ESTIMAÇÃO da Vida Útil Remanescente de Trilhos Ferroviários Por Meio de Técnicas de Aprendizado de Máquina
Nome: GLEDSON FÁBIO COTRIM ROCHA
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 27/08/2019
Orientador:
Nome | Papel |
---|---|
RODRIGO DE ALVARENGA ROSA | Orientador |
Banca:
Nome | Papel |
---|---|
DANIEL CRUZ CAVALIÉRI | Examinador Externo |
ELCIO CASSIMIRO ALVES | Examinador Interno |
JODELSON AGUILAR SABINO | Examinador Externo |
RENATO ANTÔNIO KROHLING | Coorientador |
Resumo: Sendo o trilho o elemento de maior custo na via permanente, buscar ferramentas para estimar a vida útil remanescente dos trilhos é importante para utilizá-los ao máximo. Assim, tem-se como hipótese que algoritmos de aprendizado de máquina de treinados a partir de bases de dados históricas, possam auxiliar ao planejador na realização dessa estimação. Foram testados dois algoritmos de aprendizado de máquina: Rede Neural Artificial (RNA) e K-Vizinhos mais próximos (k-NN). Na literatura não foi identificado nenhum estudo propondo o uso de algoritmos de aprendizado de máquina para estimação de vida útil remanescente dos trilhos. As bases de dados históricas utilizadas foram da Estrada de Ferro Vitória a Minas (EFVM). O conjunto de dados para treinamento, validações e teste possui 1.275.034 registros referente ao período de 6 anos e 8 meses. As RNA tiveram 5 neurônios na camada de entrada: 1) o grau da curva; 2) trilho interno ou externo a curva; 3) largura do boleto; 4) altura do boleto; e 5) peso médio transportado. A camada intermediária, independentemente da categoria para a estimação da vida útil remanescente dos trilhos, teve variações de 1, 2 e 3 camadas e variações na quantidade de neurônios de 30, 50, 100, 200 e 400. A camada de saída depende da categoria de período da vida útil remanescente dos trilhos: 1) mês, com 80 neurônios, 2) trimestre, com 27 neurônios, 3) semestre, com 14 neurônios e 4) ano, com 7 neurônios. Para o algoritmo k-NN, foram testadas configurações variando k=5, 7 e 9, sendo a com k=5 a que apresentou o melhor desempenho. Para ambos algoritmos, aplicou-se a validação cruzada k-fold, com f=10, e o desempenho foi avaliado por meio do valor da acurácia e do F1-score. A linguagem de programação foi a Python e a biblioteca Scikit-Learn. As configurações das RNA e as configurações do k-NN foram comparadas e o k-NN apresentou resultados superiores as RNA. Entretanto, ambos algoritmos atingiram o objetivo proposto nesta dissertação que era a estimação da vida útil remanescente dos trilhos de maneira a auxiliar ao planejador da manutenção da via férrea no que tange a substituição dos trilhos.