284.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Cambridge: Springer.
Carvalho, P. H. J. (2025). Coleta, estruturação e análise de um banco de dados de ensaios sobre misturas asfálticas e seus componentes. Monografia (bacharelado), Universidade Federal do Ceará, Crateús. URL: http://repositorio.ufc.br/ handle/riufc/80054 [visitado 13/08/2025].
DNIT (2018). DNIT 184/2018-ME: Pavimentacão - Misturas Asfálticas - Ensaio Uniaxial de Carga Repetida para Determinação da Resistência à Deformação Permanente – Método de Ensaio. Rio de Janeiro: Departamento Nacional de Infraestrutura de Transportes (DNIT).
El-Badawy, S., R. A. El-Hakim, & A. Awed (2018). Comparing artificial neural networks with regression models for hot-mix asphalt dynamic modulus prediction. Journal of Materials in Civil Engineering 30(7), 04018128. DOI:10.1061/(ASCE)MT. 1943-5533.0002282.
Faccin, C. (2018). Concretos asfálticos em utilização no Rio Grande do Sul: Comportamento mecânico e desempenho em campo quanto à deformação permanente. Mestrado (dissertação), Universidade Federal de Santa Maria, Santa Maria. URL: http://repositorio.ufsm.br/handle/1/15888 [visitado 13/08/2025].
Ferreira, J., L. Babadopulos, J. Bastos, & J. Soares (2020). A tool to design rutting resistant asphalt mixes through aggregate gradation selection. Construction & Building Materials 236, 117531. DOI:10.1016/j.conbuildmat.2019.117531.
Gandomi, A. H., A. H. Alavi, M. R. Mirzahosseini, & F. M. Nejad (2011). Nonlinear genetic-based models for prediction of flow number of asphalt mixtures. Journal of Materials in Civil Engineering 23(3), 248–263. DOI:10.1061/(ASCE)MT.1943-5533.0000154.
Gardner, J. R., G. Pleiss, D. Bindel, K. Q. Weinberger, & A. G. Wilson (2018). GPyTorch: Blackbox matrix-matrix Gaussian process inference with GPU acceleration. In Advances in Neural Information Processing Systems. arXiv:1809.11165. DOI:10.48550/arXiv.1809.11165.
Gomes, O. J. F., J. B. Soares, & J. B. S. Bastos (2019). Relação das diferentes escalas da mistura asfáltica com a sua resistência à deformação permanente. In 20º Congresso Ibero-Latino-Americano do Asfalto (CILA), Guadalajara, México. CILA.
Kim, D. (2015). Modulus and Permanent Deformation Characterization of Asphalt Mixtures and Pavements. Doutorado (tese), North Carolina State University, Raleigh. URL: http://www.lib.ncsu.edu/resolver/1840.16/10587 [visitado 13/08/2025].
Liu, J., F. Liu, Z. Wang, E. O. Fanijo, & L. Wang (2023). Involving prediction of dynamic modulus in asphalt mix design with machine learning and mechanical-empirical analysis. Construction & Building Materials 407, 133610. DOI:10.1016/j. conbuildmat.2023.133610.
Mariano, A. L. G. (2023). Uso de aprendizado de máquina interpretável para avaliação da deformação permanente em misturas asfálticas. Mestrado (dissertação), Universidade Federal do Ceará, Fortaleza. URL: http://repositorio.ufc.br/handle/ riufc/75193 [visitado 13/08/2025].
McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference, Austin, TX, pp. 56–61. SciPy Proceedings. DOI:10.25080/Majora-92bf1922-00a.
Milios, D., R. Camoriano, P. Michiardi, L. Rosasco, & M. Filippone (2018). Dirichlet-based Gaussian processes for large-scale calibrated classification. In Advances in Neural Information Processing Systems. arXiv:1805.10915. DOI:10.48550/arXiv. 1805.10915.
Mirzahosseini, M., Y. M. Najjar, A. H. Alavi, & A. H. Gandomi (2015). Next-generation models for evaluation of the flow number of asphalt mixtures. International Journal of Geomechanics 15(6), 04015009. DOI:10.1061/(ASCE)GM.1943-5622.0000483.
