Reflexões sobre aplicações de Inteligência Artificial: modelos físicos e modelos baseados em dados como paradigmas de pesquisa na infraestrutura viária
DOI:
https://doi.org/10.58922/transportes.v32i3.3045Palavras-chave:
Inteligência Artificial. Aprendizado de máquina. Ciência de dados. Pavimentos.Resumo
O presente artigo traz uma reflexão sobre aplicações de Inteligência Artificial (IA) na pesquisa em pavimentação. O uso crescente das mesmas representa uma virada epistemológica na área, construída sobretudo em cima de modelos físicos. Na busca por soluções, modelos baseados em dados podem produzir resultados satisfatórios sem explicar os processos físicos subjacentes que levaram a esses resultados. São exemplificadas aplicações como levantamento automatizado de defeitos e cidades inteligentes, e reconhecem-se alguns dos riscos, como questões éticas e viés de dados. Alerta-se como as inovações devem não apenas melhorar o desempenho imediato, mas contribuir para um entendimento mais completo e sustentável da infraestrutura viária. A IA possui um potencial transformador, bem como é um atrator de alunos(as) e jovens pesquisadores(as), algo essencial para o avanço de qualquer área de conhecimento. Espera-se que o tipo de reflexão feita aqui encoraje discussões e colaborações necessárias para navegar os desafios postos e maximizar os benefícios das tecnologias emergentes.
Downloads
Referências
Abdelaziz, N.; R.T.A. El-Hakim; S.M. El-Badawy et al. (2020) International Roughness Index prediction model for flexible pavements. The International Journal of Pavement Engineering, v. 21, n. 1, p. 88-99. DOI: 10.1080/10298436.2018.1441414. DOI: https://doi.org/10.1080/10298436.2018.1441414
Alnedawi, A.; R. Al-Ameri e K.P. Nepal (2019) Neural network-based model for prediction of permanent deformation of unbound granular materials. Journal of Rock Mechanics and Geotechnical Engineering, v. 11, n. 6, p. 1231-1242. DOI: 10.1016/j. jrmge.2019.03.005. DOI: https://doi.org/10.1016/j.jrmge.2019.03.005
Araújo, C. B. C.; F.A. Souza Filho; J.B. Soares et al. (2023) The effects of climate change on the performance of asphaltic pavement structures. International Journal of Advances in Engineering and Technology, v. 16, n. 3, p. 66.
Brega, J.R.F. (1997) Utilização de Redes Neurais Artificiais em um Sistema de Gerência de Pavimentos. Tese (doutorado). Escola de Engenharia de São Carlos, Universidade de São Paulo. São Carlos.
Coutinho Neto, B. (2000) Redes Neurais Artificiais Como Procedimento para Retroanálise de Pavimentos Flexíveis. Dissertação (mestrado). Escola de Engenharia de São Carlos, Universidade de São Paulo. São Carlos.
Cranmer, M. (2024) The Next Great Scientific Theory is Hiding Inside a Neural Network. New York: Simons Foundation.
Eidgahee, D.R.; H. Jahangir; N. Solatifar et al. (2022) Data-driven estimation models of asphalt mixtures dynamic modulus using ANN, GP and combinatorial GMDH approaches. Neural Computing & Applications, v. 34, n. 20, p. 17289-17314. DOI: 10.1007/ s00521-022-07382-3. DOI: https://doi.org/10.1007/s00521-022-07382-3
Furtado, L.S.; J.B. Soares e V. Furtado (2024a) A task-oriented framework for generative AI in design. Journal of Creativity, v. 34, n. 2, p. 100086. DOI: 10.1016/j.yjoc.2024.100086. DOI: https://doi.org/10.1016/j.yjoc.2024.100086
Furtado, L.S.; H. Busgaib; L. Babadopulos et al. (2024b) Prompts para análise de dados espaciais sobre defeitos de pavimentos com o ChatGPT-4. In XXII Congreso Ibero Latinoamericano del Asfalto. Madrid: ASEFMA.
