Quanto vai custar conservar esta estrada? Como o Machine Learning ajuda a prever a manutenção de rodovias

Toda estrada precisa de cuidado constante: refazer o pavimento, roçar a vegetação das margens, manter a drenagem limpa, repor placas e defensas. Cada um desses serviços tem custo, e como o orçamento público é limitado, uma pergunta vale muito dinheiro: quanto de cada serviço cada trecho vai precisar, e quanto isso vai custar?

Foi essa pergunta que deu origem ao artigo "Using Machine Learning for Road Maintenance Cost Estimates in Brazil: a case study in the Federal District", que tem entre seus autores Dennis Kerr Coelho, CTO e fundador da Palmsoft. O trabalho foi apresentado na 15ª Conferência Ibérica de Sistemas e Tecnologias de Informação (CISTI 2020), em Sevilha, na Espanha, e publicado pelo IEEE. No mesmo ano, a equipe publicou uma versão ampliada do estudo no Journal of Information Systems Engineering and Management, com mais detalhes sobre os dados e os resultados.

No Brasil, as rodovias são o principal foco dos investimentos em transporte, e esse dinheiro faz diferença: estudos do Ipea citados no artigo mostram que o investimento público em transporte tem efeito positivo no desempenho econômico dos estados e pode ajudar a reduzir a desigualdade de renda entre eles. Ao mesmo tempo, os gastos com manutenção vêm crescendo nos países em desenvolvimento, enquanto os recursos ficam mais escassos. A engenharia rodoviária passa então a enfrentar também um desafio econômico, o de usar cada real da melhor forma possível, e isso começa por estimar bem o que cada trecho vai exigir.

Para fazer essa estimativa, o estudo partiu de todos os 462 trechos de rodovia sob responsabilidade do DER/DF, o departamento de estradas do Distrito Federal. Os dados vieram do sistema de gestão de manutenção e conservação rodoviária e foram reunidos numa base única. Ali estavam o histórico de manutenção de rotina, tirado das ordens de serviço já executadas, as avaliações visuais do pavimento das pistas e acostamentos e o inventário da estrada, com sinalização, dispositivos de segurança e drenagem. A isso se somavam as características de cada trecho, como extensão, tráfego, número de faixas e de acostamentos e área de vegetação, e, para transformar serviços em custo, o catálogo de soluções rodoviárias e a tabela de preços do DER/DF.

Com esse material, a meta era estimar o custo de cinco grupos de serviço: pista de rolamento, vegetação, drenagem, sinalização e segurança lineares (como faixas e defensas) e sinalização e segurança pontuais (como placas).

O primeiro caminho foi uma rede neural artificial do tipo perceptron multicamadas, com 9 variáveis de entrada, 40 neurônios na camada intermediária e 5 saídas, uma para cada grupo de serviço. Treinada com 70% dos dados e testada com os outros 30%, a rede aprendeu muito pouco, e nem a retirada de variáveis sugerida por especialistas melhorou o quadro.

Foi ao investigar esse resultado que a equipe encontrou o verdadeiro problema, que não estava no algoritmo, e sim em inconsistências na base. Havia trechos sem avaliação de pavimento, serviços de drenagem registrados em trechos sem dispositivos de drenagem e até unidades de medida trocadas, como roçada registrada em metros quadrados em vez de hectares.

Diante disso, em vez de insistir na rede neural, a equipe mudou de estratégia e aplicou o k-means, um algoritmo que agrupa casos semelhantes. Os 462 trechos foram divididos em 10 grupos com características parecidas e, para cada grupo, foram calculados o custo médio de cada serviço e o quanto os trechos variavam em torno dessa média. Na prática, cada grupo passa a funcionar como um padrão de execução de serviços, o que permite comparar o gasto de um trecho com o de trechos parecidos, identificar desvios e estimar a necessidade de manutenção de trechos novos.

Para saber se esses grupos eram confiáveis, os pesquisadores rodaram uma simulação de Monte Carlo com 100 mil repetições, e a taxa de erro caiu de forma expressiva em todos os grupos de serviço. A redução foi de 30% na pista de rolamento e de 43% na vegetação, chegou a 58% na drenagem e foi ainda maior na sinalização e segurança: 60% nos itens lineares e 65% nos pontuais.

A conclusão foi que o k-means se mostrou o algoritmo mais adequado para o problema, e a equipe propôs ao DER/DF usar o agrupamento de trechos como complemento à metodologia de orçamento que já existia. O aprendizado mais importante, porém, vai além da escolha do algoritmo: a qualidade dos dados vem antes do modelo. Por isso o estudo também mudou o próprio processo. Novas regras passaram a barrar ordens de serviço com quantidades fora do esperado, e um novo módulo com aplicativo móvel, o RoadMaps, foi criado para atualizar o inventário das rodovias direto do campo. Com dados mais completos, o plano é voltar às redes neurais para prever o comportamento e os custos anuais.

"Muitas organizações querem começar pela inteligência artificial. Este estudo lembra que o caminho costuma começar antes: em entender o problema, olhar com cuidado para os dados disponíveis e escolher a técnica que esses dados realmente sustentam. Às vezes, o modelo mais simples, aplicado com critério, é o que entrega o resultado. É essa visão, de transformar dados em resultados, que orienta o trabalho da Palmsoft desde 2002".

Para acompanhar mais conteúdos sobre dados e inteligência artificial, siga a Palmsoft no Instagram: @palmsoft_

Quem está por trás: Dennis Kerr Coelho

Essa combinação de pesquisa e aplicação prática marca a trajetória de quem lidera a tecnologia da Palmsoft há mais de duas décadas. Mestre em Inteligência Artificial pela UFSC, Dennis é professor de pós-graduação e MBA em Big Data (UNIVALI e FATEC). Fundou a Palmsoft em 2002 e também a Deepen, a Picmo e a MDEV, esta última vendida a uma multinacional. Dirigiu ainda a Vertical de Jogos da ACATE de 2009 a 2017 e é palestrante sobre IA, ciência de dados e inovação. Neste trabalho, ele divide a autoria com Ricardo Gaussmann e Anita M. R. Fernandes, da UNIVALI, Paul Crocker, da Universidade da Beira Interior (Portugal), e Valderi R. Q. Leithardt, da UNIVALI e de instituições portuguesas.

Referências:

• GAUSSMANN, R.; COELHO, D.; FERNANDES, A. M. R.; CROCKER, P.; LEITHARDT, V. R. Q. Using Machine Learning for Road Maintenance Cost Estimates in Brazil: a case study in the Federal District. 15th Iberian Conference on Information Systems and Technologies (CISTI), IEEE, 2020. DOI 10.23919/CISTI49556.2020.9141148

• GAUSSMANN, R.; COELHO, D.; FERNANDES, A.; CROCKER, P.; LEITHARDT, V. R. Q. Estimated Maintenance Costs of Brazilian Highways Using Machine Learning Algorithms. Journal of Information Systems Engineering and Management, v. 5, n. 3, em0119, 2020. DOI 10.29333/jisem/8427