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. Cambridge: The MIT Press. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. Cambridge: The MIT Press.
Onofre, F. C. (2012). Avaliação do comportamento mecânico de misturas asfálticas produzidas com ligantes asfálticos modificados por ácido polifosfórico e aditivos poliméricos, enfatizando a resistência à deformação. Mestrado (dissertação), Universidade Federal do Ceará, Fortaleza. URL: http://repositorio.ufc.br/handle/riufc/11166 [visitado 13/08/2025].
Ouni, A. E., A. Dony, & J. Colin (2014). Probabilistic parametric approach for rutting evaluation: Application to hot and warm asphalt. The International Journal of Pavement Engineering 15(1), 58–65. DOI:10.1080/10298436.2012.725473.
Ozturk, H. I. & M. E. Kutay (2014). An artificial neural network model for virtual Superpave asphalt mixture design. The International Journal of Pavement Engineering 15(2), 151–162. DOI:10.1080/10298436.2013.808341.
Pedregosa, F., G. Varoquaux, A. Gramfort, V. Michel, & B. Thirion (2011). Scikit-learn: machine learning in Python. Journal of Machine Learning Research 12, 2825–2830. URL: https://www.jmlr.org/papers/v12/pedregosa11a.html [visitado 21/5/2026].
Portela Neto, M. G. (2018). Avaliação da faixa de agregados dominantes e componentes intersticiais em misturas asfálticas. Mestrado (dissertação), Universidade Federal do Ceará, Fortaleza. URL: http://repositorio.ufc.br/handle/riufc/49901 [visitado 13/08/2025].
Singh, P. & A. K. Swamy (2020). Probabilistic approach to characterise laboratory rutting behaviour of asphalt concrete mixtures. The International Journal of Pavement Engineering 21(3), 384–396. DOI:10.1080/10298436.2018.1480780.
Titsias, M. K. (2009). Variational learning of inducing variables in sparse Gaussian processes. Journal of Machine Learning Research 5, 567–574.
Williams, C. K. I. & C. E. Rasmussen (2006). Gaussian Processes for Machine Learning. Cambridge: The MIT Press. Witczak, M. W. (2007). Specification Criteria for Simple Performance Tests for Rutting, Volume II: Flow Number and Flow
Time. NCHRP Report 580, Transportation Research Board, Washington, D.C. URL: https://trid.trb.org/View/844079 [visitado 21/5/2026].
Zhao, Y., K. Zhang, Y. Zhang, Y. Luo, & S. Wang (2022). Prediction of air voids of asphalt layers by intelligent algorithm.
Construction & Building Materials 317, 125908. DOI:10.1016/j.conbuildmat.2021.125908.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Pedro Luiz Ribeiro Rocha, Jorge Barbosa Soares, Iuri Sidney Bessa, César Lincoln Cavalcante Mattos, Carlos David Rodrigues Melo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:
- Os autores mantém os direitos autorais e concedem à Transportes o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
- Ao ser publicado pela Transportes, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons CC BY 4.0. Esta licença permite o seu compartilhamento com reconhecimento da autoria e da publicação inicial neste periódico.
- Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (por ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial na Transportes, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
- Os autores têm permissão e são estimulados a publicar e distribuir seu manuscrito online (por ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Transportes é de acesso livre, os autores são estimulados a usar links para o DOI do artigo nesses casos.
- Os autores garantem que obtiveram todas as permissões necessárias dos empregadores para a publicação e o licenciamento CC BY 4.0 do manuscrito, especialmente se o empregador possuir alguma reivindicação sobre os direitos autorais do manuscrito. Os autores assumem total responsabilidade por questões de direitos autorais relacionadas ao empregador, isentando a ANPET e a Transportes de qualquer responsabilidade relacionada.
- Os autores assumem toda responsabilidade sobre o conteúdo do manuscrito, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Transportes de toda e qualquer responsabilidade neste sentido.
Última atualização: 27.11.2025
