8 Budsjett og regnskap for 2011
Vedlegg 5: Orientering om INTOSAI Development Initiative
Comunicação
6.1 Introdução
Uma das dificuldades das obras lineares reside ao nível do controlo da qualidade, no sentido de garantir um bom desempenho do pavimento ou da via na fase de serviço. Na Secção 2.4 foram já referidas as duas filosofias possíveis para o controlo da compactação, nomeadamente, o controlo de procedimento e o controlo de resultado, assim como justificada a utilização de ambas metodologias.
As recomendações resultantes da experiência em França, baseadas em estudos e conhecimentos adquiridos em todo o território francês, apresentam um conjunto de heurísticas que orientam os trabalhos relativos aos aterros de geomateriais, particularmente os da sua compactação. Embora relativas à realidade francesa, as especificações do guia GTR foram igualmente adoptadas por outros países, nomeadamente Espanha, e pelo que se sabe, conseguindo uma boa abrangência de casos e igualmente bons resultados para a compactação [Ubarri et al., 1989]. Contudo, Ubarri et al. [1989] indicam como dificuldade de aplicação desta metodologia em Espanha a diversidade das condições climatéricas neste país, que são entre muito húmidas a quase desérticas. Além disso, o facto dos solos possuírem características muito diferentes, pelo que exigem tratamentos muito díspares.
O sucesso no trabalho de compactação em Portugal, adoptando a filosofia francesa, passará por uma adaptação das suas recomendações à realidade do nosso país. Neste contexto, o presente estudo desenvolveu modelos de relacionamento das variáveis envolvidas nas tarefas de compactação, apoiados no sistema integrado da base de dados
GTR. Além disso, com recurso a técnicas de optimização, conduziu também à evolução de uma análise individual material-compactador para uma avaliação do binómio “conjuntos de materiais parque de compactadores”.
No presente capítulo apresenta-se o protótipo do Sistema Pericial para Apoio à
Optimização da Compactação de Geomateriais em Vias de Comunicação (COPS), o qual visa constituir uma plataforma de apoio à decisão junto dos intervenientes na tarefa de compactação. Será apresentado o protótipo, enunciando os requisitos do sistema, as tecnologias de desenvolvimento adoptadas, a arquitectura do sistema, e o processo de aquisição de conhecimento para o sistema.
6.2 Requisitos
Para o sistema desenvolvido foram definidos os objectivos seguintes:
- automatizar a informação das condições de compactação em função do tipo de geomaterial, condições de estado e tipo de equipamento de compactação, recorrendo a modelos obtidos no processo de Data Mining sobre a base de dados
- optimizar a tarefa de compactação, procurando a selecção de um conjunto de compactadores, o qual permite, para as condições e materiais conhecidos, por um lado um menor custo para o trabalho de compactação, e por outro a execução do trabalho de compactação num prazo definido;
- implementar uma interface com o utilizador baseada num menu, a qual permite a escolha de uma opção de estudo relativa à tarefa de compactação, desencadeando um processo interactivo com o utilizador através de sucessivas perguntas e recomendações, terminando com o output da informação pretendida. Tendo em conta os requisitos enunciados, foi desenvolvido um protótipo no ambiente R, com incorporação da biblioteca de Data Mining RMiner e o pacote de optimização por algoritmos genéticos genalg, com vista ao output das condições de compactação e determinação do parque óptimo de compactadores, respectivamente.
6.3 Arquitectura
A arquitectura do protótipo assenta na estrutura típica de um Sistema Baseado em Conhecimento (Figura 6.1). O utilizador especifica num primeiro momento as variáveis conhecidas (Materiais, Energias, etc.) e o sistema submete essa informação aos modelos de previsão e aos algoritmos de procura, apresentando como output a informação pretendida. Note-se que, neste caso, a implementação dos algoritmos de procura implica sempre a utilização dos modelos de previsão, pois estes algoritmos alimentam-se das previsões efectuadas. O output referido pode ser, a montante, a classificação de um material ou compactador, a informação sobre as condições de compactação para os duetos Material-Compactador e, mais a jusante, a constituição óptima do parque de compactadores.
