Deep learning-based pavement performance modeling using multiple distress indicators and road work history

Resumo Técnico: Modelagem de Desempenho de Pavimentos Baseada em Deep Learning Utilizando Múltiplos Indicadores de Degradação e Histórico de Obras Rodoviárias

Declaração do Problema
A deterioração de pavimentos é um processo complexo impulsionado por variáveis de projeto, ambientais, de materiais e não observadas. A previsão precisa das condições dos pavimentos é crítica para que as agências de transporte otimizem os orçamentos de manutenção e reabilitação. Modelos de desempenho tradicionais, como abordagens de Cadeias de Markov e vários métodos de regressão estatística, frequentemente dependem de probabilidades de transição ou exigem extensa extração e seleção manual de características. Embora modelos de aprendizado de máquina, como Redes Neurais Artificiais (ANN), tenham sido aplicados ao desempenho de pavimentos, eles ainda frequentemente necessitam de características engenhadas. Este artigo aborda o desafio de modelar a deterioração de pavimentos utilizando dados brutos de séries temporais multidimensionais sem engenharia de características convencional, aproveitando as capacidades do deep learning para capturar taxas complexas de deterioração e o impacto do histórico de manutenção.

Metodologia
O estudo emprega três arquiteturas de deep learning para modelar o desempenho de pavimentos utilizando dados do Sistema de Informações de Gerenciamento de Pavimentos (PMIS) do Departamento de Transportes do Texas (TxDOT), abrangendo 18 anos (2000–2018).

• Dados: O conjunto de dados compreende mais de 100.000 seções de pavimento (aproximadamente 0,5 milha cada) e inclui 21 indicadores de condição de pavimentos flexíveis. Esses indicadores cobrem afundamento (visual e profundidade), trincas (em bloco, em casca de tartaruga, longitudinais, transversais), reparos, falhas, desagregação, entupimento e rugosidade (IRI, Pontuação de Condução, Pontuação de Degradação). Além disso, o modelo incorpora o histórico de obras rodoviárias, incluindo 20 tipos de tratamentos de manutenção e reabilitação (por exemplo, camadas de selagem, sobrecapas, reabilitação) e o tempo decorrido desde o último tratamento.
• Representação de Entrada: Cada ponto de dados é reformatado em uma matriz 2D representando uma "imagem-tempo", onde as linhas correspondem aos anos e as colunas representam os 21 indicadores de condição, mais variáveis dummy de manutenção e variáveis de tempo desde o tratamento.
• Modelos:
  1. Rede Neural Convolucional (CNN): Utilizada por sua capacidade de capturar preditores locais e codificar informações estruturais através de parâmetros compartilhados e conexões esparsas. A arquitetura inclui três camadas convolucionais (32, 64, 128 filtros) seguidas por camadas de max-pooling e totalmente conectadas.
  2. Long Short-Term Memory (LSTM): Uma variante de rede neural recorrente projetada para lidar com dados de séries temporais e preservar informações estruturais ao longo dos passos de tempo. Utiliza uma célula de memória e mecanismos de portão (portões de esquecimento, entrada e saída) para gerenciar dependências de longo prazo.
  3. Híbrido CNN-LSTM: Um framework onde camadas CNN realizam a extração de características nos dados de entrada em cada passo de tempo, e as características resultantes são processadas por uma camada LSTM para modelar a sequência.
• Avaliação: Os modelos foram treinados com 80% dos dados e testados com 20%. O desempenho foi avaliado usando escores $R^2$ para tarefas de regressão (variáveis contínuas) e Acurácia para tarefas de classificação (variáveis discretas como códigos de desagregação e entupimento).

Principais Resultados
O estudo desenvolveu e testou modelos para todos os 21 indicadores de condição. Os resultados geraram as seguintes observações:

• Desempenho Geral: Os modelos CNN geralmente superaram os modelos LSTM e CNN-LSTM para mais da metade dos indicadores de condição.
• Indicadores de Alto Desempenho: Cinco indicadores alcançaram escores $R^2$ superiores a 0,70: Falha por Afundamento, Pontuação de Condução, IRI Esquerdo, IRI Direito e IRI Médio. Os autores atribuem esse sucesso à consistência e confiabilidade da coleta de dados de rugosidade em comparação com outros tipos de degradação.
• Indicadores de Baixo Desempenho: Vários indicadores, incluindo afundamento severo, reparos, falhas, trincas em bloco e trincas transversais, resultaram em escores $R^2$ negativos grandes. O artigo observa que isso se deve principalmente ao fato de as variáveis-alvo apresentarem muito pouca variação no conjunto de dados, fazendo com que o denominador da soma dos quadrados no cálculo do $R^2$ fique próximo de zero, o que torna a métrica sensível a pequenos erros de previsão.
• Validação Visual: Gráficos de valores reais versus previstos para uma seção selecionada aleatoriamente mostraram que os modelos produziram previsões razoáveis para falha por afundamento, profundidade de afundamento, trincas longitudinais, desagregação, entupimento e indicadores de qualidade de condução. No entanto, para indicadores onde os dados históricos permaneceram constantes (por exemplo, afundamento profundo, afundamento severo), as previsões divergiram significativamente dos valores reais.
• Dinâmica de Treinamento: A análise do histórico de treinamento indicou que, para indicadores de alto desempenho (por exemplo, Pontuação de Condução, IRI), os escores $R^2$ ainda estavam subindo na 100ª época, sugerindo que os modelos ainda não haviam sofrido sobreajuste e poderiam potencialmente alcançar maior precisão com treinamento adicional.

Significado e Alegações
O artigo alega que o framework de deep learning proposto demonstra eficácia e robustez na previsão do desempenho de pavimentos, particularmente para indicadores relacionados à rugosidade em nível de rede. Ao utilizar dados brutos sem extração manual de características, o estudo destaca o potencial do deep learning para automatizar o processo de engenharia de características inerente à modelagem tradicional.

Os autores afirmam que os modelos desenvolvidos podem auxiliar engenheiros e administradores em:

1. Gerenciar sistemas de infraestrutura de forma mais eficaz através da melhoria da previsão de desempenho.
2. Otimizar a alocação de orçamentos e a análise de necessidades em nível de rede.
3. Estender a metodologia para caracterizar o desempenho de outras instalações de infraestrutura além dos pavimentos.

O estudo conclui que, embora os modelos mostrem promessa para indicadores específicos (rugosidade), a variabilidade em outros tipos de dados de degradação apresenta desafios que resultam em menor precisão preditiva, indicando que a aplicabilidade do modelo varia conforme o tipo específico de degradação de pavimento sendo modelado.