Publicação
Utilização de técnicas de data mining para desenvolvimento de modelos de previsão da irregularidade em pavimentos rodoviários
| Resumo: | A presente dissertação estuda e analisa os processos relacionados com o desenvolvimento de modelos de previsão para o índice de irregularidade longitudinal (IRI). Para isso recorreu-se às técnicas de descoberta de conhecimento em bases de dados (KDD), tendo sido construída uma base de dados de raiz através da informação disponibilizada pelo programa LTPP da Federal Highway Administration, dos E.U.A. Os dados do LTPP foram analisados e compreendidos, de seguida foram preparados para serem inseridos num processo de modelação, conhecido como data mining (DM). A modelação foi feita em ambiente R, com o auxílio da biblioteca rminer, que facilita a utilização dos algoritmos de DM, como as redes neuronais (RNAs) e as máquinas de vetor de suporte (MVSs) para o desenvolvimento dos modelos de regressão. Os modelos desenvolvidos foram sujeitos a um processo de auto validação do tipo K-FOLD, e sujeitos a avaliações de desempenho através das métricas de erro: erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e o coeficiente de determinação (R2). Além desta análise, a base de dados foi também utilizada para testar modelos analíticos já desenvolvidos e utilizados como modelos de previsão em diferentes países. Essa análise foi importante para classificar a base de dados e interpretar o comportamento desses modelos. Este trabalho permitiu verificar que é possível desenvolver modelos de previsão do IRI com um bom desempenho (R2=0,9), através das variáveis: número estrutural (SN), fendilhamento por fadiga (Ff), IRI inicial (IRI0) e o tempo (idade do pavimento). O IRI0 destaca-se como a variável mais importante na previsão dos modelos, a rondar os 50% em todos os modelos desenvolvidos, levando a concluir que os modelos de previsão existentes que não o consideram como variável de entrada não sendo fiáveis. |
|---|---|
| Autores principais: | Ribeiro, Pedro Manuel Pastor Torcato |
| Assunto: | Pavimentos rodoviários flexíveis LTPP Modelos de previsão IRI Data mining Rminer Flexible road pavement Prediction models R |
| Ano: | 2016 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | A presente dissertação estuda e analisa os processos relacionados com o desenvolvimento de modelos de previsão para o índice de irregularidade longitudinal (IRI). Para isso recorreu-se às técnicas de descoberta de conhecimento em bases de dados (KDD), tendo sido construída uma base de dados de raiz através da informação disponibilizada pelo programa LTPP da Federal Highway Administration, dos E.U.A. Os dados do LTPP foram analisados e compreendidos, de seguida foram preparados para serem inseridos num processo de modelação, conhecido como data mining (DM). A modelação foi feita em ambiente R, com o auxílio da biblioteca rminer, que facilita a utilização dos algoritmos de DM, como as redes neuronais (RNAs) e as máquinas de vetor de suporte (MVSs) para o desenvolvimento dos modelos de regressão. Os modelos desenvolvidos foram sujeitos a um processo de auto validação do tipo K-FOLD, e sujeitos a avaliações de desempenho através das métricas de erro: erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e o coeficiente de determinação (R2). Além desta análise, a base de dados foi também utilizada para testar modelos analíticos já desenvolvidos e utilizados como modelos de previsão em diferentes países. Essa análise foi importante para classificar a base de dados e interpretar o comportamento desses modelos. Este trabalho permitiu verificar que é possível desenvolver modelos de previsão do IRI com um bom desempenho (R2=0,9), através das variáveis: número estrutural (SN), fendilhamento por fadiga (Ff), IRI inicial (IRI0) e o tempo (idade do pavimento). O IRI0 destaca-se como a variável mais importante na previsão dos modelos, a rondar os 50% em todos os modelos desenvolvidos, levando a concluir que os modelos de previsão existentes que não o consideram como variável de entrada não sendo fiáveis. |
|---|