INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO ESTADO

DO CEARÁ
CAMPUS FORTALEZA
BACHARELADO EM ENGENHARIA CIVIL

JOCELINDA ALVES RAMOS

PREVISÃO DO MÓDULO DE RESILIÊNCIA DE MISTURAS ASFÁLTICAS

COM O USO DE REDES NEURAIS ARTIFICIAIS

FORTALEZA
2021
 _____________________________________________________________________
______

Página reservada para a ficha catalográfica, que você pode elaborar por meio
doGerador de Ficha Catalográficaon-line do IFCE.

_____________________________________________________________________
______
 JOCELINDA ALVES RAMOS

PREVISÃO DO MÓDULO DE RESILIÊNCIA DEMISTURAS ASFÁLTICAS

COM O USO DE REDES NEURAIS ARTIFICIAIS

Trabalho de Conclusão de Curso

apresentada ao curso de Engenharia Civil do
Instituto Federal de Educação, Ciência e
Tecnologia do Ceará (IFCE) – Campus
Fortaleza, como requisito parcial para obtenção
do Título de bacharel em Engenharia Civil.
Área de concentração: Pavimentação Asfáltica.

Orientador: Profa. Dra. Juceline Batista

dos Santos Bastos.

Coorientador: Prof. Dr. Antonio Júnior

Alves Ribeiro

FORTALEZA
2021
 JOCELINDA ALVES RAMOS

PREVISÃO DO MÓDULO DE RESILIÊNCIA DEMISTURAS ASFÁLTICAS

COM O USO DEREDES NEURAIS ARTIFICIAIS

Trabalho de Conclusão de Curso

apresentado ao curso de Engenharia Civil do
Instituto Federal de Educação, Ciência e
Tecnologia do Ceará (IFCE) – Campus
Fortaleza, como requisito parcial para obtenção
do Título de bacharel em Engenharia Civil.

Aprovado (a) em: ____ / _____ / _____.

BANCA EXAMINADORA

_________________________________________________________
Profa. Dra. Juceline Batista dos Santos Bastos (Orientador)
Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE) – Campus
Fortaleza

_________________________________________________________
Prof. Dr. Antonio Júnior Alves Ribeiro (Coorientador)
Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE)

_________________________________________________________
Prof. Msc. Carlos David Rodrigues Melo
Universidade Federal do Ceará (UFC)

_________________________________________________________
Prof. Msc. João Paulo Leite Félix
Universidade Federal do Ceará (UFC)
 AGRADECIMENTOS

Primeiramente agradeço a Deus por zelar por mim e ser meu maior mestre, não
somente na fase de universitária, mas ao longo da minha vida iluminando meu caminho, sendo
guiada pelo Espírito Santo com a intercessão de São José.
Minha eterna gratidão a minha família que foram essenciais na minha jornada de
dedicação e devo a vida e todas as oportunidades que nela tive, espero um dia poder lhes
retribuir. Meu pai, Gilson de Castro e minha mãe, Villiêta Alves que nunca mediram esforços
e que sempre me ampararam, um profundo obrigado. A minha irmã, Eliêta Alves e minha avó,
Marion de Castro gratidão por me apoiar e me incentivar a ser uma pessoa melhor nos
momentos difíceis de desânimo e cansaço.
Agradeço ainda aos meus amigos que ao longo desta etapa me encorajaram e me
fortaleceram, fazendo com que esta fosse uma das melhores fases da minha vida. Toda a minha
turma de Engenharia Civil 2016.2, principalmente Kayro Braga, Larissa Cardoso e Mirna
Fabricio que me deram forças e ajudaram nestes anos. Sou grata aos meus amigos, Ícaro
Martins, Jorge Lucas, Laís Sousa, Matheus Fernandes e todos aqueles que com espontaneidade
e alegria na troca de informações numa rara demonstração de amizade.
Ao IFCE quero deixar uma palavra de gratidão por ter me recebido de braços abertos,
desde o ensino técnico até a conclusão da graduação, e com todas as condições que me
proporcionaram dias de aprendizagem pessoal e profissional muito ricos.
Aos professores reconheço um esforço gigante com muita paciência e sabedoria, pois
através destes que me deram recursos e ferramentas para evoluir um pouco mais todos os dias.
A minha gratidão ao corpo docente e, em especial, a Juceline Batista e Enson Portela por todo
incentivo e apoio tão importantes durante minha formação.
A quem não mencionei, mas fez parte do meu percurso eu deixo um profundo
agradecimento porque com toda certeza tiveram um papel determinante nesta etapa da minha
vida.
 RESUMO

Na pavimentação asfáltica a camada mais externa da estrutura é o revestimento,

recebendo diretamente as cargas pneu-pavimento para distribuir os esforços para as demais
camadas atenuadamente e resistir as solicitações climáticas. A repetição do tráfego de
carregamento e a espessura do pavimento estão associadas a rigidez do pavimento, sendo estes
um dos fatores mais significativos para o dimensionamento do pavimento, sendo desenvolvidos
métodos mecanísticos que relacionam o comportamento da resistência dos materiais com a
solicitação do tráfego, o comportamento de rigidez. O módulo de resiliência (MR) é a
propriedade mais utilizada no Brasil para o estudo do comportamento de rigidez de misturas
asfálticas, mesmo que não seja reconhecidamente o mais adequado para a caracterização devido
não considerar que são materiais viscoelásticos. A fim de estabelecer modelos estatísticos que
resolvam questões que consideram diversas variáveis simultaneamente e que utilizem menos
recursos como os ensaios de módulo de resiliência adotados atualmente, buscou-se o
processamento de dados por meio de Redes Neurais Artificiais (RNA). As RNAs são excelentes
substitutos de modelos físicos convencionais por analisar relações complexas envolvendo as
múltiplas variáveis. A partir disso, esta pesquisa propôs 2 modelos de arquiteturas de RNA, que
determinem o MR das misturas asfálticas, utilizando parâmetros de entrada relevantes do banco
de dados coletados em outras pesquisas, a efeito de verificar a acurácia de RNA na engenharia
de transportes. As propriedades adotadas para camada de entrada foram: porcentagem de teor
de ligante, ponto de amolecimento envelhecido e Abrasão a Los Angeles. Embora necessitem
de melhorias futuras a fim de reduzir seu erro, os resultados do modelo 1 desenvolvido
apresentou resultados razoáveis que atestam sua viabilidade de aplicação para caracterizar as
misturas asfálticas, como em torno de 90% de otimização do banco de dados na fase de
treinamento. Além disso, ratificou como a RNA é um computador eficiente de modelo que pode
ser usado por projetistas na engenharia de transportes para estimar as propriedades ótimas de
projeto de pavimentação rapidamente.

Palavras-chave: Misturas Asfálticas. Rigidez. Módulo de Resiliência. Redes Neurais

Artificiais.
 ABSTRACT

In asphalt pavement, the outermost layer of the structure is the coating, receiving directly as
tire-pavement loads to distribute the efforts to the excessive layers, attenuating and resisting
climatic complications. The repetition of loading traffic and pavement thickness are associated
with pavement rigidity, which are one of the main factors for pavement design, with advanced
mechanistic methods that relate the resistance behavior of materials with the traffic demand,
the behavior of rigidity. The Resilient Modulus (MR) is the most used property in Brazil to
study the stiffness behavior of asphalt mixtures, even though it is not known to be the most
suitable for a characterization because it does not consider that they are viscoelastic materials.
In order to establish statistical models that solve several variable issues simultaneously and that
use less resources such as the resilience module tests currently adopted, data processing through
Artificial Neural Networks (ANN) was sought. ANNs are excellent substitutes for
comprehensive models for analyzing complex relationships as multiple variables. From this,
this research proposed 2 models of RNA architectures, which determine the MR of asphalt
mixtures, using relevant input parameters from the database collected in other researches, an
effect of verifying the accuracy of RNA in transport engineering. The properties adopted for
the entry layer were: percentage of binder content, aged softening point and Abrasion in Los
Angeles. Although they need future improvements in order to reduce their error, the results of
model 1 developed reasonable results that attest to their application feasibility to characterize
as asphalt mixtures, such as around 90% database optimization in the training layer.
Furthermore, it ratified how ANN is an efficient modeling computer that can be used by
designers in transportation engineering to quickly estimate optimal pavement design properties.

Keywords: Asphalt mixtures. Stiffness. Resilient Modulus. Artificial Neural Networks.

 LISTA DE ILUSTRAÇÕES
Figura 1 - Esquema de seção transversal do pavimento ........................................................... 12
Figura 2 – Parcelas dos deslocamentos resilientes e permanentes registrados durante o ensaio
de módulo de resiliência. .......................................................................................................... 20
Figura 3 – Forma do pulso de carregamento ............................................................................ 21
Figura 4 – Modelo de Rede Neural Artificial ........................................................................... 24
Figura 5 – Quantidade de dados coletados na pesquisa............................................................ 28
Figura 6–Planejamento experimental ....................................................................................... 29
Figura 7 - Box-plot das variáveis do banco de dados sem padronização ................................. 33
Figura 8 – Box-plot das variáveis de entrada sem padronização ............................................. 34
Figura 9 - Box-plot das variáveis da camada de entrada padronizadas. ................................... 34
Figura 10 - Arquitetura do modelo 1 da RNA na fase de treinamento ..................................... 38
Figura 11 -Gráficos de dispersão do treinamento e do teste do Modelo 1 ............................... 40
Figura 12 -Gráficos de dispersão do treinamento e do teste do Modelo 2 ............................... 42
 LISTA DE TABELAS
Tabela 1– Propriedades levantadas nas pesquisas com o dado de mínimo, máximo e média. 27
Tabela 2 – Correlação com dados de misturas asfálticas ......................................................... 31
Tabela 3 – Resultados do Modelo 1 ......................................................................................... 39
Tabela 4 - Resultados do Modelo 2 .......................................................................................... 42
 SUMÁRIO
1 INTRODUÇÃO .................................................................................................... 12
1.1 Considerações Iniciais .................................................................................... 12
1.2 Problema da Pesquisa ..................................................................................... 15
1.3 Questões da Pesquisa ...................................................................................... 15
1.4 Objetivo Geral ................................................................................................. 16
1.5 Objetivos Específicos ..................................................................................... 16
1.6 Estrutura da Pesquisa ...................................................................................... 16
2 REVISÃO BIBLIOGRÁFICA ............................................................................ 18
2.1 Módulo de Resiliência .................................................................................... 18
2.2 Redes Neurais Artificiais ................................................................................ 23
3 MATERIAIS E MÉTODOS ................................................................................ 27
3.1 Materiais ......................................................................................................... 27
3.2 Métodos .......................................................................................................... 28
3.2.1 Etapa 1....................................................................................................... 29