Gonçalves, H.B.B.; K.B. Paz; L.F.A.L. Babadopulos et al. (2024) Continuous visual survey of road pavement using convolutional neural networks and smartphone technology: a data-driven approach. In Proceedings of the International Conference on Maintenance and Rehabilitation of Pavements. Cham: Springer, p. 203-213. Vol. 523. DOI: 10.1007/978-3-031-63584-7_21. DOI: https://doi.org/10.1007/978-3-031-63584-7_21
Ghorbani, B.; A. Arulrajah; G. Narsilio; S. Horpibulsuk; M.W. Bo (2020) Development of genetic-based models for predicting the resilient modulus of cohesive pavement subgrade soils. Soils and Foundations, v. 60, n. 2, p. 398-412. DOI: 10.1016/j.sandf.2020.02.010. DOI: https://doi.org/10.1016/j.sandf.2020.02.010
Kaloop, M.R.; D. Kumar; P. Samui et al. (2019) Particle Swarm Optimization Algorithm-Extreme Learning Machine (PSO-ELM) model for predicting resilient modulus of stabilized aggregate bases. Applied Sciences, v. 9, n. 16, p. 3221. DOI: 10.3390/app9163221. DOI: https://doi.org/10.3390/app9163221
Kissinger, H. A., E. Schmidt e D. Huttenlocher (2024) ChatGPT Heralds an intellectual revolution. WSJ.
Lucas Jr., J.L.O.; L.F.A.L. Babadopulos e J.B. Soares. (2019) Aggregate-binder adhesiveness assessment and investigation of the influence of morphological and physico-chemical properties of mineral aggregates. Road Materials and Pavement Design, v. 20, n. sup1, p. S79-S94. DOI: 10.1080/14680629.2019.1588773. DOI: https://doi.org/10.1080/14680629.2019.1588773
Majidifard, H.; B. Jahangiri; P. Rath et al. (2021) Developing a prediction model for rutting depth of asphalt mixtures using gene expression programming. Construction & Building Materials, v. 267, p. 120543. DOI: 10.1016/j.conbuildmat.2020.120543. DOI: https://doi.org/10.1016/j.conbuildmat.2020.120543
Mariano, A.L.G. (2023) Uso de Aprendizado de Máquina Interpretável para Avaliação da Deformação Permanente em Misturas Asfálticas. Dissertação (mestrado). Programa de Pós-graduação em Engenharia de Transportes, Universidade Federal do Ceará. Fortaleza.
Melo, C. D. R., Soares, J. B., Parente Jr., E., & Silva, J. C. T. (2024) Gaussian process-based estimation of asphalt mixture master stiffness curve under data scarcity. No prelo.
Ministério da Ciência e Tecnologia (2024) IA para o Bem de Todos: Proposta de Plano Brasileiro de Inteligência Artificial 2024-2028. Brasília.
Mota, B.C.; B.P. Ignez; G.V. Silva et al. (2023) Construção e análise de banco de dados de misturas asfálticas com ferramentas de inteligência artificial. In Anais do 37º Congresso de Pesquisa e Ensino em Transportes. Santos, SP.
Naderpour, H.; A.H. Rafiean e P. Fakharian (2018) Compressive strength prediction of environmentally friendly concrete using artificial neural networks. Journal of Building Engineering, v. 16, p. 213-219. DOI: 10.1016/j.jobe.2018.01.007. DOI: https://doi.org/10.1016/j.jobe.2018.01.007
Nunes, D.E. e V.F.S. Mota (2019) A participatory sensing framework to classify road surface quality. Journal of Internet Services and Applications, v. 10, n. 1, p. 13. DOI: 10.1186/s13174-019-0111-1. DOI: https://doi.org/10.1186/s13174-019-0111-1
Piryonesi, S.M. e T. El-Diraby (2021) Climate change impact on infrastructure: a machine learning solution for predicting pavement condition index. Construction & Building Materials, v. 306, p. 124905. DOI: 10.1016/j.conbuildmat.2021.124905. DOI: https://doi.org/10.1016/j.conbuildmat.2021.124905
Prince, S.J.D. (2023) Understanding Deep Learning. Cambridge: The MIT Press.