NÚCLEO DO SISTEMA
Memória
de Trabalho Base de Dados
Base de Conhecimento T E R F N A C I E .RData Memória do R R: RMiner; AP .RData
Figura 6.1 Arquitectura do sistema
O Núcleo do Sistema consiste num código desenvolvido no âmbito do presente trabalho, o qual é executado no ambiente R e recorre, numa primeira instância, à biblioteca RMiner para a aplicação dos modelos de DM aos dados, permitindo a determinação e output das condições de compactação. Numa segunda instância, o Núcleo do Sistema socorre-se de um Algoritmo de Procura (AP) para a selecção de um parque de compactadores obedecendo a determinado propósito.
A Base de Conhecimento do sistema traduz-se fundamentalmente por regras e modelos armazenados como objectos do R, representando o conhecimento sobre o problema usando um formalismo de representação do tipo sub-simbólico, uma vez que se tratam de modelos de previsão do tipo Rede Neuronal Artificial.
A Memória de Trabalho do sistema é a memória do R, pois aqui é armazenada toda a informação apurada pelo sistema, desde os dados de entrada às previsões para as
condições de compactação. O processo de optimização apenas requer memória na fase de processamento, uma vez que é um processo “fugaz”.
A Base de Dados que contém os registos traduzindo as modalidades de compactação, utilizada no processo de Data Mining e ficando, por isso, armazenada na memória do R, não é acedida directamente pelo sistema, podendo no entanto ser futuramente acedida e actualizada.
Uma das funções fundamentais implementadas no ambiente do R, essencial ao funcionamento do sistema, é aquela que permite reproduzir as condições de compactação tal como mostradas nas Tabelas de Compactação. Esta função, partindo do conhecimento das variáveis a montante, particularmente o tipo de material, a classe do compactador, e igualmente a energia de compactação no caso dos aterros, usa os modelos de Data Mining para determinar as condições de compactação (Figura 6.2). Numa primeira fase, faz-se a previsão do valor de Q/S através do modelo de Rede Neuronal Q/S ~ Material + Compactador (+ Energia, no caso do aterro), prevendo-se seguidamente o valor de e*V através do modelo também de Rede Neuronal e*V ~
Material + Compactador (+ Energia, no caso do aterro) + Q/S. Associando a cada par
Material-Compactador uma velocidade e/ou espessura aconselháveis (de encontro ao dito no último parágrafo da Secção 4.3 relativa à base de dados GTR), ou então, definidos pelo utilizador dentro de limites controlados, deriva-se do valor de e*V o parâmetro eventualmente em falta (e ou V). Conhecendo os valores das variáveis Q/S, espessura e V, as restantes condições de compactação podem ser determinadas através das relações conhecidas da filosofia GTR:
S / Q e N = e (6.1) Q/L= 1000×(Q/S)×V . (6.2)
Figura 6.2 Fluxograma para determinação das condições de compactação
Os parâmetros determinados da forma descrita no parágrafo anterior, para cada dupla Material-Compactador considerada, alimentam o processo de optimização, como já descrito na Secção 5.3.2 e mostrado na Figura 5.5. Neste caso, o protótipo, com base em determinado critério de desempenho, fornece uma combinação de compactadores seleccionada de um espaço mais ou menos amplo.
6.4 Interface
A Interface inicial do sistema com o utilizador é um MENU (Figura 6.3) para selecção do estudo a efectuar, o qual poderá incidir na classificação de um material ou compactador, na determinação das condições de compactação ou então na optimização de estaleiros de compactação. Depois de seleccionada uma opção, o sistema questiona o utilizador sobre a informação necessária para continuar o estudo (Figura 6.4). Depois de o utilizador fornecer todos os dados necessários ao protótipo, este calcula e mostra a informação pretendida de forma alfanumérica e eventualmente gráfica (Figura 6.5).