3.2.1.1 Coleta de dados .................................................................................. 29

3.2.1.2 Pré-processamento do banco de dados ............................................... 30

3.2.2 Etapa 2....................................................................................................... 32

3.2.2.1 Estudo da linguagem e ambiente de programação ............................. 32

3.2.2.2 Topologia do modelo de RNA ........................................................... 34

3.2.3 Etapa 3....................................................................................................... 36

3.2.3.1 Treinamento da RNA ......................................................................... 36

3.2.3.2 Teste da RNA ..................................................................................... 36

4 RESULTADOS E DISCUSSÃO ......................................................................... 38

4.1 Modelo 1 ......................................................................................................... 38
4.2 Modelo 2 ......................................................................................................... 41
5 CONSIDERAÇÕES FINAIS E SUGESTÕES PARA TRABALHOS
FUTUROS ............................................................................................................................... 44
5.1 Considerações Finais ...................................................................................... 44
5.2 Sugestões para trabalhos futuros..................................................................... 45
6 REFERÊNCIAS BIBLIOGRÁFICAS ............................................................... 46
7 APÊNDICE A ....................................................................................................... 48
7.1 Modelo 1 ......................................................................................................... 50
7.2 Modelo 2 ......................................................................................................... 51
1 INTRODUÇÃO

1.1 Considerações Iniciais

A pavimentação é responsável por garantir o transporte com conforto, segurança e
eficácia para os usuários, como cita Bernucci et al (2010). De acordo com a Confederação
Nacional de Transportes (2017), 99% da malha rodoviária pavimentada brasileira é de
pavimento asfáltico. Esses são compostos por múltiplas camadas, tais como: regularização,
reforço do subleito, sub-base, base e revestimento asfáltico, além do subleito (Figura 1).
O revestimento é a camada mais externa da estrutura, recebendo diretamente as cargas
provenientes do tráfego dos veículos, absorvendo uma parte e distribuindo o resto dos esforços
para as demais camadas da estrutura de forma atenuada, bem como resistir as solicitações
climáticas. Avanços nos estudos buscam aperfeiçoar as características dessa estrutura de acordo
com as solicitações, principalmente da camada de revestimento. Segundo Bernucci et al (2010),
nos pavimentos asfálticos, a camada de revestimento é constituída basicamente por agregados
e ligante asfáltico.

Figura 1 - Esquema de seção transversal do pavimento

Fonte: Confederação Nacional de Transportes, 2010.

As propriedades desses materiais influenciam diretamente no desempenho dos

revestimentos. Como existe grande variedade de agregados, levando em consideração a origem
morfológica, composição química, granulometria, grau de alteração da composição, dentre
outros parâmetros físico-químicos. O ligante asfáltico, proveniente do petróleo, a partir de suas
propriedades físicas, químicas e reológicas, os processos de produção, estocagem e manuseio
influenciam diretamente no desempenho das misturas asfálticas.
Esta camada pode ser diferenciada quanto ao tipo de ligante, a fabricação e distribuição
granulométrica. Assim, uma mistura de agregados graúdos e miúdos, material de enchimento
e cimento asfáltico de petróleo (CAP), também chamado de concreto betuminoso usinado a
quente (CBUQ), é usinada em temperaturas elevadas, distribuída e compactada na pista em
temperaturas específicas.
Assim, na maioria dos pavimentos brasileiros usa-se como revestimento uma mistura
de agregados minerais, de vários tamanhos, podendo também variar quanto à fonte, com
ligantes asfálticos que, de forma adequadamente proporcionada e processada, garanta ao
serviço executado os requisitos de impermeabilidade, flexibilidade, estabilidade, durabilidade,
resistência à derrapagem, resistência à fadiga e ao trincamento térmico, de acordo com o clima
e o tráfego previstos para o local (BERNUCCI et al., 2010).
Os requisitos técnicos e de qualidade para pavimentação asfáltica considera todos os
parâmetros relevantes da estrutura, sendo estabelecidos ensaios e normas que atendam de
acordo com a utilização para qual foi projetado, garantindo conforto, segurança e viabilidade
financeira e de logística. Inúmeras pesquisas buscam aprimorar a caracterização destas misturas
em um balanço entre o rigor e a praticidade. Busca-se tentar minimizar apuração unicamente
empírica para uma mecanístico-empírica, onde são analisadas as respostas do pavimento ao
carregamento, baseado nas espessuras e nas características dos materiais utilizados. A partir do
desenvolvimento de métodos mecanísticos-empíricos que relacionam o comportamento da
resistência dos materiais com a solicitação do tráfego, o comportamento de rigidez, através do
módulo de resiliência tornou-se um dos principais parâmetros para avaliação do comportamento
de tensão e deformação.
O módulo de resiliência, a qual Francis Hveem (1955) adotou este termo “resiliência”
por representar a “energia armazenada num corpo deformado elasticamente, no qual cessam as
tensões causadoras das deformações”, é um parâmetro de rigidez que caracteriza o
comportamento mecânico da estrutura, propiciando uma resposta estrutural condizente com as
solicitações do tráfego. O MR é uma propriedade mecânica do material cujo conhecimento é
essencial para o uso de métodos mecanísticos-empíricos de projeto de novos pavimentos, bem
como para a avaliação estrutural de pavimentos existentes, quando uma avaliação de sua vida
útil é requerida (CELESTE, 2019). Assim, a utilização desta característica assume que o
comportamento de rigidez das misturas asfálticas é como materiais elásticos. A partir das
variáveis que influenciam na determinação do MR da mistura asfáltica, diversas pesquisas
(PONTE, 2013; PONTE, 2014; NG, 2016; CELESTE, 2019; BEGONHA, 2019) buscam
estabelecer configurações específicas para se obter a previsão da rigidez do material.
Soares e Souza (2002) apontaram que a consideração do comportamento viscoelástico
para misturas asfálticas permite uma caracterização mais adequada desses materiais. Logo, a
utilização do MR para a previsão do comportamento de pavimentos asfálticos não é tão acurada,
por este não considerar o comportamento viscoelástico dos materiais, ou seja, não levar em
consideração a resposta do material para diferentes temperaturas, frequências e tempos de
aplicação de carga (PONTE, 2013).
Tendo em vista a necessidade de estabelecer modelos estatísticos que resolvam questões
que consideram diversas variáveis simultaneamente, buscou-se o processamento de dados por
meio de Redes Neurais Artificiais (RNA). As RNA, ou, em inglês, Artificial Neural Networks
– ANN, podem ser definidas, de maneira resumida, como uma técnica de Análise Multivariada
de Dados, que utiliza o processamento de informações em paralelo, visando simular o
comportamento de uma rede neural biológica (ASSIS, 2016).
As RNAs são sinteticamente compostas por camadas de entrada (input layer), camadas
escondidas (hidden layer) e camada de saída (output layer). A quantidade de cada tipo de
camada é delimitada de acordo com a complexidade e quantidade das variáveis para o problema
em questão. A configuração e organização dessas variáveis nas camadas constituem um modelo
de RNAs, a qual todas essas estão interligadas para gerar a variável de saída. A veracidade da
resposta produzida é diretamente relacionada com a alimentação do banco de dados nas redes
e essas aprendendo a relação entre os dados, pois todas as camadas são interligadas por meio
de ligações sinápticas. O resultado consiste do estado da rede após ter atingido alguma situação
de equilíbrio (LORENZI, 2009).
A utilização da Inteligência Artificial por meio das RNAs tem avançado nos últimos
anos no campo da engenharia, a fim de prever características determinantes e qualitativas,
tornando o processo dos resultados menos empírico. A partir disso, a propriedade rigidez, por
meio do módulo de resiliência, é evidenciada por sua importância nas misturas asfálticas e
avaliada como uma camada de saída estimada em redes neurais artificiais.
Diante do exposto, esta pesquisa visa estabelecer um modelo, por meio de RNAs, que
determine o módulo de resiliência das misturas asfálticas a partir de parâmetros de entrada
relevantes. Deste modo, foi selecionado um banco de dados referente à avaliação de pavimento
asfáltico, determinadas as variáveis que representam as condições dos constituintes, analisados
os segmentos e organização dos dados. Em seguida, avaliar os acertos entre os modelos, assim
como as diferenças encontradas com os resultados já estabelecidos previamente em laboratório.
Ressalta-se a importância deste estudo e a escassa literatura, pois foram encontradas poucas
referências no Brasil que aborda Inteligência Artificial para previsão do comportamento
mecânico de misturas asfálticas.
1.2 Problema da Pesquisa
A complexidade do material asfáltico e as solicitações de carga que o pavimento recebe
diretamente são analisadas principalmente através do comportamento da estrutura com o
módulo de resiliência. Esta análise da propriedade é complexa devido as variáveis das misturas
asfálticas serem em quantidade considerável e interferirem direta e indiretamente na rigidez.
Assim, a redução de fatores de maior relevância é necessária para uma abordagem mais
adequada das influências do comportamento das misturas asfálticas em campo. A diferença de
parâmetros obtidos por ensaios laboratoriais e por modelos de previsão são consideráveis para
o dimensionamento de pavimentos, interferindo também na precisão das características.
O MR é um módulo de elasticidade que é obtido sob carregamento dinâmico. Este
módulo pode ser obtido por ensaios laboratoriais ou por modelos de previsão. O teste mais
comum para determinar o MR no laboratório é o teste triaxial sob a influência de tensões
restritivas e vários desvios que consomem muito tempo e com custo elevado. (KHASAWNEH,
2019). Para obtenção do MR em ensaios laboratoriais no Brasil, a norma DNIT 135/2018
determina o ensaio em aspectos como: estabelece-lo a partir dos deslocamentos, da obtenção
do coeficiente de Poisson e a carga cíclica, sob dimensões do corpo-de-prova pré-estabelecida.
Assim a possibilidade de se obter o MR com intensidades diferentes de pulsos de carga, com o
uso do sensor LVDTs, verifica-se também o módulo instantâneo, módulo total, dentre outras
propriedades que interferem na tensão da mistura asfáltica. Para a elaboração deste ensaio, nem
todos os órgãos rodoviários dispõem de equipamentos e mão de obra qualificada para obtê-lo,
a qual dificulta a determinação do MR que pode ser utilizado no dimensionamento de projetos
básicos de pavimentação asfáltica.
A outra problemática localizada no estudo ocorre devido a precisão da previsão dos
modelos de Redes Neurais Artificiais, pois para buscar-se resultados cada vez mais assertivos
com a realidade, a sua fase de alimentação é em torno de milhares de variáveis. A pesquisa
possui uma insuficiência de dados para alimentar as Redes Neurais Artificiais, a qual interfere
na acurácia dos valores quando comparados com os obtidos em laboratório. Além disso, o
estudo de RNA se baseia no modelo mais aproximado com a realidade, não possuindo um
modelo final exato para a determinação da camada de saída.

