Toward Climate-Resilient Road Infrastructure: A Machine Learning Approach for Predicting Moisture Damage in Asphalt Pavements

Resumo Técnico: Rumo a uma Infraestrutura Rodoviária Resiliente ao Clima

Definição do Problema
O dano por umidade é um mecanismo de deterioração crítico em pavimentos asfálticos, definido como a perda de adesão entre o ligante asfáltico (ou mástique) e os agregados, ou o enfraquecimento do próprio mástique sob carregamento de tráfego. Este fenômeno inicia-se na base da camada do pavimento e propaga-se para cima, manifestando-se como deteriorações superficiais, como o desagregação (raveling) e buracos (potholes). O dano por umidade compromete significativamente a durabilidade, a integridade estrutural e a sustentabilidade do pavimento, podendo reduzir a vida útil em até 11 anos.

Os métodos de detecção atuais são majoritariamente reativos. A extração de testemunhos convencional é destrutiva, dispendiosa e limitada a locais discretos. Embora técnicas de Avaliação Não Destrutiva (NDE), como o Radar de Penetração no Solo (GPR), Analisadores de Propriedades Sísmicas Portáteis (PSPA) e imagem térmica, tenham melhorado as capacidades de detecção, elas identificam primariamente o dano após este já ter ocorrido. Existe uma lacuna distinta na capacidade de prever a iniciação e a progressão do dano por umidade ao longo do tempo com base em características de nível de projeto. Essa falta de capacidade preditiva dificulta a gestão proativa de pavimentos, a seleção ideal de materiais e o design estrutural resiliente diante dos impactos acelerados das mudanças climáticas (ex: precipitação intensa, ciclos de gelo-degelo).

Metodologia
Para abordar essa lacuna, o estudo desenvolveu uma estrutura orientada por dados utilizando aprendizado de máquina para prever tanto a ocorrência quanto a severidade do dano por umidade.

• Fonte de Dados: Os pesquisadores extraíram 8.094 registros do banco de dados do Long-Term Pavement Performance (LTPP), abrangendo 497 seções de pavimentos asfálticos em 48 estados dos EUA. Os dados abrangem o período de 1985 a 2024, capturando uma estrutura de "painel seção-ano".
• Engenharia de Atributos (Feature Engineering):
  • Entradas: Os modelos utilizaram 15 variáveis primárias, incluindo idade do pavimento, tratamentos de manutenção e reabilitação (M&R), materiais de base/sub-base/subleito, características de drenagem, carregamento de tráfego (AADTT) e fatores ambientais (precipitação anual, temperatura, umidade).
  • Definição da Variável Alvo: O dano por umidade foi quantificado usando a área de buracos (PA) e a área de desagregação (RA). Limiares foram estabelecidos via análise de percentil de valores de deterioração não nulos para classificar a severidade em quatro níveis: Sem dano, Baixa, Moderada e Alta.
  • Pré-processamento: Para lidar com o desequilíbrio de dados, a idade do pavimento foi agrupada em cinco categorias, e os tratamentos de M&R foram consolidados em quatro grupos funcionais. Variáveis categóricas foram codificadas via one-hot encoding, enquanto as variáveis alvo foram codificadas via label encoding.
• Arquitetura do Modelo: Uma estrutura de predição hierárquica de dois estágios foi desenvolvida utilizando o algoritmo Random Forest (RF):
  1. Modelo de Classificação Binária: Prediz a ocorrência de dano por umidade (Presente vs. Ausente) utilizando o conjunto completo de dados (8.094 registros).
  2. Modelo de Classificação Multiclasse: Prediz a severidade do dano por umidade (Baixa, Moderada, Alta) utilizando apenas o subconjunto de registros onde o dano estava presente (1.303 registros).
• Protocolo de Treinamento: Ambos os modelos foram treinados com uma divisão de 80/20 (treino/teste) com configurações de hiperparâmetros padrão para avaliar a capacidade preditiva inerente do algoritmo sem excessiva complexidade.

Principais Resultados

• Modelo de Ocorrência Binária: O modelo alcançou uma acurácia de teste global de 93%. Demonstrou uma acurácia de 97% na identificação de casos "sem dano" e uma acurácia de 70% na detecção da presença de dano.
• Modelo de Severidade Multiclasse: O modelo alcançou uma acurácia de teste global de 82%. O desempenho variou por classe:
  • Severidade baixa: ~86% de acurácia.
  • Severidade moderada: ~60% de acurácia (notada como a mais baixa devido à confusão com classes adjacentes).
  • Severidade alta: ~91% de acurácia.
• Importância dos Atributos: A análise revelou que variáveis ambientais (especificamente precipitação anual e temperatura) e o carregamento de tráfego (AADTT) foram os fatores dominantes influenciando tanto a ocorrência quanto a severidade do dano. A espessura da camada asfáltica (capacidade estrutural) também foi identificada como uma variável altamente significativa na mitigação da deterioração induzida pela umidade.

Principais Contribuições e Significância
A principal contribuição deste trabalho é o desenvolvimento de uma estrutura preditiva e não invasiva que desloca a gestão de pavimentos do modo reativo para o proativo. Ao alavancar o algoritmo Random Forest sobre os dados do LTPP, o estudo quantifica com sucesso a relação entre as características de nível de projeto e a progressão do dano por umidade.

Os autores integraram esses modelos em uma ferramenta de suporte à decisão baseada na web chamada PavStrip. Esta ferramenta permite que agências de transporte insiram parâmetros específicos do projeto (clima, tráfego, estrutura, drenagem) para receber predições temporais da probabilidade e severidade do dano por umidade ao longo de um período de 20 anos pós-construção.

A significância deste trabalho reside em sua capacidade de apoiar a tomada de decisão baseada em dados sem exigir que os usuários tenham expertise em aprendizado de máquina. Ao prever quando o dano provavelmente irá iniciar e como ele irá evoluir, a ferramenta permite que as agências otimizem a seleção de materiais, melhorem os designs estruturais e implementem estratégias de manutenção oportunas. Em última análise, o estudo postula que tais capacidades preditivas são essenciais para aumentar a sustentabilidade e a resiliência climática da infraestrutura rodoviária, visto que estender a vida útil do pavimento reduz diretamente as pegadas de carbono e preserva fundos estatais.