Figura 6.3 Interface inicial do sistema
Figura 6.4 Interface interactivo do protótipo
São seguidamente apresentados, de forma sucinta, os estudos permitidos pelo sistema, de acordo com o menu mostrado na Figura 6.3:
1. Classificar um material: Através do conhecimento dos parâmetros de
caracterização do material determinados em ensaios laboratoriais, nomeadamente, de natureza, de estado e de comportamento mecânico, é feita a classificação do geomaterial.
2. Classificar um compactador: Introduzindo os parâmetros preconizados para a
classificação de um compactador dentro de cada família (ver Secção 2.3.2), é feita a sua classificação.
3. Determinar parâmetros individuais de compactação para um compactador:
Especificando a sub-classe segundo a natureza do material e a classe do compactador, assim como o tipo de camada (de aterro ou de leito do pavimento), e igualmente o nível de energia tratando-se de camada de aterro, podendo ainda especificar-se uma espessura de camada e/ou velocidade para o compactador, reproduzem-se as condições de compactação.
4. Comparar parâmetros individuais de compactação entre os vários
compactadores: Conhecida a sub-classe segundo a natureza do material, e também o nível de energia tratando-se de camadas de aterro, podendo igualmente especificar-se uma espessura de camada e/ou velocidade para o compactador, comparam-se os parâmetros individuais de compactação para os vários compactadores contemplados nas Tabelas de Compactação. Os compactadores são ordenados em termos do seu rendimento individual.
5. Optimizar a espessura numa perspectiva individual: Conhecida a sub-classe
segundo a natureza do material, e igualmente o nível de energia tratando-se de camadas de aterro, assim como o parque de compactadores disponíveis, mostram-se as condições de compactação para cada um dos compactadores indicados, que permitem um maior rendimento para os mesmos.
6. Optimizar a espessura numa perspectiva de conjunto: Identificada a sub- classe segundo a natureza do material, e também o nível de energia tratando-se de camadas de aterro, assim como o parque de compactadores disponíveis e correspondentes parâmetros de eficiência (L e k), determina-se a espessura que maximiza o rendimento do conjunto de máquinas a operar simultaneamente, identificando-se igualmente os compactadores compatíveis com o material em questão. Neste caso, é igualmente mostrada uma representação gráfica
Rendimento prático versus espessura (Figura 6.5).
7. Optimizar pequeno parque de compactadores minimizando Tempo x Custo
numa obra linear com frentes de trabalho alternadas: Contempla-se aqui a
situação em que o trabalho de compactação é feito alternadamente entre tramos, apenas se executando um troço, com determinado material de cada vez, estando nesse momento o parque de compactadores integralmente nessa frente. Neste caso, terá que ser fornecida ao sistema informação, tanto relativa aos Materiais, quanto respeitante aos Compactadores. Para os primeiros será necessário conhecer a sua classe afecta a cada uma das frentes, os volumes a compactar, as
espessuras e também para o caso dos aterros as energias a adoptar. Para os compactadores será preciso comunicar ao sistema a sua classificação, os seus parâmetros de eficiência (k e L) e o seu custo horário. Será igualmente necessário conhecer, naturalmente, o prazo de execução global para a tarefa de compactação.
O sistema proporá um parque de compactadores, com dimensão máxima definida pelo utilizador e seleccionado de entre o conjunto de compactadores disponíveis, o qual minimiza o custo de compactação traduzido pelo produto
Tempo de Execução Global (em horas) x Custo Horário do Parque de
Compactadores na Obra (em €/h). Note-se, que neste caso a procura é feita em
todo o universo de soluções possíveis, pelo que a solução será, em condições normais, infalível.
8. Optimizar pequeno parque de compactadores minimizando Prazo - Tempo
numa obra linear com frentes de trabalho alternadas: Idem do primeiro
parágrafo de 7.
