Predicting the fatigue life of asphalt concrete using neural networks

Resumo Técnico: Predição da Vida de Fadiga de Concreto Asfáltico Usando Redes Neurais

Definição do Problema
A durabilidade do concreto asfáltico (CA) está fundamentalmente ligada à sua vida de fadiga, um parâmetro que dita os custos de manutenção e a longevidade estrutural. Os métodos de avaliação tradicionais, como o ensaio de flexão em quatro pontos (4PB), são intensivos em recursos e demorados, muitas vezes exigindo semanas para a preparação e cura dos corpos de prova, seguidas de horas ou dias de testes. Embora o aprendizado de máquina (ML) ofereça um caminho para prever a vida de fadiga usando dados existentes, aplicações anteriores de redes neurais artificiais (ANNs) neste domínio frequentemente careceram de descrições arquitetônicas detalhadas ou falharam em utilizar conjuntos de dados extensos e heterogêneos. Além disso, a variabilidade inerente aos dados de vida de fadiga, que frequentemente seguem uma distribuição logarítmica com assimetria significativa, impõe desafios para modelos de regressão padrão.

Metodologia
O estudo empregou ANNs para prever o número de ciclos até a falha ($N_f$) com base em três variáveis de entrada principais: nível de deformação ($\varepsilon$), teor de ligante e teor de vazios.

• Coleta e Pré-processamento de Dados: O conjunto de dados compreendeu 245 amostras extraídas de quatro publicações científicas revisadas por pares, todas utilizando testes 4PB a uma taxa de deformação constante, frequência de 10 Hz e temperaturas de 20°C (ou 70°F). Para lidar com a assimetria significativa e a distribuição de cauda longa dos dados originais de $N_f$, uma transformação Box–Cox foi aplicada com um parâmetro ótimo $\lambda = -0,09$. Esta normalização foi validada usando testes de Shapiro–Wilk e gráficos Q-Q. A detecção de outliers foi realizada utilizando tanto Z-scores padrão quanto Z-scores modificados (baseados no desvio absoluto da mediana); nenhum outlier foi identificado, permitindo a retenção do conjunto de dados completo.
• Arquitetura e Treinamento do Modelo: A ANN foi desenvolvida utilizando a biblioteca Keras (modelo sequencial). As variáveis de entrada foram normalizadas usando MinMaxScaler. A arquitetura do modelo foi otimizada através de uma busca sistemática de hiperparâmetros, avaliando o número de camadas ocultas ($n_h$), neurônios por camada ($n_{neur,h}$), funções de ativação e otimizadores. A arquitetura final selecionada apresentou duas camadas ocultas com 200 neurônios cada, utilizando a função de ativação ReLU e o otimizador RMSprop.
• Funções de Perda e Validação: Para acomodar a ampla gama de dados de vida de fadiga, duas funções de perda distintas foram empregadas: Erro Quadrático Médio (LMSE) e Erro Logarítmico Quadrático Médio (LMSLE). O conjunto de dados foi dividido em 75% para treinamento (posteriormente subdividido em 80% de treinamento e 20% de validação) e 25% para teste. Uma abordagem de validação cruzada de quatro dobras (four-fold cross-validation) foi utilizada para garantir a robustez e minimizar o overfitting. O desempenho do modelo foi avaliado usando o coeficiente de determinação ($R^2$), $R^2$ ajustado e o Índice de Dispersão (SI).

Principais Resultados

• Otimização de Hiperparâmetros: A configuração de $n_h = 2$ e $n_{neur,h} = 200$ rendeu o maior desempenho. A ReLU superou consistentemente as funções de ativação linear e sigmoide. Entre os otimizadores, o RMSprop demonstrou superioridade em estabilidade e desempenho em comparação ao Adam e Nadam, particularmente quando pareado com a ReLU.
• Desempenho das Funções de Perda: O modelo baseado em LMSE alcançou um $R^2$ mais alto (0,967) no conjunto de teste, indicando um forte alinhamento com observações de $N_f$ elevado. Por outro lado, o modelo baseado em LMSLE alcançou um $R^2$ menor (0,86), mas um Índice de Dispersão significativamente menor (0,503 para LMSE vs. 0,926 para LMSLE), sugerindo que o LMSLE captura melhor a ordem relativa e a distribuição das amostras com valores de vida de fadiga mais baixos.
• Influência das Variáveis: Gráficos de dependência parcial revelaram que um menor teor de vazios (idealmente abaixo de 3–4%) e um maior teor de ligante (geralmente acima de 5,5%) correlacionam-se com uma vida de fadiga estendida. Os modelos confirmaram que o alto teor de vazios combinado com baixo teor de ligante reduz drasticamente a resistência à fadiga.

Significância e Contribuições
Os autores afirmam que este estudo representa uma aplicação abrangente de redes neurais para prever a vida de fadiga de CA em espécimes de laboratório, distinguindo-se pela disponibilidade aberta tanto do código quanto do conjunto de dados via repositório GitHub. As principais contribuições incluem:

1. Transparência de Dados: Fornecer uma base de acesso aberto para pesquisas futuras refinarem os modelos e potencialmente expandi-los para incluir variáveis como tipos de asfalto e agregados, que foram excluídos neste estudo devido à sua alta variabilidade.
2. Rigor Metodológico: Demonstrar a eficácia da otimização de hiperparâmetros e da seleção de funções de perda apropriadas (especificamente LMSLE) para lidar com a natureza logarítmica dos dados de fadiga.
3. Utilidade Prática: Oferecer uma ferramenta para estimativa preliminar da vida de fadiga esperada, permitindo que engenheiros ajustem os parâmetros de dosagem da mistura (ligante e vazios) precocemente no processo de design para reduzir a dependência de testes experimentais extensos.

Limitações
O artigo reconhece modestamente que o conjunto de dados é relativamente pequeno e desbalanceado, com uma parte substancial derivada de um número limitado de estudos. Isso pode introduzir viés em direção às tendências das fontes dominantes e limitar a generalização, particularmente para valores extremos de $N_f$ ou cenários de fadiga raros. Os autores observam que o modelo serve melhor para misturas que se assemelham às fontes de dados dominantes utilizadas no treinamento e que a coleta adicional de dados experimentais é necessária para aumentar a robustez e a generalização do modelo.