PREDIÇÃO da Necessidade de Imposição de Restrição Temporária de Velocidade na Via Permanente Utilizando Algoritimos de Machine Learning

Nome: Bruna dos Santos Neves
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 22/03/2021
Orientador:

Nomeordem decrescente Papel
Rodrigo de Alvarenga Rosa Orientador

Banca:

Nomeordem decrescente Papel
Gustavo Pessin Examinador Externo
Jodelson Aguilar Sabino Coorientador
Patrício José Moreira Pires Examinador Interno
Rodrigo de Alvarenga Rosa Orientador

Resumo: No Brasil, o transporte ferroviário é essencial para a economia do país. A via ferroviária é um sistema de transporte sobre trilhos, constituído de via permanente e outras instalações fixas, equipamentos de tráfego e demais acessórios indispensáveis à condução segura e eficiente de passageiros e/ou cargas. De acordo com a infraestrutura e a superestrutura de uma via permanente, no projeto geométrico da via é definida a Velocidade Máxima Autorizada (VMA). A VMA é velocidade máxima de projeto para cada trecho da via, podendo ser alterada pelas condições da via permanente. Quando é identificada alguma anomalia na via, a velocidade máxima do trem no trecho que apresenta a anomalia deve ser menor do que a VMA para garantir a segurança da operação e nesse caso impõe-se uma restrição de velocidade. Um dos desafios encontrados na manutenção da ferrovia é reduzir a quantidade de trechos da via permanente com restrições temporárias de velocidade. As restrições permanecem no trecho até que uma equipe da manutenção verifique e corrija a anomalia existente. Assim, as restrições podem prejudicar diretamente a capacidade de circulação da via. Um método que prediz a necessidade de imposição de uma restrição de velocidade em um trecho da ferrovia pode auxiliar o direcionamento de equipes de manutenção. Para a aplicação desse método, utilizou-se dados levantados da Estrada de Ferro Vitória a Minas (EFVM) em toda sua extensão e durante o período de 1 ano e 10 meses. Associando os dados históricos de restrições na via permanente com os dados históricos de medições de parâmetros da via, dados climáticos e a tonelagem bruta da via, foi criado um banco de dados total para realizar a predição. Esses dados foram utilizados como entrada para o treinamento de um algoritmo de machine learning: o XGBoost, que têm por objetivo predizer a necessidade da imposição de uma restrição de velocidade na via no horizonte de 30 dias e 60 dias.

Acesso ao documento

Acesso à informação
Transparência Pública

© 2013 Universidade Federal do Espírito Santo. Todos os direitos reservados.
Av. Fernando Ferrari, 514 - Goiabeiras, Vitória - ES | CEP 29075-910