O output do sistema será, neste caso, uma combinação de compactadores, com dimensão máxima definida pelo utilizador e seleccionada de entre o conjunto de compactadores disponíveis, a qual minimiza a diferença (Prazo de Execução – Tempo de Execução Global). Neste caso, a procura é feita igualmente em todo o universo de soluções possíveis, pelo que a solução será, em princípio, a melhor. Acrescente-se que o custo determinado aqui, é apenas uma consequência do parque de compactadores seleccionado, apenas influenciando na selecção no caso de empate.
9. Optimizar grande parque de compactadores minimizando Tempo x Custo
numa obra linear com frentes de trabalho alternadas: Idem do 1.º parágrafo
de 7. Adicionalmente será necessário optar pelo tipo de abordagem evolucionária a utilizar na busca da solução: uma estratégia evolutiva ou um algoritmo genético.
O sistema proporá um parque de compactadores, com tamanho definida pelo utilizador e escolhido de entre o conjunto de compactadores disponíveis, o qual minimiza o custo de compactação traduzido pelo produto Tempo de
Execução Global (em horas) x Custo Horário do Parque de Compactadores na
Obra (em €/h). Saliente-se que, neste caso a procura é feita adoptando um
algoritmo evolucionário, que iterativamente evolui em busca de uma melhor solução, sendo que a solução retornada na última iteração poderá ser ou não a melhor, mas com a garantia de ser uma boa solução.
10. Optimizar grande parque de compactadores minimizando Prazo - Tempo
numa obra linear com frentes de trabalho alternadas: Idem do 1.º parágrafo
de 7.
Será agora determinado, um parque de compactadores, com dimensão definida pelo utilizador e seleccionado de entre o conjunto de compactadores disponíveis, o qual reduz a diferença (Prazo de Execução – Tempo de Execução
Global). Neste caso a procura é feita adoptando um algoritmo genético, que iterativamente evolui em busca de uma solução eficiente.
11. Optimizar parque de compactadores minimizando Tempo x Custo numa
em que o trabalho de compactação é feito com frentes simultâneas, ou seja, começa-se com n frentes (ou troços), passando depois para n-1 quando terminada uma delas e assim sucessivamente até que reste apenas uma frente. Terá que ser fornecida ao sistema informação tanto relativa aos Materiais quer respeitante aos Compactadores. Para os primeiros será necessário conhecer a sua classe afecta a cada uma das frentes, os volumes a compactar, as espessuras e também para o caso dos aterros as energias a adoptar. Para os compactadores será preciso comunicar ao sistema a sua classificação, os seus parâmetros de eficiência (k e L) e o seu custo horário.
O sistema mostrará neste caso, para além do parque de compactadores que minimiza o custo de compactação traduzido pelo produto Tempo de
Execução Global (em horas) x Custo Horário do Parque de Compactadores na
Obra (€/h), o esquema de distribuição dos recursos de uma forma numérica.
Neste caso, a procura é feita adoptando um algoritmo genético, que iterativamente evolui em busca de uma solução mais favorável.
12. Optimizar parque de compactadores minimizando Prazo - Tempo numa
obra linear com diferentes frentes de trabalho simultâneas: Idem do primeiro
parágrafo de 11.
O sistema proporá desta feita, para além do parque de compactadores que reduz a diferença (Prazo de Execução – Tempo de Execução Global), o esquema de distribuição dos recursos de forma numérica. Aqui, a busca é feita adoptando um AG que, entre gerações, evolui na procura de uma solução eficiente.
6.5 Resultados e Discussão
A classificação dos materiais e dos compactadores é feita, pelo protótipo desenvolvido, com base em regras adaptadas do guia GTR, sendo por isso fiável. Exemplifica-se na Figura 6.6, mostrando um fluxograma para classificação de geomateriais segundo a sua natureza.
Relativamente à automatização das condições de compactação, a elevada fiabilidade dos modelos de previsão aliada a um critério de arredondamento em múltiplos de 5 cm para espessuras e 0.5 km/h para velocidades, permitem um sucesso na reprodução de casos para as condições de compactação próximo dos 100 %.
