Aplicación de técnicas de aprendizaje supervisado para la modelización de los deterioros superficiales en pavimentos

Desde el inicio del período de vida de una ruta se inicia un proceso de deterioro, tal que al final de su vida útil manifestará un conjunto de fallas que reducirán la calidad de circulación, incrementando los costos de mantenimiento y de los usuarios. El relevamiento periódico de la condición del pavimento, en forma ordenada y sistemática, permite conformar la función del comportamiento de los distintos tramos de una ruta; para luego poder predecir las tareas de mantenimiento necesarias en magnitud y oportunidad. En este trabajo se presenta el desarrollo de una herramienta para predecir la evolución de los valores de deterioro superficial mediante técnicas de “aprendizaje automatizado” Machine Learning. Esta técnica permite crear una función capaz de predecir el valor del atributo correspondiente a cualquier objeto después de haber visto una considerable serie de ejemplos. Es decir, realizar predicciones de evolución basadas en comportamientos o características que se han visto en los datos ya almacenados. La tarea se realizó a partir de observaciones periódicas de los deterioros de tramos en servicio ubicados en rutas de la región Litoral de Argentina. Se logró desarrollar modelos de comportamiento a partir de la aplicación de Support Vector Machine Regression y Random Forest Regressor. Estas son herramientas de Machine Learning, que permitieron resolver problemas de estimación de funciones multidimensionales, basadas en este caso en datos de fechas, resistencia estructural, tránsito y deterioros. Los análisis realizados plantean un inicio en esta línea de investigación y nos alientan a realizar mejoras que posibiliten una más certera predicción del comportamiento. Se espera que esta herramienta pueda ser implementada en sistemas de gerenciamiento viales y como función de transferencia en programas de diseño estructural. Se lograron resultados óptimos lo que muestra que ambos métodos son apropiados para realizar ajuste y predicción.