Aplicação de Modelos Preditivos de Aprendizado de Máquina para Antecipar Falhas de Bitola Aberta

Num contexto atual onde o transporte ferroviário de cargas se destaca ambientalmente pela menor emissão de poluentes pelas locomotivas para um mesmo quantitativo de carga transportada, pelo menor impacto ambiental na construção de infraestrutura, além do nível superior de segurança em comparação ao modal rodoviário, já que o risco de acidentes envolvendo terceiros ou as próprias composições é proporcionalmente inferior, reduzindo os custos sociais do transporte ferroviário, e, inclusive, a vantagem competitiva diante dos outros modais quando se lida com grandes volumes associados à grandes distâncias (CNT, 2013), gera-se a necessidade crescente de confiabilidade e produtividade dos ativos ferroviários. 
Estes fatores estão ligados diretamente à qualidade da manutenção da via permanente, que, por sua vez, depende de ferramentas que garantam previsibilidade para o planejamento e programação das ações de manutenção. 
Diante deste cenário e da análise prévia dos conjuntos de dados disponíveis relativos a defeitos e falhas devido à bitola aberta, utilizam-se, progressivamente, abordagens, métodos e técnicas de aprendizado de máquina no desenvolvimento de modelos de predição, objetivando-se antecipação de falhas, principalmente em curvas devido aos expressivos esforços transversais existentes nas mesmas (HUNGRIA, 2017). 
Através da visão analítica associada aos resultados de performance dos modelos em cada etapa do estudo levou à evolução progressiva na capacidade de predição dos modelos, aumentando a acurácia dos mesmos. 
Os resultados obtidos geram a possibilidade de ampliação das áreas de estudo, assim como dos tipos de falha existentes, não somente na via permanente, mas como em outras áreas da ferrovia, sejam elas de carga e/ou passageiros. Estudos futuros podem também agregar demais dados que não são gerados pelas empresas, mas igualmente importantes, tais como, variação de temperatura ambiente e/ou nos trilhos e índices pluviométricos. A melhoria da previsibilidade gera ganhos potenciais operacionais e financeiros (aumento de receita e redução de CAPEX), além de mitigação de riscos operacionais (ambientais, sociais, jurídicos, regulatórios, produção e de imagem da empresa) e riscos pessoais.
Consequentemente, esforços e investimentos coordenados em prol da geração de bases de dados de boa qualidade e confiáveis e em quantidade adequada são necessários para que tecnologias de inteligência artificial, em específico, aprendizado de máquina, venha a agregar de forma crescente valor às empresas.

Palestrante

Marcelo Ferreira Soares

Analista Operacional Sênior

Engenheiro Civil Formado pela UERJ

Mestre em Engenharia e Gestão de Processos e Sistemas;
Profissional de Manutenção de Via Permanente com Experiência;
Em Manutenção de Campo, Engenharia, Planejamento e Controle de Manutenção e Gestão de Projetos;
Analista Operacional Sênior No PCM De Via Permanente VLI.

Patrocínio Diamante
Patrocínio Ouro
Patrocínio Prata
Patrocínio Individual
Parceiros
Apoio Institucional
Empresas Parceiras
Apoio de Mídia
Realização Logo AEAMESP
Associação dos Engenheiros e Arquitetos de Metrô

Rua do Paraíso, 67 - 2 andar - São Paulo - SP - CEP 04103-000

(11) 3287-4565 - (11) 3284-0041 - www.aeamesp.org.br

eventos@aeamesp.org.br

Comercialização Logo Via Brasil Comunicação
Via Brasil Comunicação
Sobre os cookies em nosso site

Nós usamos cookies para compreender o que o visitante do evento precisa e melhorar sua experiência como usuário. Ao clicar em “Aceitar” você estará de acordo com o uso desses cookies. Saiba mais!