É certo que o estudo desenvolvido permitiu obter modelos de previsão para parâmetros de difícil interpretação, estabelecendo e quantificando as suas dependências. Por outro lado, o guia GTR apresenta já uma catalogação completa das modalidades de compactação relativas aos duos Material-Compactador. Neste segundo sentido, poderia ser argumentada a falta de inovação, uma vez que os modelos de previsão obtidos acabam por apenas replicar as Tabelas de Compactação.
A verdade é que, a detecção de determinados padrões nos dados e a abrangência permitida pelos modelos obtidos do Data Mining, conduzem à proposta de uma versão simplificada das tabelas de compactação (Tabelas 6.I e 6.II). Terão estas como único entrave a obrigatoriedade de utilização de meios computacionais para os modelos de previsão, embora as novas tecnologias permitam uma elevada mobilidade para estes sistemas (e.g., é mais simples transportar um PDA do que um livro). As tabelas simplificadas apresentam um formato claramente mais compacto do que a versão original, com vantagens óbvias.
Embora os modelos de previsão possam apresentar-se segundo uma função matemática, a sua complexidade inviabiliza o seu cálculo manual. Por exemplo, o modelo mais simples para previsão de Q/S, uma relação linear, teria, fruto dos desdobramentos das variáveis nominais 33 coeficientes (intercepção + 14 coeficientes associados aos materiais + 15 factores associados aos compactadores + 3 coeficientes associados à energia). Para o caso das redes neuronais, modelo mais fiável, teríamos que considerar mais de 400 pesos e uma quinzena de funções de activação, com uma estrutura não linear.
O modo de utilização das tabelas de compactação simplificadas é idêntico ao utilizado no guia GTR, apenas com as variantes de utilização dos modelos baseados em redes neuronais M1, M2 e M3, e observação do quadro de compatibilidades entre materiais e compactadores.
Tabela 6.I Tabela de compactação simplificada para utilização dos materiais em aterro Compactador e (m) 0.3 M2 V (km/h) 5 2 M3 2.5 2 M2 8 e (m) 0.3 M2 V (km/h) 5 2 M3 2 2 M2 8 e (m) 0.3 M2 V (km/h) 5 2 M3 2 2 M2 8 N = e/(Q/S) Q/L (m3/h.m) = 1000xQ/SxV
M1: Q/S ~ Material + Compactador + Energia M2: e*V ~ Material + Compactador + Energia + Q/S
M3: V ~ Material + Compactador + Energia + Q/S (apenas considerando os dados incluindo os compactadores V3 a V5) V3 a V5
Q/S (m)
Qualquer Tipo de Material
Energia Pesada P1 a P3 M2 M2 M2 Modalidade Energia Leve Energia Média SP1 e SP2 VP1 e VP2 M1 VP3 a VP5 V1 e V2 Compatibilidades: P1 P2 P3 V1 V2 V3 V4 V5 VP1 VP2 VP3 VP4 VP5 SP1 SP2 L M I x L M x I x x L x M x x x I x x L M I L M I L M I x L M I x L M I x L M x I x L M I L M I L M I L M x I x Energia L Leve M Média I Pesada
Combinação não conveniente x Só existe gama baixa de velocidade R21, R41, R61 R3 C2A1, C2B2, C2B4, C2B5 C2A2, C2A3, C2B6 D3, C2B1, C2B3 R1 B2, B4, C1B2, C1B4 B5, C1B5 B6, C1B6 A1, C1A1 A2, C1A2 A3, C1A3 B1, B3, D1, D2, C1B1, C1B3
Tabela 6.II Tabela de compactação simplificada para utilização dos materiais em leito do pavimento Compactador 0.2 a 0.3 M2 5 2 M3 2 2 M2 8 N = e/(Q/S) Q/L (m3/h.m) = 1000xQ/SxV M1: Q/S ~ Material + Compactador M2: e*V ~ Material + Compactador + Q/S
M3: V ~ Material + Compactador + Q/S (apenas considerando os dados incluindo os compactadores V3 a V5) Modalidade
Q/S (m)
Qualquer Tipo de Material P1 a P3 e (m) V (km/h) M1 M2 SP2 VP2 VP3 a VP5 V1 e V2 V3 a V5 Compatibilidades: P1 P2 P3 V1 V2 V3 V4 V5 VP1 VP2 VP3 VP4 VP5 SP1 SP2 A1 x A2 x x A3 x x x B1, B3, D1, D2, C1B1, C1B3 B2, B4, C1B2, C1B4 B5, C1B5 B6, C1A1, C1A2, C1A3, C1B6, C2A1, C2A2, C2A3, C2B2, C2B4, C2B5, C2B6 x D3, C2B1, C2B3 R1 x x R21, R41, R61 R22, R23, R42, R62 x
