Pesquisa em Machine Learning Oferece Soluções Para Manutenção de Estradas

Com o avanço da inteligência artificial (IA) e do machine learning, novas abordagens têm surgido para suprir as lacunas na manutenção das estradas, trazendo eficiência e precisão ao processo de avaliação.

Contexto da pesquisa

Pesquisadores da Carnegie Mellon University têm explorado a utilização de algoritmos de machine learning para o monitoramento das condições das estradas. A pesquisa aborda as ineficiências na avaliação das pavimentações, que historicamente têm sido limitadas a vias de maior tráfego.

Método proposto

A abordagem utiliza um aplicativo de smartphone desenvolvido pela empresa de visão computacional RoadBotics. O modelo analisa imagens rodoviárias coletadas por veículos comuns e combina esses dados com informações abertas, como padrões climáticos, níveis de tráfego e características socioeconômicas. A análise é conduzida por algoritmos de aprendizado de máquina que prevêm a deterioração do pavimento ao longo do tempo, permitindo o gerenciamento proativo das infraestruturas rodoviárias.

“O método oferece cobertura abrangente, permitindo a análise de todos os segmentos de estrada em toda a rede e em múltiplas escalas de tempo”
(“The method offers comprehensive coverage, enabling analysis of all road segments throughout the entire network and across multiple time scales.”)

— Tao Tao, Pesquisador Pós-Doutoral, Carnegie Mellon University

Resultados e impacto

Os testes realizados em nove comunidades diversas nos EUA revelaram que o modelo demonstrou uma performance robusta ao prever classificações de condição do pavimento e suas taxas de declínio. O método considera como fatores como a classificação da estrada, clima e demografia do bairro interagem para influenciar o desgaste das vias. Essa abordagem oferece aos planejadores urbanos e departamentos de obras públicas uma compreensão mais completa sobre o locais e motivos da deterioração.

“Ao combinar IA com dados prontamente disponíveis, estamos permitindo que comunidades de todos os tamanhos gerenciem proativamente a infraestrutura rodoviária com maior precisão e acessibilidade”
(“By combining AI with readily available data, we’re enabling communities of all sizes to proactively manage road infrastructure with greater precision and affordability.”)

— Sean Qian, Professor de Engenharia Civil e Ambiental, Carnegie Mellon University

Além disso, o modelo pode ser integrado a ineficiências em cidades de médio porte tentando esticar orçamentos de infraestrutura, bem como em áreas rurais com capacidade técnica limitada. Os pesquisadores pretendem refinar ainda mais o modelo, incorporando dados adicionais, como idade das estradas e materiais de pavimentação, com o objetivo de criar um sistema flexível e escalável.

Essa inovação visa democratizar o acesso a ferramentas de avaliação de infraestrutura, permitindo que cada comunidade, independentemente de seu tamanho ou recursos, utilize insights baseados em dados para preservar suas estradas.

Fonte: (TechXplore – Machine Learning & AI)