1.3 Questões da Pesquisa

O avanço da utilização de RNAs na área de infraestrutura demonstra o potencial desse
instrumento para melhor previsão de parâmetros. Diante do exposto, as seguintes questões
foram elencadas para direcionar o desenvolvimento deste estudo:
 • Qual a influência das variáveis (agregados e ligantes) para determinar o Módulo de
Resiliência das misturas asfálticas?
• Qual a melhor abordagem de Redes Neurais Artificias para estabelecer o Módulo de
Resiliência das misturas asfálticas?
• Como a utilização de Inteligência Artificial, com a abordagem de Redes Neurais
Artificias, podem contribuir no dimensionamento de misturas asfálticas?

1.4 Objetivo Geral

Esta pesquisa tem como objetivo geral desenvolver modelos de previsão de módulo de
resiliência de misturas asfálticas por meio do uso de Redes Neurais Artificiais, adotando
arquiteturas diferentes a efeito de comparação e eficácia do método de previsão.

1.5 Objetivos Específicos

• Determinar quais variáveis devem ser empregadas para estimar o módulo de
resiliência de misturas asfálticas;
• Estabelecer o modelo de rede neurais artificiais que atende ao peso das contribuições
das variáveis;
• Comparar o impacto dos resultados de MR obtidos com o banco de dados de
treinamento e teste de pavimentos asfálticos.

1.6 Estrutura da Pesquisa

Além deste capítulo de Introdução, onde são apresentados os objetivos, problema e
questões de pesquisa e justificativa, este TCC apresenta o capítulo 2 com a Revisão
Bibliográfica que resume, com base na literatura nacional e internacional, a importância da
pesquisa das características das camadas asfálticas, com enfoque na rigidez da mistura asfáltica
caracterizada pelo módulo de resiliência. Além disso, aborda os estudos com redes neurais
aplicados na infraestrutura.
O capítulo 3, Materiais e Métodos, descreve o processo de escolha das amostras, o
procedimento experimental e as metodologias empregadas com explanação do tratamento do
banco de dados utilizado. No capítulo 4, Resultados e Discussões, são apresentadas análises das
estruturas dos modelos testados, com sensibilidade para as variáveis e suas contribuições nos
resultados, assim como a taxa de acerto e erro dos modelos. No capítulo 5 são apresentadas as
constatações e as principais conclusões deste TCC. Por fim, são apresentadas as recomendações
para estudos futuros e os referenciais bibliográficos.
2 REVISÃO BIBLIOGRÁFICA
Esta etapa do trabalho visa apresentar as pesquisas relevantes e que fundamentaram o
desenvolvimento deste. Uma descrição da caracterização da pavimentação asfáltica, com foco
na propriedade mais relevante para este estudo e que reflete no desempenho da estrutura. Deste
modo, explana-se os estudos da influência do módulo de resiliência na mistura asfáltica, tendo
pesquisas mecânico empírica e com abordagem da Inteligência Artificial. Por fim, são
apresentados alguns conceitos sobre Redes Neurais Artificiais (RNA) e sua aplicação na
infraestrutura dos pavimentos asfálticos.

2.1 Módulo de Resiliência

A caracterização de materiais das misturas asfálticas era estritamente empírica no século
XX, bem como de outros materiais. Os estudos sobre deformações recuperáveis, ou seja,
módulo de resiliência dos materiais usados na pavimentação foram desenvolvidos por Francis
Hveen na década de 1930 nos Estados Unidos, sendo o percursor em visualizar a relação entre
as fissuras surgidas nos revestimentos asfálticos com a deformabilidade, por serem mais
expressivas quando comparadas aos outros materiais usados na construção civil, como concreto
e aço.
A repetição do tráfego de carregamento e a espessura do pavimento estão associadas a
rigidez do pavimento, sendo estes um dos fatores mais significativos para o dimensionamento
do pavimento. Quando a mistura asfáltica é submetida a cargas cíclicas, o material responde
com a tração e compressão consistindo em 3 componentes de tensões: viscoelástico, elástico e
plástico, relacionado com os valores de rigidez (XIAO, 2009).
Segundo Ozturk (2014), o projeto de mistura volumétrica Superpave é o principal
método para projetar pavimentos de mistura asfáltica a quente (HMA) nos Estados Unidos. As
propriedades mecânicas do concreto asfáltico são avaliadas por meio de experimentos em
espécimes de HMA. O procedimento de projeto da mistura é empírico e depende de longos
experimentos de laboratório.
Os revestimentos das estruturas de pavimentos são, geralmente, em consequência dos
carregamentos aplicados, submetidos a esforços de compressão e de tração devidos à flexão,
ficando as demais camadas submetidas principalmente à compressão. Caso a camada granular,
abaixo da camada de revestimento, seja composta por materiais estabilizados quimicamente
(solo-cimento, por exemplo), que proporcionam coesão e aumentam a rigidez, esta pode resistir
a esforços, também, de tração (PONTE, 2013).
 O comportamento de rigidez de uma mistura asfáltica pode ser caracterizado pela carga
e tensão. Como afirma Xiao (2009), as propriedades dos ligantes (por exemplo: viscosidade e
rigidez do ligante) e características da mistura (como teor ótimo de ligante, resistência à tração
indireta, volume de vazios, granulometria) podem ser expressas como variáveis independentes
para produzir os valores de rigidez.
De acordo com a teoria da elasticidade, tanto o MR quanto o módulo de elasticidade
possuem o mesmo conceito, sendo ambos representados pela razão entre a tensão e a
deformação. A motivação para a diferenciação entre estes, foi as discrepâncias entre a ordem
de grandeza de deslocamentos dos materiais utilizados em pavimentação em relação aos
materiais elásticos comumente utilizados na engenharia (BRITO, 2006).
O Módulo de Resiliência é uma propriedade mecânica do material cujo conhecimento é
essencial para o uso de métodos mecanísticos-empíricos de projetar novos pavimentos também
quanto à avaliação estrutural de pavimentos existentes, quando é necessária a avaliação de sua
vida útil (CELESTE, 2019). Conforme Núñez et al. (2007), o módulo de resiliência é uma
condição importante na determinação do dimensionamento racional dos pavimentos, estando
intimamente ligado ao projeto da mistura. O pavimento asfáltico é considerado um material
isotrópico. Para a análise estrutural de meios considerados isotrópicos, é necessária apenas a
determinação das propriedades do material em uma única direção (solicitação uniaxial), já que
as propriedades são assumidas independentes da direção (ALLEN, 1985).
A norma do DNIT 135/2018 define o módulo de resiliência como a relação entre a
tensão de tração e a deformação de tração geradas no ensaio de compressão diametral sob carga
repetida, com a medição do deslocamento na condição externa do sensor. Assim, o ensaio de
MR para materiais asfálticos, normatizado no Brasil, um corpo-de-prova cilíndrico com
dimensões definidas, no seu plano diametral é realizado uma aplicação de um carregamento
cíclico. Esse carregamento gera um estado biaxial de tensões, sendo possível a medição dos
deslocamentos gerados pelas tensões de tração através do uso do sensor LVDTs (Linear
Variable Displacement Transducers). Para o corpo de prova correspondente ao diâmetro de
101,6 mm, calcula-se através da equação 01:

P
MR= (0,2692 + 0,9976μ) (1)
|∆H|t

sendo:
MR é o módulo de resiliência, expresso em MPa;
P é a carga cíclica, expressa em N;
 H é o deslocamento horizontal (elástico ou resiliente), na interseção das duas
tangentes, expresso em mm;
t é a espessura (altura) do corpo de prova, expressa em mm;
i é o coeficiente de Poisson.

No ensaio normatizado no Brasil, os deslocamentos considerados para o módulo de

resiliência são os recuperáveis (resilientes). Os deslocamentos permanentes (deslocamentos
plásticos) (ilustrado na Figura 2) são ainda visualizados nos ensaios conduzidos com níveis de
carregamento de 5% de tensão de ruptura. Devido esta circunstância, o cálculo do módulo de
resiliência usa a parcela elástica, que deve ser considerada, na interseção das duas tangentes do
pulso de carregamento no gráfico da carga pelo tempo.

Figura 2 – Parcelas dos deslocamentos resilientes e permanentes registrados durante o ensaio de

módulo de resiliência.

Fonte: Bernucci et al., 2010.

Figura 3Na

Figura 3, Bernucci et al. (2010) demonstram no gráfico o formato de onda prescrita

equivalente ao carregamento proveniente da passagem dos pneus dos veículos, a tal fato de
formato de pulso foi demonstrado nos estudos, no eixo y e em relação ao tempo no eixo x. Este
formato da onda no gráfico de forma de pulso de carregamento foi apresentado devido a
equação da forma de onda como mostra.

Figura 3 – Forma do pulso de carregamento

Fonte: Bernucci et al., 2010.