Ribeiro, T.R. e F.H.L. Oliveira (2023) Desenvolvimento de modelos de previsão de coeficiente de atrito em pistas de pouso e decolagem brasileiras com Redes Neurais Artificiais. Revista Transportes, v. 31, n. 2, e2792. DOI: 10.58922/transportes.v31i2.2792. DOI: https://doi.org/10.58922/transportes.v31i2.2792
Saha, S.; F. Gu; X. Luo et al. (2018) Use of an artificial neural network approach for the prediction of resilient modulus for unbound granular material. Soil and Foundation, v. 2672, n. 52, p. 23-33. DOI: https://doi.org/10.1177/0361198118756881
Serafim, M.O.; C.A. Sousa; L.C. Almeida et al. (2023) Automated detection of defects and vertical signs on roadways using images produced by drivers. Journal of Testing and Evaluation, v. 51, n. 4, p. 1897. DOI: 10.1520/JTE20220298. DOI: https://doi.org/10.1520/JTE20220298
Soares, J.B. (2020) Reflexões sobre um programa de pesquisa científica para a infraestrutura viária do Brasil. Revista Transportes, v. 28, n. 5, p. 154-168. DOI: 10.14295/transportes.v28i5.2174. DOI: https://doi.org/10.14295/transportes.v28i5.2174
Soares, J. B. (2024) Physics-Inspired vs. Data-Driven: Paradigms in Pavement Infrastructure Research (Keynote Lecture). In 14th ISAP Conference, International Society for Asphalt Pavements. Montreal, Canadá: ÉTS.
Souza, W.M.; A.J.A. Ribeiro e C.A.U. Silva (2022a) Use of ANN and visual-manual classification for prediction of soil properties for paving purposes. The International Journal of Pavement Engineering, v. 23, n. 8, p. 1482-1490. DOI: 10.1080/10298436.2020.1807546. DOI: https://doi.org/10.1080/10298436.2020.1807546
Souza, W.M.; A.J.A. Ribeiro e S.H.A. Barroso (2022b) Estimating the resilient modulus of subgrade materials using visual inspection. Transportes, v. 30, n. 3, p. 2738. DOI: 10.14295/transportes.v30i3.2738. DOI: https://doi.org/10.14295/transportes.v30i3.2738
Specht, L.P. e O. Khatchatourian (2014) Application of artificial intelligence to modelling asphalt-rubber viscosity. The International Journal of Pavement Engineering, v. 15, n. 9, p. 1-11. DOI: 10.1080/10298436.2014.893316. DOI: https://doi.org/10.1080/10298436.2014.893316
Specht, L.P.; O. Khatchatourian; L.A.T. Brito et al. (2007) Modeling of asphalt-rubber rotational viscosity by statistical analysis and neural networks. Materials Research, v. 10, n. 1, p. 69-74. DOI: https://doi.org/10.1590/S1516-14392007000100015
Tong, Z.; J. Gao e H. Zhang (2017) Recognition, location, measurement, and 3D reconstruction of concealed cracks using convolutional neural networks. Construction & Building Materials, v. 146, p. 775-787. DOI: 10.1016/j.conbuildmat.2017.04.097. DOI: https://doi.org/10.1016/j.conbuildmat.2017.04.097
Xu, Y.; Z. Xie; Y. Feng et al. (2018) Road extraction from high-resolution remote sensing imagery using deep learning. Remote Sensing, v. 10, n. 9, p. 1461. DOI: 10.3390/rs10091461. DOI: https://doi.org/10.3390/rs10091461
Zhang, A.; K.C.P. Wang; B. Li et al. (2017) Automated pixel-level pavement crack detection on 3D asphalt surfaces using a deep-learning network. Computer-Aided Civil and Infrastructure Engineering, v. 32, n. 10, p. 805-819. DOI: 10.1111/mice.12297. DOI: https://doi.org/10.1111/mice.12297
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Jorge Barbosa Soares
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:
- Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
- Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
- Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
- Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
- Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
- Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
