APPLICATION OF MACHINE LEARNING FOR THE PREDICTION OF INDIRECT TENSILE STRENGTH OF ASPHALT MIXTURES WITH RAP AND REJUVENATORS

Resumo

A integração de materiais fresados (Pavimento Asfáltico Recuperado – RAP) e rejuvenescedores em misturas asfálticas tornou se uma prática essencial na engenharia de pavimentos, devido aos seus benefícios ambientais e econômicos. No entanto, o uso de altos teores de RAP apresenta desafios devido ao aumento da rigidez do ligante envelhecido e prever o comportamento mecânico dessas misturas, especialmente sua Resistência à Tração Indireta (Indirect Tensile Strength – ITS), não é uma tarefa simples. Assim, este estudo tem como objetivo desenvolver um modelo preditivo, baseado em técnicas de Aprendizado de Máquina (Machine Learning – ML), para estimar a resistência à tração indireta a seco de misturas asfálticas contendo RAP e três tipos de rejuvenescedores, classificados como Rejuvenescedor Comercial (CR), Óleo Vegetal (VO) e Óleo de Motor (EO). Modelos foram desenvolvidos com dados experimentais extraídos da literatura, utilizando variáveis de entrada relacionadas à composição da mistura e às características dos materiais. Para o mapeamento da resistência à tração indireta, empregou-se Floresta Aleatória (RF), Regressão por Vetores de Suporte (SVR) e Redes Neurais Artificiais (RNAs). Os resultados indicaram que todas as técnicas de aprendizado, exploradas no estudo, proporcionam bom aprendizado e generalização ITS, com coeficiente de determinação (R²) acima de 0,93 e erro percentual médio absoluto (MAPE) abaixo de 3,1%. Dentre as técnicas exploradas no estudo, RF apresentou o melhor equilíbrio na performance das fases de treino e teste, no entanto, as RNAs apresentaram maior estabilidade na distribuição dos resíduos. Esses resultados indicam o potencial dos algoritmos de ML para auxiliar na otimização de misturas asfálticas com RAP e rejuvenescedores, oferecendo uma ferramenta de tomada de decisão eficiente e baseada em dados para engenheiros de pavimentos.