Big Data aplicado à tarefa de categorização de níveis de severidade de vias férreas a partir de dados de veículos sensoriais.

• Ano de defesa: 2023
• Autor(a) principal: Silva, Thales Cesar Giriboni de Mello e
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Big Data; Big Data analytics; Machine learning; Modelagem de dados; Predictive maintenance; Railtracks; Transporte ferroviário; Vias permanentes
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21112023-110140/

A manutenção da condição de vias férreas é de fundamental importância para esse setor de transporte, responsável por considerável porção do fluxo de exportação da economia brasileira. Entretanto, eventuais falhas e defeitos acarretam interrupções da via, o que pode afetar negativamente o seu tráfego. Assim, convém utilizar o estado da arte de engenharia de computação para, a partir de dados coletados por diversos sensores acoplados a Vagões Instrumentados e Carros Controle, estimar a deterioração dos componentes de uma determinada ferrovia. Para tanto, técnicas de Big Data e Ciência dos Dados são utilizadas para captar, modelar e armazenar esses registros, permitindo o emprego de técnicas de aprendizado de máquina supervisionado e não-supervisionado para a definição de níveis de severidade da ferrovia, isto é, a quantificação do estado dos componentes da via permanente em níveis discretos de operacionalidade, onde a maior severidade indica falha iminente e a menor, condições normais de operação. Esses resultados são apresentados em uma plataforma web capaz de ser acessada remotamente, possibilitando o acompanhamento in loco das predições dos modelos computacionais.