Soares e Souza (2002) apontam que a consideração do comportamento viscoelástico

para misturas asfálticas permite uma caracterização mais adequada desses materiais. Logo, de
acordo com Ponte (2013), a utilização do MR para a previsão do comportamento de pavimentos
asfálticos não é tão acurada, por este não considerar o comportamento viscoelástico dos
materiais, ou seja, não levar em consideração a resposta do material para diferentes
temperaturas, frequências e tempos de aplicação de carga.
No entanto, para materiais viscoelásticos lineares, embora a deformação total varie com
o número de ciclos de aplicação de carga, em função do acúmulo de deformações não-
recuperáveis, a deformação recuperável deve se manter constante ao longo destes ciclos
(PONTE, 2013). A avaliação da rigidez de misturas asfálticas ganhou ainda mais destaque com
o desenvolvimento de métodos de dimensionamento mecanístico-empíricos de pavimentos.
Embora não considere o comportamento viscoelástico do material, o MR é atualmente o
parâmetro de projeto mais difundido no Brasil (BEGONHA, 2019).
Pontes (2013) realizou um estudo de avaliação da influência das metodologias para a
obtenção do MR para misturas asfálticas, utilizando as principais normativas nacionais e
internacionais. A ABNT NBR 16018 (2011) apresentou melhor desempenho, por ter menor
sensibilidade no quesito repetibilidade quanto à mistura ensaiada, como também menor
dispersão dos resultados obtidos para cada mistura. Além disso, avaliou um pavimento padrão
em software, onde os valores de MR foram utilizados como dados de entrada para a rigidez da
camada de revestimento, não obtendo influência significativa da metodologia adotada.
Begonha (2019) desenvolveu dois modelos de previsão para o MR de misturas asfálticas
brasileiras, sendo equações preditivas obtidas por meio de regressões múltiplas lineares de
variáveis relacionadas à granulometria e a parâmetros de dosagem de 56 misturas nacionais. O
modelo apresentou boas estimativas para o MR das misturas teste.
2.2 Redes Neurais Artificiais
As RNAs foram inspiradas na estrutura do cérebro com o objetivo de apresentar
características humanas necessárias ao tratamento de problemas de difícil modelagem por
técnicas computacionais tradicionais (OLIVEIRA, 2007). O seu uso, segundo Haykin (2001),
tem sido motivado pelo fato de o cérebro humano ser, reconhecidamente, um computador
altamente complexo, não-linear e paralelo, com capacidade de realizar certos processamentos,
como reconhecimento de padrões, com velocidade muito maior do que os mais potentes
computadores digitais existentes. E, apesar da alta capacidade de processamento, o mesmo
ocorre em unidades de processamento bastante simples, chamadas neurônios, porém com
interligações maciças (ASSIS, 2016).
A necessidade de reconhecer modelos eficientes e com padrões estatísticos, levou-se
aos estudos em torno das redes neurais artificiais. Segundo Bishop (2006), o termo “rede
neural” surgiu com a tentativa de encontrar representações matemáticas do processamento de
informações em sistemas biológicos.
De acordo com Anderson (1995), o desenvolvimento das Redes Neurais Artificiais
iniciou-se com o trabalho de McColloch-Pitts em 1943. Depois, Widrow-Hoff desenvolveram
um modelo linear conhecido como ADALINE (“ADptive LINear Element”), que foi
posteriormente generalizado para um modelo multicamadas conhecido como MADALINE
(“Multiple ADALINE”). A principal contribuição deste último modelo foi o estabelecimento de
um algoritmo de treinamento para as redes ADALINE extremamente eficiente, conhecido como
Regra de Delta (KOVÁCS, 1997).
O próximo passo importante no desenvolvimento das Redes Neurais Artificiais ocorreu
em 1950 com o trabalho de Rosenblatt, que propôs um modelo de rede neural conhecido como
Perceptron. O aprendizado dos Perceptrons ocorre por meio do fornecimento de um conjunto
de resultados conhecidos a respeito do problema estudado (NETO, 2014). Perceptrons são
baseados em neurônios artificiais levemente diferentes, chamado de unidade de limite linear ou
Linear ThresholdUnit (LTU), em que as entradas e saídas são números reais e cada conexão de
entrada é associada a um peso (GÉRON, 2017). Além disto, as respostas fornecidas pelo
modelo podem assumir valores contínuos, ao contrário dos modelos de McCulloch-Pitts, que
operavam apenas com números binários (FAUSETT, 1994).
Para Haykin (2009), um neurônio artificial é uma unidade de processamento de
informações fundamental para a operação de uma rede neural. De uma forma simplificada, nas
RNA os receptores representam os neurônios da camada de entrada (input layer), a rede neural
propriamente dita representa as camadas ocultas (hidden layer) e os atuadores representam os
neurônios da camada de saída (output layer).
Na Figura 4 observa-se a estruturação modelo de uma rede neural artificial, com suas
camadas e neurônios e seus que:
- 𝑥1 , 𝑥2 , … , 𝑥𝑚 representam cada terminal de entrada do neurônio que está recebendo
um valor, a qual parâmetros que se possui;
- 𝑤𝑘0 , 𝑤𝑘1 , 𝑤𝑘2 , … , 𝑤𝑘𝑚 caracterizam os pesos associados a cada terminal de entrada
estabelecido, sendo os pesos sinápticos (incluindo viés).
- 𝑣𝑘 O somatório da multiplicação dos pesos sinápticos pelos valores das variáveis de
entrada de cada neurônio da camada de entrada que irão fornecer para função de ativação.
- 𝑓(. ) simboliza a função de ativação que está na camada oculta e corresponde que tem
uma entrada, dependente dos pesos sinápticos específicos de cada neurônio, e que gera uma
camada de saída. De acordo com Quaraguasi (2020), esta função limita a amplitude de saída do
neurônio.
- 𝑦(𝑥) retrata a camada de saída, a resposta estimada do processo de rede neural
artificial.
Figura 4 – Modelo de Rede Neural Artificial

Fonte: adaptado de Haykin (2009)

Ainda na Figura 4 – Modelo de Rede Neural Artificial, está incluso a entrada fixa 𝑥0 =
+1, a qual possui o viés 𝑤𝑘0 = 𝑏𝑘 , tendo o objetivo de deixar a função de ativação mais sensível
e evidente a mudança nos pesos, por consequente tendo um impacto na saída.
O neurônio trata muitos valores de entrada como se fossem um, isso é conhecido pelo
nome de entrada global. Algumas das funções de entrada comumente usadas são: (a) soma das
entradas ponderadas, (b) produto das entradas pesadas e (c) máximo das entradas pesadas.
(ANGUAS, 2018). A ponderação dos valores recebidos com os pesos de cada terminal é
somada e sobre o valor total recebido pelo neurônio é aplicada uma função de ativação, que
restringe a amplitude de saída de um neurônio (ASSIS, 2016). Então, os sinais de entrada são
propagados camada a camada pela rede em uma direção positiva, isto é, da entrada para a saída,
chamado feedforward (BOCANEGRA, 2002).
Após o processo em que os sinais de entrada são propagados em direção positiva,
feedforward, o algoritmo verifica os erros encontrados na saída (a diferença entre o valor
desejado e o obtido por meio do modelo). Além disso, analisa o quanto cada neurônio, na
camada oculta anterior, contribuiu para o erro da saída e assim por diante até o algoritmo atingir
a camada de entrada (QUARIGUASI, 2020).
Este crescente uso das RNAs é devido às suas propriedades de: aprendizado por
experiência; generalização de novos exemplos a partir dos já apresentados; abstração ou
extração de características essenciais de dados ruidosos; e associação entre padrões diferentes.
(OLIVEIRA, 2007). A alta capacidade de processamento é atribuída ao que comumente se
chama de “experiência”, ou seja, o conhecimento adquirido e armazenado pelos neurônios
quando submetidos a um estímulo que recebe informações das células receptoras, processa
essas informações e toma decisões através das células atuadoras, gerando uma resposta ao
estímulo. A técnica de RNA visa, portanto, modelar o funcionamento de uma rede neural
(ASSIS, 2016).
O desenvolvimento de um modelo de uma RNA é realizado em duas etapas: treinamento
e validação. Para isto, é necessária a existência de uma quantidade de dados experimentais
suficientemente grande e representativa. Os dados com valores de entrada e saída conhecidos
são divididos em dois conjuntos. O primeiro conjunto de dados é usado para o treinamento da
RNA, ou seja, a determinação dos pesos sinápticos (wij) apropriados. O segundo conjunto é
empregado na etapa de validação que consiste em testar a capacidade de generalização da RNA
treinada (NETO, 2014).
Padrão moderno de técnicas de reconhecimento, como rede neural e sistemas fuzzy,
estão cada vez mais sendo consideradas para uso no desenvolvimento modelos de dados devido
a sua capacidade de aprender e reconhecer tendências no padrão de dados. As redes neurais
artificiais são excelentes substitutos de modelos físicos convencionais por analisar relações
complexas envolvendo as múltiplas variáveis. Estes estão sendo aplicados na engenharia civil
para a otimização de processos, análise de estabilidade de taludes, modelo de escavação
profunda e estrutura de pavimentos (XIAO, 2009).
 Para o desenvolvimento de redes neurais artificiais utiliza-se linguagens de
programação, como Python, C, C++, Matlab, dentre outras. A Linguagem de Programação
Python foi criada por Guido van Rossum (1991), focada em produtividade e legibilidade, ou
seja, para produzir um código fácil para o programador entendido, os itens que cooperam para
estes aspectos estão: baixo uso de caracteres especiais; baixo índice de palavras-chave;
gerenciador de memória eficiente que evita vazamento de memória (BORGES, 2014).
O Python também é multiplataforma, e caso apareça alguma que ainda ele não suporte,
os desenvolvedores podem modificar o código para que seja possível compilar para aquela
linguagem, pois o Python também é uma linguagem livre. Assim, todos esses fatores fazem
com que o Python seja uma das preferidas linguagens para o trabalho com inteligência artificial,
data mening e machine learning (SOUSA et al, 2020).
Pesquisas internacionais que utilizaram a ferramenta de RNA para previsão de
parâmetros de misturas asfálticas foram usadas como referenciais para este estudo. Ozturk
(2014) apresentou um modelo de rede neural artificial (ANN) para prever as propriedades de
projeto de uma mistura, como porcentagem de vazios, de projeto e de giro máximo, bem como
a massa específica máxima teórica do material solto na mistura. As entradas para o modelo
foram gradação da mistura, massa específica de agregados, grau de baixo e alto desempenho
do aglutinante, teor de ligante da mistura e o número alvo de giros iniciais, design e máximo.
Assim, os resultados demonstraram que as medições de vazio de ar estarão dentro do normal
limites de variabilidade de laboratório para laboratório, a qual reduziu o tempo de análise da
mistura Superpave e ANN atingiu o objetivo do trabalho.
Celeste e Oliveira (2019) desenvolveram uma pesquisa com ANN afim de prever os
Módulos de Resiliência (MR) a fim de ser uma possibilidade no processo de retroanálise
tradicional. Os resultados afirmaram que a aplicabilidade da RNA se mostrou muito eficaz e
eficiente para previsão de propriedades das misturas asfálticas, tendo erros percentuais de
menos de 1% em pelo menos 93% dos casos que demonstraram a previsibilidade das redes
neurais artificiais implementadas.
Quaraguasi (2020) desenvolveu modelos de previsão para o coeficiente de atrito medido
em pista de pouso e decolagem, por meio de RNA. Este estudo ratificou a viabilidade e eficácia
do uso de inteligência artificial na engenharia de transportes, ressaltou-se também a importância
do banco de dados ser alimentado frequentemente com novas informações para que possa ser
aprimorado.
3 MATERIAIS E MÉTODOS

