Título: Inteligência Artificial na Inspeção Ferroviária: Redes Neurais para Análise de Lastro via GPR
Autores: Felipe Augusto Tavares, Agnaldo José da Rocha Reis, Eleir Bortoleto, Glauco Ferreira Gazel Yared & Ricardo Luiz da Silva Adriano
Resumo: Este trabalho investiga o uso de Long Short-Term Memory (LSTM) e 1D convolutional neural networks(CNN 1D) na classificação automática de dados de ground penetrating radar (GPR) para avaliação de lastro ferroviário. A metodologia deste trabalho compreende três etapas: aquisição dos dados de GPR em um lastro montado em laboratório, classificação dos sinais de GPR em quatro classes: lastro bom, lastro colmatado, lastro comágua e lastro com minério, e a utilização das redes LSTM e CNN 1D para classificar o conjunto dos dados. Os resultados obtidos demonstram que ambas as redes alcançaram acurácia média superior a 99%, com a CNN apresentando menor tempo de processamento em comparação à LSTM. Esses achados evidenciam o potencial das arquiteturas na tarefa de classificação dos sinais de GPR e na identificação automatizada das diferentes condições do lastro, contribuindo para estratégias de manutenção preditiva em ferrovias.
Palavras-chave: Ground Penetrating Radar; Railway ballast; Recurrent neural networks; 1D convolutional neural networks; Automatic classification; Predictive maintenance.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191788
Artigo em PDF: CBIC_2025_paper1191788.pdf
Arquivo BibTeX:
CBIC_2025_1191788.bib