Estimação da vida útil remanescente de trilhos ferroviários por meio de técnicas de aprendizado de máquina

Página do item simplificado
dc.contributor.advisor1Rosa, Rodrigo de Alvarenga
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-0841-514X
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7706827408886021
dc.contributor.authorRocha, Gledson Fabio Cotrim
dc.contributor.authorIDhttps://orcid.org/
dc.contributor.authorLatteshttp://lattes.cnpq.br/8893742420123850
dc.contributor.referee1Cavalieri, Daniel Cruz
dc.contributor.referee1IDhttps://orcid.org/0000-0002-4916-1863
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9583314331960942
dc.contributor.referee2Sabino, Jodelson Aguilar
dc.contributor.referee2IDhttps://orcid.org/0000-0003-1690-7849
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5946878012544656
dc.contributor.referee3Krohling, Renato Antonio
dc.contributor.referee3IDhttps://orcid.org/
dc.contributor.referee3Latteshttp://lattes.cnpq.br/5300435085221378
dc.contributor.referee4Alves, Elcio Cassimiro
dc.contributor.referee4IDhttps://orcid.org/0000000169712645
dc.contributor.referee4Latteshttp://lattes.cnpq.br/6509450210637509
dc.date.accessioned2024-05-29T22:10:58Z
dc.date.available2024-05-29T22:10:58Z
dc.date.issued2019-08-27
dc.description.abstractAs the rail is the costliest element on the permanent track, finding tools to estimate the remaining life is important to make the most of them. Thus, it has hypothesized that machine learning algorithms trained from historical databases can assist the planner in performing this estimation. Two machine learning algorithms were tested: Artificial Neural Network (RNA) and Nearest K-Neighbors (k-NN). The historical databases used were from Vitória to Minas Railway (EFVM). The dataset has 1,275,034 records for the period of 6 years and 8 months. The RNA had 5 neurons in the input layer: 1) the degree of the curve; 2) internal or external rail curve; 3) the width of the rail; 4) the height of rail; and 5) average weight carried. The intermediate layer, regardless of the category for estimating the remaining rail life, had variations of 1, 2 and 3 layers and variations in the number of neurons of 30, 50, 100, 200 and 400. The output layer depends on the period category the remaining useful life of the rails: 1) month, with 80 neurons, 2) quarter, with 27 neurons, 3) semester, with 14 neurons and 4) year, with 7 neurons. For the k-NN algorithm, configurations ranging from k = 5, 7 and 9 were tested. For both algorithms, k-fold cross validation was applied, with f = 10, and performance was evaluated using the accuracy value and F1-score. The programming language was Python and the Scikit-Learn library. RNA configurations and k-NN configurations were compared and k-NN showed superior results to RNA. However, both algorithms reached the objective proposed in this dissertation, which was the estimation of the remaining rail life in order to help the railroad maintenance planner to replace the rails, where they obtained results in accuracy and F1-score higher than 80% for both algorithms for the semester and year period categories, these period categories being most used by rail operators. The k-NN algorithm always obtained better results when compared to RNA
dc.description.resumoSendo o trilho o elemento de maior custo na via permanente, buscar ferramentas para estimar a vida útil remanescente dos trilhos é importante para utilizá-los ao máximo. Assim, tem-se como hipótese que algoritmos de aprendizado de máquina treinados a partir de bases de dados históricos, possam auxiliar ao planejador na realização dessa estimação. Foram testados dois algoritmos de aprendizado de máquina: Rede Neural Artificial (RNA) e K-Vizinhos mais próximos (k-NN). As bases de dados históricos utilizados foram da Estrada de Ferro Vitória a Minas (EFVM). O conjunto de dados possui 1.275.034 registros referente ao período de 6 anos e 8 meses. As RNA tiveram 5 neurônios na camada de entrada: 1) o grau da curva; 2) trilho interno ou externo a curva; 3) largura do boleto; 4) altura do boleto; e 5) peso médio transportado. A camada intermediária, independentemente da categoria para a estimação da vida útil remanescente dos trilhos, teve variações de 1, 2 e 3 camadas e variações na quantidade de neurônios de 30, 50, 100, 200 e 400. A camada de saída depende da categoria de período da vida útil remanescente dos trilhos: 1) mês, com 80 neurônios, 2) trimestre, com 27 neurônios, 3) semestre, com 14 neurônios e 4) ano, com 7 neurônios. Para o algoritmo k-NN, foram testadas configurações variando k=5, 7 e 9. Para ambos algoritmos, aplicou-se a validação cruzada k-fold, com f=10, e o desempenho foi avaliado por meio do valor da acurácia e do F1-score. A linguagem de programação foi Python e a biblioteca Scikit-Learn. As configurações das RNA e as configurações do k-NN foram comparadas e o k-NN apresentou resultados superiores as RNA. Entretanto, ambos algoritmos atingiram o objetivo proposto nesta dissertação que era a estimação da vida útil remanescente dos trilhos de maneira a auxiliar o planejador da manutenção da via férrea quanto à substituição dos trilhos, onde obtiveram resultados na acurácia e F1-score superiores a 80% em ambos os algoritmos para as categorias de período semestre e ano, sendo estas categorias de períodos mais utilizadas pelos operadores ferroviários. O algoritmo k-NN obteve sempre melhores resultados quando comparados com a RNA.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/13339
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Civil
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Civil
dc.rightsopen access
dc.subjectTrilho ferroviário
dc.subjectRede Neural Artificia
dc.subjectk-Vizinhos mais próximos
dc.subjectSuperestrutura ferroviária
dc.subjectRail track
dc.subjectArtificial neural network
dc.subjectk-Nearest neighbors
dc.subjectRailway superstructure
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqEngenharia Civil
dc.titleEstimação da vida útil remanescente de trilhos ferroviários por meio de técnicas de aprendizado de máquina
dc.title.alternativetitle.alternative
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertação Mestrado - Gledson_Rev_20-2-3 (1).pdf
Tamanho:
50.77 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Mestrado em Engenharia Civil