3.1 Materiais
A metodologia desta pesquisa consistiu na análise exploratória, experimental utilizando
método de avaliação com RNAs, tendo por objetivo inferir os módulos de resiliência de
misturas asfálticas.
Para a geração de uma RNA deve-se ter um banco de dados exploratório extenso,
confiável e com características de dados de alimentação, capaz de cumprir o objetivo específico.
Além disso, é estimado pela autora a definição da topologia da RNA de acordo com as
características que envolve o módulo de resiliência das misturas asfálticas e empregar um
algoritmo robusto, rápido e eficaz.
Para o treinamento e aprendizado das RNAs nesta pesquisa, foram extraídos dados de
Fonseca (2019), sendo 84 combinações divididas em 35 com ligantes modificados e 49 com
ligantes puros. Contou-se ainda com dados de Almeida Júnior (2016), sendo 16 dados com
CAPs 50/70 e 60/85. Assim, o banco de dados para alimentação da RNA tem 100 dados
referentes as propriedades de misturas asfálticas com dosagem por Marshall e Superpave, vide
Tabela 1 com as propriedades levantadas a partir dos estudos de dados de máximo, mínimo e
média de cada.

Tabela 1– Propriedades levantadas nas pesquisas com o dado de mínimo, máximo e média.
Viscosidade Abrasão
CAP Vv PEN PA (°C) - PA (°C) – RE MR
Dados Brookfield a Los
(%) (%) (dmm) Virgem Envelhecido (%) (MPa)
135°C Angeles
Mínimo 2,3 3,4 18 41 50 75 0,286 18,24 2672
Máximo 6 4,8 80 68 71 91 2,949 41 10.701,23
Média 4,97 4,21 53,07 51,72 57,93 80,2 0,67 31,63 6173,8

Fonte: Elaborada pela autora.

Os resultados físicos e mecânicos dos diferentes constituintes, dosagens, além de análises

mecânicas das misturas asfálticas listadas na Tabela 1– Propriedades levantadas nas pesquisas
com o dado de mínimo, máximo e média. não obtiveram a mesma quantidade de dados quando
comparado em sua totalidade. O gráfico representado na Figura 5 mostra a quantidade de dados
coletados em cada característica, sendo relevante esta quantidade para validação de dados que
estarão na composição do grupo de treinamento e teste da RNA como camada de entrada. Além
disso, a quantidade de dados é diretamente relacionada com o desempenho da RNA, pois esta
desenvolve o modelo mais assertivo de acordo com o aprendizado pelo banco de dados.
 Figura 5 – Quantidade de dados coletados na pesquisa.
120
96

Quantidade de Dados
100 86
79
80 68 69
56
60
44 43
40
21
20

Propriedades das Misturas Asfálticas

Fonte: Elaborada pela autora.

3.2 Métodos
Freiman e Pamplona (2005) apud Lorenzi (2009) argumentam que, para o
desenvolvimento de um modelo baseado em RNAs, deve-se seguir uma metodologia que
contemple as seguintes etapas:
a) Definição de problema;
b) Coleta de dados (Treinamento e Teste);
c) Pré-processamento dos dados;
d) Escolha do modelo: Definição da topologia Treinamento;
e) Pós-processamento dos dados;
f) Projeto da estrutura da RNA;
g) Treinamento;
h) Teste;
i) Validação.

Para elaboração deste estudo, foi analisado cada etapa descrita acima e que serão
abordadas com denominações similares. Para estruturação da RNA, com os dados utilizados e
destacados no tópico 3.1, no presente trabalho se dará ênfase nas duas primeiras fases, de
treinamento e teste.
As etapas de processamento desses dados seguem o mesmo ciclo do método científico,
no qual a partir de uma observação, deve-se formular uma hipótese, realizar experimentos,
analisar os dados, efetuar a criação de um modelo, divulgar os resultados e efetuar a
implementação do modelo proposto. Cada uma dessas etapas requer habilidades, que envolvem
diversas áreas de atuação, e é na fase de Análise de Dados, especificamente, que esses dados
são separados e tratados para a geração do conhecimento e auxiliar na tomada de decisão
(SIEGEL, 2018).
Assim, a Figura 6–Planejamento experimental representa as etapas e subetapas
analisadas pelo autor. A etapa 1 inicia-se pela coleta dos dados e posterior o pré-processamento
destes, sendo esta fase de importância significativa por qualificar os dados relevantes para a
previsão acurada do módulo de resiliência.
Em seguida, a etapa 2 obteve-se um estudo das possiblidades de linguagem de
programação e ambientes que possibilitam um modelo de RNA simplificado e com resultados
precisos. Após determinadas e conhecidas as variáveis relevantes, a linguagem, ambiente de
programação e modelo de RNA, a etapa 3 consiste na elaboração do treinamento de RNA com
a parcela dos dados determinado previamente e por consequente o teste do modelo de RNA
verificando o erro dos resultados obtidos com os resultados já coletados.

Figura 6–Planejamento experimental

Etapa 1 Etapa 2 Etapa 3

Estudo da
linguagem e Treinamento da
Coleta de dados ambiente de RNA
programação

Pré-processamento Topologia do
Teste da RNA
de dados Modelo de RNA

Fonte: Elaborada pela autora.

3.2.1 Etapa 1
3.2.1.1 Coleta de dados
A coleta de dados para este estudo foi explanada no tópico 3.1 Materiais, a qual os dados
foram extraídos de outras pesquisas, Fonseca (2019) e Junior (2016), totalizando 100 misturas
asfálticas. Destas 100 amostras, apenas 69 possuem o valor do módulo de resiliência, sendo o
objetivo desta pesquisa. Assim, executou a RNA com um banco de dados de 69 misturas
asfálticas em sua totalidade.

3.2.1.2 Pré-processamento do banco de dados

Após a coleta de dados na literatura com envoltório no problema de investigação da
pesquisa, esta etapa refere-se a análise crítica dos dados, de forma a minimizar erros e ausência
de informações. Além disso, os dados devem ser significativos nas características do problema,
no caso o módulo de resiliência das misturas asfálticas, como também condizer com a realidade
de limitação de informações para a previsão deste.
Este trabalho pode ser classificado quanto à abordagem, como uma pesquisa
quantitativa de natureza aplicada e com objetivos descritivos, isto é, que objetiva gerar
conhecimentos para a solução de problemas específicos por meio da descrição de características
de populações ou fenômenos e de correlação entre variáveis (NASCIMENTO, 2016).
De acordo com Siegel (2018), o tratamento do dado leva em consideração a
transformação deste, no qual consiste em efetuar a conversão do mesmo de modo que atinja o
propósito para qual está sendo utilizado ou de acordo com sua conveniência. Assim após a
organização dos dados, empregou-se uma matriz de correlação entre as variáveis afim de
relacionar a dependência e independência entre estas e principalmente entre a camada de saída,
o módulo de resiliência. O pré-processamento de dados realizado através de normalizações e
multicolinearidade de formato para torna-lo mais apropriado pra RNA elaborada.
A matriz de correlação apresentada na Tabela 2 foi criada a partir do banco de dados
coletados de 100 amostras e representada a correlação das propriedades por coeficientes que
variam de -1 a 1. A construção de coeficientes de correlação revelou que a variável MR das
misturas asfálticas apresenta correlação aceitável com pelo menos 04 outras variáveis: Vv (%)
(0,74); PA (°C) – Envelhecido (0,71); Viscosidade Brookfield a 135°C (0,68); Abrasão Los
Angeles (0,65). A exceção da variável Volume de vazios (Vv) devido ter uma elevada ausência
de dados em relação as 69 misturas asfálticas que possuem módulo de resiliência, a qual
interfere na acurácia do processamento da RNA, como apresentado na Figura 5.
As variáveis MR (MPa) e PA (°C) – Envelhecido apresentaram a maior correlação (r =
0,71), sendo esta última escolhida como variável independente na análise realizada adiante.
Testou-se ainda a existência da colinearidade em relação à variável independente PA (°C) –
Envelhecido e as demais (Tabela 2). O objetivo desse teste é evitar variáveis independentes
redundantes, isto é, que tenham um alto coeficiente de correlação (r) entre si. Deve-se atentar
para essa correlação entre as variáveis independentes, pois se for alta pode prejudicar a
estimativa dos parâmetros do modelo, gerando um modelo tendencioso que não explica de fato
a rigidez na mistura asfáltica. Apesar disso, a propriedade de Abrasão Los Angeles foi
identificada como relevante, mesmo com uma dependência com PA Envelhecido, devido um
critério de análise que contemple os agregados da mistura asfáltica.