Combinação não conveniente x Só existe gama baixa de velocidade
No que respeita à optimização foram já mostradas algumas experiências na Secção 5.4, feitas para simulações de obras. O sistema mostrou em geral potencialidades requerendo, no entanto, um processo de validação com casos reais de obras. A grande flexibilidade dos algoritmos de busca utilizados poderá permitir a consideração de cenários e critérios distintos dos considerados neste estudo, para a tarefa de compactação. As aplicações numeradas como 11 e 12 no menu do sistema, ainda que implementadas, não fornecem soluções válidas. Este problema espera-se resolver no futuro, tratando nestes casos o problema de optimização como multi- objectivo.
Para o protótipo desenvolvido pensa-se igualmente, que a sua validação e o suporte a futuras actualizações e desenvolvimentos passaria pelo seu emprego no meio real, por profissionais com funções decisoras na tarefa de compactação. Esta é por certo, uma das técnicas de validação usualmente adoptadas para os sistemas baseados em conhecimento.
Capítulo 7. Conclusões e Trabalho Futuro
7.1 Síntese
O trabalho realizado englobou matérias distintas, nomeadamente, a Compactação de Geomateriais enquadrada na Engenharia Civil e a Inteligência Artificial englobada na área de Tecnologias e Sistemas de Informação. Foi neste sentido necessário, aprofundar o conhecimento sobre a Compactação de Geomateriais e fazer uma iniciação à Inteligência Artificial. Foram identificadas as principais contribuições no domínio conjunto, ou seja, estudos envolvendo a aplicação de técnicas de Inteligência Artificial a trabalhos geotécnicos, em particular à Compactação.
A junção dos domínios alvejou a aplicação do processo de Data Mining (DM) aos dados contidos no Guide Terrassements Routiers (GTR), tendo sido obtidos padrões e tendências sobre estes dados, representados essencialmente na forma de modelos de DM. Pela fiabilidade e validade física obtidas destacam-se os modelos para previsão do parâmetro Q/S e do produto e*V. De maneira geral a técnica de Data Mining que se ajustou melhor ao problema em estudo foi a baseada em redes neuronais, ainda que a técnica de máquinas de vectores de suporte mostre um melhor desempenho na previsão de e*V no caso das camadas em aterro.
Identificaram-se igualmente, quer o significado, quer o relacionamento de certas variáveis envolvidas nas tarefas de compactação. Admitindo à partida a dependência do parâmetro Q/S relativamente às variáveis Material, Compactador e Energia, a análise de sensibilidade mostrou uma forte relação entre Q/S e a Energia. A variável resultante do produto e*V mostrou um forte relacionamento com Q/S, possuindo neste caso a variável Material uma reduzida importância. Para o caso das camadas de leito do pavimento a escassez de dados conduziu a uma menor qualidade dos modelos ajustados. Neste caso, o ajuste de Q/S depende em maior medida da variável Material, enquanto que e*V depende fundamentalmente do Compactador e do parâmetro Q/S.
Encarou-se de duas formas distintas o problema de optimização da compactação, procurando-se, por um lado obter a solução mais económica, e por outro lado procurar a solução que permite a compactação num período de tempo estabelecido. Os algoritmos evolucionários utilizados permitem tratar os problemas de maior cardinalidade, incomportáveis para a pesquisa “cega”. Enquanto que o algoritmo genético mostra uma