Tabela 2 – Correlação com dados de misturas asfálticas

Brookfield a 135 °C
PA (°C) – Envelhecido

Abrasão Los Angeles

PA (°C) - Virgem

Viscosidade
PEN (dmm)

MR (MPa)
CAP (%)

Vv (%)
CAP (%) 1,00
Vv (%) -0,10 1,00
PEN (dmm) -0,25 -0,34 1,00
PA (°C) - Virgem 0,12 0,57 -0,74 1,00
PA (°C) – Envelhecido 0,05 0,61 -0,60 0,96 1,00
Viscosidade Brookfield a 135 °C 0,10 0,76 -0,49 0,78 0,79 1,00
Abrasão Los Angeles 0,83 -0,37 -0,06 -0,13 -0,62 -0,32 1,00
MR (MPa) -0,49 0,74 -0,31 0,51 0,71 0,68 -0,65 1,00
Fonte: Elaborada pela autora.

Os dados coletados foram separados em 2 categorias: de treinamento e teste. Outras

pesquisas que abordaram Redes Neurais Artificias recomendaram-se em torno de 90% dos
dados serem direcionados para fase de treinamento, enquanto para fase de teste utilizaram-se
10%, como Xiao (2009), Begonha (2019) e Quariguasi (2020). No estudo de Nivedya (2019)
adotou-se 70%, 15% e 15% para o treinamento, teste e validação, respectivamente. Será
adotado nesta pesquisa 80% para fase de treinamento e 20% para fase de teste, por o banco de
dados constar um número reduzido diante dos parâmetros quando comparados as pesquisas
estudadas.
Assim, o banco de dados com 69 misturas asfálticas foi dividido em: o primeiro conjunto
de dados é a determinação dos pesos sinápticos apropriados, constando 55 misturas asfálticas
para camada de entrada. O segundo conjunto é empregado na etapa de teste que consiste em
testar a capacidade de generalização da RNA treinada, a qual com um total de 14 amostras.
Após determinado estas categorias e suas porcentagens, estes são dispostos de maneira aleatória
para evitar tendências na apresentação de dados no algoritmo.
3.2.2 Etapa 2
3.2.2.1 Estudo da linguagem e ambiente de programação
Após o estudo das variáveis que possuem influência na camada de saída determinada,
esta etapa da pesquisa consistiu na análise do ambiente de programação, a linguagem de
programação e modelo de rede neural artificial tomando em consideração modelo simplificado,
fácil modelagem e gerando resultados com maior precisão.
A linguagem Python é mundialmente utilizada na ciência de dados, tendo assim uma
variedade de nichos específicos que auxiliam no desenvolvimento da codificação e soluções
rápidas. Por consequência, nesta linguagem possui crescimento exponencial de variadas
bibliotecas de ciências de dados que solucionam problemas robustos e facilidade de utilização.
A linguagem Python, com suas características simples e de fácil aprendizado acompanhou o
crescimento de Ciência de Dados, pois através de uma comunidade atuante e diversificada (...)
permitiu o desenvolvimento de ferramentas para atuar em ambientes complexos e que
necessitam de alta performance, aumentando dessa maneira o escopo de utilização e
contribuindo significativamente no avanço da Análise de Dados (SIEGEL, 2018).
O Jupyter Notebook é um modelo interativo da linguagem Python que foi adotado nesta
pesquisa por ser amplamente utilizado por programadores em redes neurais artificiais devido a
sua praticidade de possuir pacotes com interpretador padrão de ciência de dados instalados. O
Anaconda Python surgiu com o objetivo de possuir os interpretadores padrões de ciência de
dados, assim não necessita o usuário dispor cada um e promove a praticidade na programação.
De acordo com Anaconda (2021), a plataforma de ciência de dados mais popular do mundo é
o Anaconda e possui mais de 7500 pacotes de dados da linguagem Python e RData.
Assim, a plataforma anaconda fornece o jupyter notebook para ambiente de
programação e este foi instalado na máquina para desenvolvimento desta pesquisa. Outra
vantagem que ratifica a utilização desta plataforma consiste em salvar os arquivos de códigos
na máquina, não dependendo integralmente de conexão à internet para programação.
Para realizar a separação do conjunto de dados em dados de treino e dados de teste como
no item 3.2.1.2, a função train_test_split() disponível na biblioteca scikit-learn / sklearn foi a
técnica utilizada. O treinamento foi realizado através da função fit(), no qual é feita a análise
nos dados e rótulos disponíveis e consequentemente o modelo de dados é criado.
A padronização de um conjunto de dados é um requisito comum para estimadores de
aprendizado de máquina, pois variáveis com ordem de grandeza maiores podem ter pesos
maiores quando interpretadas pela rede, tendo assim que os dados sejam normalmente
distribuídos padrão. Assim a padronização leva maior estabilidade, menor influência pela gama
de variáveis, ajuste mais rápido e desempenho mais estável.
Na primeira forma, expressa na Equação 2, as variáveis apresentam média 0 e variância
igual a 1, esta forma foi designada pelo termo Standard Scaler (std).
̅̅̅
(𝑥−𝑥)
𝑧= (2)
𝑠

Em que:
z: valor normalizado;
x: valor a ser normalizado;
x: média das amostras de treinamento;
s: desvio padrão das amostras de treinamento.

A Figura 7 e Figura 8 apresentam a variação do banco de dados em relação a sua

estabilidade, tendo suas médias apresentando valores consideravelmente distantes tanto no
banco de dados com todas as propriedades, como também somente as variáveis da camada de
entrada, respectivamente. Na

Figura 9 demonstra como após a padronização de dados, as variáveis possuem suas

médias com equivalência aproximada, possuindo uma distribuição padronizada dos dados para
um desempenho mais estável na fase de treinamento (a) e na fase de teste (b).

Figura 7 - Box-plot das variáveis do banco de dados sem padronização

Fonte: Elaborada pela autora.

 Figura 8 – Box-plot das variáveis de entrada sem padronização

Fonte: Elaborada pela autora.

Figura 9 - Box-plot das variáveis da camada de entrada padronizadas.

(a) (b)

Fonte: Elaborada pela autora.

Ademais, como forma de inserir os dados no algoritmo, esses foram organizados em

uma matriz Mm × n, em que m representa a quantidade de atribuição, dispostas em linhas, e n,
a quantidade de variáveis, dispostas em colunas, incluindo-se a variável de saída, módulo de
resiliência, na última coluna. Desta forma, cada linha representa variáveis (x) associadas a um
valor de módulo de resiliência (y).

3.2.2.2 Topologia do modelo de RNA

A escolha de qual algoritmo utilizar para realizar o aprendizado de máquina, depende
do problema no qual o Cientista de Dados está tentando resolver e/ou da resposta que pretende
ser obtida (SIEGEL, 2009). Como explanado no item anterior, 3.2.2.1, o modelo foi escrito na
linguagem de programação Python, utilizando principalmente as bibliotecas Numpy, Pandas e
scikit-learn/sklearn. Essas bibliotecas são para fornecimento e gerenciamento de matrizes, ou
seja, funções matemáticas; análise exploratório de dados; classificação e regressão de banco de
dados, respectivamente.
Aos parâmetros das RNA definidos antes do processo de aprendizagem, tais como:
número de camadas ocultas, número de neurônios em cada camada, função de ativação,
inicialização dos pesos sinápticos e configurações do otimizador são determinísticos para o
melhor desempenho. Assim, adotou-se diversas arquiteturas para melhor análise de dados que
influenciam no módulo de resiliência pelo método de tentativa e erro.
A definição da RNA desenvolvida é do tipo Multilayer Perceptron (MLP), sendo de
acordo com Lorenzi (2009) um dos modelos mais flexíveis e adotados em diversas situações
com sucesso. Segundo Kovács (1997), neste algoritmo, os pesos sinápticos são recalculados a
partir dos neurônios da camada de saída até a camada de entrada de modo que o erro calculado
para os valores dos neurônios de saída seja minimizado, isto ocorre de forma interativa até que
uma tolerância especificada para este erro seja atingida, a qual neste estudo será dimensionado
através do erro médio absoluto (ou Mean Absolute Error - MAE) como mostra na Equação 4.
Além disso, os coeficientes de determinação (R²) foram utilizados para análise dos resultados
dos algoritmos, representado pela Equação 3 e que foi calculada na rede neural.
∑𝑛 ̂ )²
𝑖=1(𝑦𝑖−𝑦
𝑅 2 (𝑦, 𝑦̂) = 1 − ∑𝑛 ̅ )²
(3)
𝑖=1(𝑦𝑖−𝑦

1
𝑀𝐴𝐸 (𝑦, 𝑦̂) = ∑𝑚−1
𝑖=0 |𝑦𝑖 − 𝑦
̂|
𝑖 (4)
𝑚

Sendo:
y: valor do módulo de resiliência observado;
𝑦̂: valor do módulo de resiliência estimado;
y: média do módulo de resiliência observado;
m: quantidade de instâncias;
MAE: Mean Absolute Error – Erro Médio Absoluto.

32Não existem regras definidas para a escolha da função de ativação para o

desenvolvimento de um modelo com a utilização das redes neurais artificiais. Em geral, a
função de ativação é escolhida através de um procedimento de tentativa e erro, escolhendo-se
aquela que forneça os melhores resultados. Uma das funções de ativação mais comuns, sendo
inclusive utilizada no desenvolvimento dos modelos proposto neste trabalho, é a função linear
retificada (ReLU), sendo o solucionador para otimização de peso. A função de ativação linear
retificada está definida como a equação 5 e a derivada na equação 6:
ReLU(𝑧) = max(0, 𝑧) (5)
ReLU’(z) = {1 se z ≥ 0|0 caso contrário} (6)

3.2.3 Etapa 3
3.2.3.1 Treinamento da RNA
O processo de treinamento da RNA é de extrema importância para que se consiga
resultados assertivos com bons modelos neurais, pois busca a redução progressiva do erro
através da análise experimental de vizinhança em torno do resultado. De acordo com o pré-
processamento de dados, os neurônios constituintes da camada de entrada foram 3: (i) CAP
(%); (ii) Ponto de Amolecimento Envelhecido; (iii) Abrasão Los Angeles. Estas propriedades
de misturas asfálticas possuíram o coeficiente de correlação com o módulo de resiliência como
explanado no item 3.2.1.2 - Pré-processamento do banco de dados, a qual demonstra que as
variáveis tendem a dar uma boa resposta ao modelo neural. As misturas asfálticas com dados
de módulo de resiliência foram utilizadas como valores para as RNAs, para o preenchimento
dos dados da camada de entrada que estavam vazios foram preenchidos pela média de cada
propriedade.
Inicialmente fixou-se um modelo de rede neural com 4 camadas: 1 camada de entrada,
2 camadas ocultas e 1 camada de saída, com 3>60>30>1 neurônios respectivamente, nomeado
de modelo 1. Esta arquitetura foi a partir das pesquisas de referências deste trabalho, método
tentativa e erro. Para efeito de análise comparativa de modelos com melhor acurácia, outra
arquitetura foi adotada com: 1 camada de entrada tendo 3 neurônios; 3 camadas ocultas com
12, 7 e 5 neurônios; e 1 camada de saída com 1 neurônio, sendo assim denominado de modelo
2.

3.2.3.2 Teste da RNA

O treinamento é interrompido a cada quantidade de ciclos pré-estabelecida e é realizada
uma estimação de erro da rede sobre o conjunto de dados de teste. A partir do momento em que
o erro medido no conjunto de teste apresentar crescimento, o treinamento é encerrado. O que
se deseja com esta técnica é descobrir o momento exato em que a rede começa a perder
generalização. Segundo Haykin (2009), a generalização é influenciada por três fatores: (i) pelo
tamanho da amostra de treinamento e quão representativa é a amostra do que se deseja
representar; (ii) pela arquitetura da rede neural; e (iii) pela complexidade do fenômeno em
questão.O teste da RNA utiliza-se o segundo conjunto do banco de dados, a qual foi separado
20%, com apenas 14 amostras de misturas asfálticas. Assim, foi testado os 2 modelos de
arquitetura propostos no item 3.2.3.1, que são 3>60>30>1 e 3>12>7>5>1 neurônios.
4 RESULTADOS E DISCUSSÃO

Este capítulo apresenta os resultados da modelagem em RNA para previsão do módulo

de resiliência de misturas asfálticas nas arquiteturas abordadas no subitem 3.2.3.1. A discussão
dos resultados está inclusa neste capítulo, contemplando a continuação da análise de limitações
do estudo e uma verificação mais detalhada dos erros e eficiência do proposto nos objetivos. A
princípio, desenvolvida a matriz de correlação e a investigação das variáveis de entrada
relevantes, diversas arquiteturas de RNA foram desenvolvidas a fim de apresentar 02 modelos
mais significativos de acordo com a medição por meio do Coeficiente de Determinação (R²),
Erro Médio Absoluto (ou Mean Absolute Error - MAE) e influência das variáveis na camada
de saída.

4.1 Modelo 1
A RNA desenvolvida neste modelo possui a topologia Perceptron de Multicamadas, por
possuir camadas ocultas responsáveis por extrair características associadas ao processo ou
sistema a ser inferido, como afirma Silva et al. (2016). A quantidade do banco de dados limita
quão complexo modelo da rede neural.
Assim os hiperparâmetros, ou seja, os parâmetros adotados no processo de elaboração
de aprendizagem da rede foram: 2 camadas ocultas com 60 e 30 neurônios respectivamente
(Figura 10); a função de ativação para restrição da amplitude de saída de um neurônio foi a
função linear retificada; a otimização dos pesos foi realizada pelo ‘lbfgs’; o regularizador, para
evitar o overfitting, de 0,01; o armazenamento da inicialização dos pesos, permitindo
replicabilidade fixou-se em 9; número máximo de interações em 1000.

Figura 10 - Arquitetura do modelo 1 da RNA na fase de treinamento

Fonte: Elaborada pela autora.

 A Tabela 3 apresenta os resultados do modelo 1 na fase treinamento e teste com os
coeficientes de determinação (R²) e MAE. O coeficiente de determinação é o indicativo da
eficácia da limpeza de ruídos na rede neural pelo modelo, ou seja, na fase de treinamento a
arquitetura desenvolvida reduziu em quase 90% o ruído do banco de dados, apresentando uma
potencialidade na abordagem nesta fase. Na fase de teste obteve apenas 43,13%, sendo
considerado um valor razoável de eficiência do modelo.

Tabela 3 – Resultados do Modelo 1

Fase Coeficiente de Determinação (R²) MAE (MPa)
Treinamento 88,35% 513,32
Teste 43,13% 1411,76
Fonte: Elaborada pela autora.

O MAE foi adotado como parâmetro de eficiência do modelo por medir o afastamento
médio das previsões em relação aos valores observados. Assim, na fase treinamento apresentou
em torno de 513 MPa, sendo um erro considerável baixo por representar em torno de 8,31% do
valor da média do módulo de resiliência. Em relação ao valor mínimo e máximo, este erro
correspondeu aproximadamente a 19,21% e a 4,8%, respectivamente. Na fase de teste, o MAE
teve aproximadamente 1412 MPa, sendo erro alto em torno de 22,87% do valor da média do
módulo de resiliência do banco de dados, tendo um percentual de 52,84% e 13,20% do valor
mínimo e máximo, respectivamente.
Em análise comparativa com outras pesquisas, o erro médio absoluto nas duas fases,
treinamento e teste foram elevados, pois no estudo de retroanálise de pavimentos asfálticos dos
módulos de resiliência apresentou erros porcentagem de menos de 1% em pelo menos 93% dos
casos demonstraram a previsibilidade das redes neurais artificiais implementadas. Porém, deve-
se levar em consideração que o banco de dados desta pesquisa possui apenas 69 dados, enquanto
o estudo de Celeste (2019) possuía 3232 amostras de retroanálise.
Figura 11 -Gráficos de dispersão do treinamento e do teste do Modelo 1

(a) Treinamento (b) Teste

Fonte: Elaborada pela autora.

Conforme pode ser observado nos gráficos da

Figura 11, os resultados da fase de treinamento do Modelo M1 mostraram-se significativos, com quase 90% de
R², Figura 33(a), cujos valores estão dispostos ao longo da diagonal, linha de tendência, com dispersão
significativa do banco de dados. Quanto aos resultados da fase de teste, o R2 foi de 43,13%,
também se percebe que os valores não estão posicionados ao longo da diagonal, tendo uma
dispersão maior do que na fase de treinamento, na
 Figura 11 (b).
As RNAs estão sujeitas a sobre-ajustarem facilmente, devido a sua alta capacidade. Por
conta disso, em termos práticos, quando os dados não são tão abundantes, na ordem de grandeza
104, os resultados obtidos com RNAs não costumam ser melhores do que os obtidos com outros
algoritmos de Aprendizado de Máquina.
Contudo, o modelo 1, com a arquitetura de 3>60>30>1 alcançou o melhor resultado nas
fases de treinamento e teste quando comparado ao modelo 2, por apresentar maiores
coeficientes de determinação, ou seja, melhor aprendizado da rede, e menores erros absolutos
médios.

4.2 Modelo 2
Esta seção da pesquisa apresenta os resultados do modelo 2, a qual utilizou o mesmo
banco de dados do modelo 1. Assim como no modelo anterior, utilizou a função de ativação
para restrição da amplitude de saída de um neurônio com a função linear retificada; a otimização
dos pesos foi realizada pelo ‘lbfgs’; o regularizador, para evitar o overfitting, de 0,01; o
armazenamento da inicialização dos pesos, permitindo replicabilidade fixou-se em 9; número
máximo de interações em 1000. A diferenciação na elaboração da rede neural está nas camadas
ocultas sendo 3 camadas com 12,7 e 5 neurônios, respectivamente. Este modelo foi escolhido
das diversas arquiteturas testadas devido a análise desde o maior número de camadas ocultas
permite uma rede mais complexa, acrescentou-se o fator de possuir uma redução significativa
de neurônios em cada camada quando comparado da arquitetura 1.
Diante do exposto, a Tabela 4 apresenta os resultados do modelo 2 na fase treinamento
e teste com os coeficientes de determinação (R²) e MAE. Na fase de treinamento verifica-se
que a otimização do banco de dados possui 87,76%, sendo uma diminuição pequena quando
comparada com o modelo 1 nesta mesma fase.
O MAE, com 534,77 MPa, também obteve um aumento quando comparado, em torno
de 4% maior e em relação à média do banco de dados obteve um percentual de 8,66%. Este
valor de erro médio absoluto é aceitável devido à complexidade do modelo executado para a
dimensão do banco de dados, mesmo tendo uma quantidade de neurônios reduzido na camada
oculta. Assim, os parâmetros indicativos de potencialidade adotados apresentaram eficácia do
modelo nesta fase de treinamento. Para análise do percentual de MAE em relação aos valores
de mínimo e máximo do módulo de resiliência, obteve um percentual de erro de
aproximadamente 20% e 5%, respectivamente, sendo próximos do erro no modelo 1.

Tabela 4 - Resultados do Modelo 2

Fase Coeficiente de Determinação (R²) MAE (MPa)
Treinamento 87,76% 534,77
Teste 23,55% 1664,54
Fonte: Elaborada pela autora.

Na fase de teste, houve uma redução no coeficiente de determinação, demonstrou que

apenas 23,55% de capacidade de capacidade de generalização da RNA, sem ruídos. Este
resultado demonstra que o modelo adotado não é eficiente para o banco de dados apresentado,
pois a complexidade do modelo depende diretamente do banco de dados.
Além disso, o MAE apresentou um aumento de 26,97% em relação à média do módulo
de resiliência, sendo expressivo este valor e caracterizando um modelo ineficiente para estas
condições da pesquisa. Ainda mais expressivo foram os percentuais apresentados quando
comparado aos valores de mínimo e máximo, a qual obtiveram aproximadamente 62% e 15%,
respectivamente.

Figura 12 -Gráficos de dispersão do treinamento e do teste do Modelo 2

(a) Treinamento (b) Teste

Fonte: Elaborada pela autora.

De acordo com Silva (2010), um pequeno número de neurônios na camada escondida

pode não ser suficiente para a realização da tarefa desejada, fenômeno conhecido como
underfitting. Assim, a efeito de análise comparativa com o modelo 1, o coeficiente de
determinação na fase de teste foi bastante reduzido possivelmente pela ocorrência de
underfitting. Na Figura 12 (a), observa-se que a disposição dos dados está mais dispersos e
afastados da linha de tendência, tendo uma pequena concentração em torno desta. Na Figura 12
(b), encontra-se os dados de saída espaçados no gráfico, não possuindo uma continuidade em
torno da linha de tendência.
5 CONSIDERAÇÕES FINAIS E SUGESTÕES PARA TRABALHOS FUTUROS

Este capítulo apresenta as conclusões decorrente da pesquisa, assim como

recomendações para futuros trabalhos a serem realizados em torno dos temas abordados.

5.1 Considerações Finais

Neste trabalho realizou-se uma avaliação da utilização de redes neurais artificiais para
previsão do módulo de resiliência de misturas asfálticas. Foi realizado um levantamento das
principais normativas nacionais e internacionais, abordando a importância desta característica
no pavimento.
Devido a extensão da quantidade de dados e códigos utilizados nesta pesquisa, optou-
se por disponibilizar integralmente a programação utilizada nos modelos 1 e 2 no APÊNDICE
A. O Modelo 1 desenvolvido para previsão do MR apresentou resultados razoáveis que atestam
sua viabilidade de aplicação para caracterizar as misturas asfálticas, apresentando erros
consideráveis que podem ser minimizados com a alimentação do banco de dados.
Ressalta-se que os modelos propostos têm aplicação restrita às misturas asfálticas
convencionais com características semelhantes às do banco de dados utilizado nas regressões.
Os modelos propostos não consideram efeitos da temperatura, tampouco variações no volume
de vazios da mistura, parâmetros a serem incorporados em pesquisas futuras. Adicionalmente,
estes modelos podem ser eventualmente inseridos no programa do novo método de
dimensionamento mecanístico-empírico de pavimentos asfálticos recentemente lançado no
país, o que torna a relevância deste estudo ainda maior.
As RNA é um computador eficiente de modelo que pode ser usado por projetistas na
engenharia de transportes para estimar as propriedades ótimas de projeto de misturas asfálticas
rapidamente. Assim, espera-se que as versões calibradas dos modelos possam servir como boas
ferramentas de previsão para estimar o módulo de resiliência de misturas em fases como o pré-
projeto e a seleção de materiais, devido a importância desse parâmetro que não é considerado
atualmente como determinístico para o projeto de pavimentos. Isso pode levar a uma
significativa economia de tempo, materiais e recursos, pois reduz o processo de tentativa e erro
tipicamente adotado, em que diversas combinações de constituintes, como agregados e ligantes,
têm que ser avaliadas para se identificar alguma que resulte em características de rigidez
esperadas das misturas.
5.2 Sugestões para trabalhos futuros
Este estudo corrobora o vasto espaço para a investigação de outros tipos de modelagem,
além de modelos com diferentes variáveis explicativas no âmbito da Inteligência Artificial
aplicada na Engenharia de Transportes. Algumas sugestões para trabalhos futuros relacionados
ao emprego de RNA para o desenvolvimento e aplicação de modelos de previsão de módulo de
resiliência em misturas asfálticas, podem ser destacadas as seguintes propostas:
• Verificação da metodologia de obtenção e de processamento dos dados utilizados para
obtenção do MR;
• Verificar a utilização de outras variáveis de entrada, investigando outras propriedades
de misturas asfálticas que possuam correlação com o módulo de resiliência;
• Realizar a validação dos modelos desenvolvidos em uma base de dados maior e mais
diversificado;
• Testar diferentes arquiteturas e topologias para as RNA, uma vez que não é possível
afirmar categoricamente que as configurações utilizadas neste trabalho são as mais
adequadas aos dados disponíveis.
6 REFERÊNCIAS BIBLIOGRÁFICAS

ALLEN, D. H.; HAISLER, W. E. Introduction to Aerospace Structural Analysis. John Wiley

& Sons, USA, 1985.

ANACONDA, 2021. Disponível em >https://www.anaconda.com/<. Acesso em: 27 de maio de

2021.

ANDERSON, A. J. An Introduction to Neural Networks. The MIT Press, 1995.

ASSIS, R. K. M.; DURÁN, J. B. C.; CUNHA, A. L.; PITOMBO, C. S.; FERNANDES

JUNIOR, J.L.F. Uso de redes neurais artificiais para o desenvolvimento de modelos de previsão
da condição de pavimentos de aeroportos. Artigo – 7° Congresso Luso Brasileiro para o
planejamento Urbano, Regional, Integrado e sustentável Contrastes, contradições e
complexidades. Maceió, 2016.

BEGONHA, D. M. B.; SANTOS, I. G.; ARAGÃO, F. T. S. Desenvolvimento de um modelo

empírico de previsão do módulo de resiliência de misturas asfálticas. Artigo – 33° Congresso
de Pesquisa e Ensino em Transporte da ANPET. Balneário Camboriú, 2019.

BERNUCCI, L. B.; MOTTA, L. M. G.; CERATTI, J. A. P.; SOARES, J. B. Pavimentação

Asfáltica: Formação Básica para engenheiros. Rio de Janeiro: ABEDA, 2010.

BOCANEGRA, C. W. R. Procedimentos para tornar mais efetivo o uso das Redes Neurais
Artificiais em planejamento de transportes. 2002. 97 f. Dissertação (Mestrado em Engenharia
Civil) — Escola de Engenharia de São Carlos, Departamento de Transportes, Universidade de
São Paulo, São Carlos, 2002.

BRITO, L. A. T. Avaliação e análise paramétrica do ensaio de compressão diametral sob cargas

repetidas em misturas asfálticas. Dissertação (Mestrado em Engenharia Civil) – Programa de
Pós-Graduação em Engenharia Civil Universidade Federal do Rio Grande do Sul, Porto Alegre,
2006.

CELESTE, A. B.; OLIVEIRA, F. H. L. Study of retroanalysis of asphaltic pavements resilience

modules with the use of artificial neural networks. Revista Transportes, 2019.

DANTAS NETO, S. A.; FARIAS, M. M.; PAIS, J. C. Modelagem da viscosidade absoluta dos
asfaltos-borracha usando redes neurais artificiais. Artigo – XVIII Congresso de Pesquisa e
Ensino em Transportes.

FAUSETT, L. Fundamentals of Neural Networks: Archictetures, Algorithms, and Applications.

Englewood Cliffs, NJ: Prentice-Hall Intern, 1994.

FONSECA, B. F.; BASTOS, J. B. S.; LUCAS JUNIOR, J. L. O.; SOARES, J. B. Banco de

dados de misturas asfálticas avaliadas no Ceará. Artigo – Instituto Federal de Educação, Ciência
e Tecnologia do Ceará, Fortaleza, 2019.

HAYKIN, S. Neural Networks and Learning Machines. Editora Person. Revista, 2009.

KHASAWNEH, M. A.; AL-JAMAL, N. F. Modeling resilient modulus of fine-grained

materials using different statistical techniques. Artigo – Transportation Geotechnics, 2019.
KOVÁCS, L. Z. Redes Neurais Artificiais: Fundamentos e Aplicações. 20ª edição, Editora
CollegiumCognitio e Edição Acadêmica, 1997.

LORENZI, A. Aplicação de Redes neurais artificiais para estimativa da resistência à

compressão do concreto a partir da velocidade de propagação de pulso ultra-sônico. Tese –
Universidade Federal do Rio Grande do Sul, 2009.

NASCIMENTO, F. P. DO. Classificação da Pesquisa. Natureza, método ou abordagem

metodológica, objetivos e procedimentos. In: Metodologia da Pesquisa Científica: teoria e
prática – como elaborar TCC. Brasília: Thesaurus, 2016.

NG, K.; HELLRUNG, D.; KSAIBATI, K.; WULF, S. S. Systematicback-

calculationprotocolandpredictionofresilientmodulus for MEPDG. Artigo – International
Journal of Pavement Engineering, 2016.

NIVEDYA, M. K.; MALLICK, R.B. Artificial neural network-based prediction of field

permeability of hot mix asphalt pavement layers. Artigo – International Journal Of Pavement
Engineering, 2018.

OLIVEIRA, H. M.; BIONDI NETO, L.; TAVARES, M. E. N. Redes neurais artificiais na

obtenção do traço e na definição da resistência à compressão de concretos de alta resistência.
Artigo – SPOLM. Rio de Janeiro, 2007.

OZTURK, H. I.; KUTAY, M. E. An artificial neural network model for virtual Superpave
asphalt mixture design. International Journal of Pavement Engineering, Vol. 15, No. 2, 151–
162, 2014.

PONTE, R. S. Avaliação de diferentes metodologias para obtenção do módulo de resiliência de

misturas asfálticas. Monografia - Universidade Federal do Ceará. Fortaleza, 2013.

PONTE, R. S.; BRANCO, V. T. F. C.; HOLANDA, A. S.; SOARES, J. B. Avaliação de

diferentes metodologias para obtenção do Módulo de Resiliência de misturas asfálticas. Revista
Transportes, v. 22, n. 2, p. 85–94, 2014.

QUARIGUASI, J. B. F. Previsão do coeficiente de atrito em pista de pouso e decolagem

utilizando redes neurais artificiais. Dissertação – Universidade Federal do Ceará. Fortaleza,
2020.

SIEGEL, I. F. Linguagem Python e suas aplicações em ciências de dados. Universidade Federal

Fluminense. Niterói, 2018.

XIAO, F.; AMIRKHANIAN, S. N. Artificial Neural Network Approach to Estimating Stiffness

Behavior of Rubberized Asphalt Concrete Containing Reclaimed Asphalt Pavement. Artigo –
Journal of Transportation Engineering, 2009.
7 APÊNDICE A

A programação do Modelo 1 e 2 no jupyter notebook escrita em linguagem de

programação Python está apresentada parte dela a seguir.
7.1 Modelo 1
7.2 Modelo 2