Mostrar registro simples

dc.contributor.advisorBrito, Lélio Antonio Teixeirapt_BR
dc.contributor.authorGrimm, Henrique Falckpt_BR
dc.date.accessioned2023-04-27T03:31:39Zpt_BR
dc.date.issued2022pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/257527pt_BR
dc.description.abstractMuito se discute sobre o impacto de diferentes níveis de carga sobre o desempenho de pavimentos. Entretanto, no Brasil, ainda que haja postos de pesagem veicular coletando dados de forma quase ininterrupta, limitada é a disponibilidade de informação sobre os níveis reais de carregamento que trafegam nas rodovias do país. Quando da impossibilidade de se executarem campanhas de pesagem adequadas para o desenvolvimento de projetos ou análises de pavimentos, considerações são feitas a respeito do carregamento da frota, que nem sempre retratam adequadamente o carregamento real. Dessa forma, esta pesquisa analisou dados de pesagem de mais de 30 milhões de veículos em nove postos brasileiros, distribuídos nos estados de Minas Gerais, Rio de Janeiro, São Paulo e Rio Grande do Sul, de modo a investigar e retratar os níveis de carga observados na frota rodante no país. As métricas encontradas incluem classes de veículos e tipos de eixos mais comuns nas frotas comerciais, percentuais de sobrecarga, número de veículos infratores, espectros de carga e eficiência da fiscalização de cargas nas rodovias brasileiras. Como objetivo principal, a pesquisa se propôs a definir níveis de carregamento referenciais para utilização em projetos de pavimentos em diferentes regiões do Brasil. Uma metodologia foi definida a partir das métricas estatísticas obtidas para cada um dos pontos estudados, dividindo os eixos em três níveis de carregamento. Para cada nível de carregamento, foram propostos limites superior e inferior, assim como a carga de referência a ser utilizada para cada nível. Com auxílio de um algoritmo de agrupamento hierárquico baseado no conceito de aprendizado de máquina, as frotas foram divididas em quatro grupos. As distribuições médias de eixos descarregados, carregados e sobrecarregados encontradas foram de: (i) 73%, 23% e 4%, para regiões de tráfego leve; (ii) 44%, 39% e 17%, para regiões de tráfego moderado; (iii) 38%, 45% e 17%, para regiões de tráfego pesado; e (iv) 25%, 35% e 40%, para regiões de tráfego ultra pesado. No peso bruto total, 9,5% dos veículos apresentaram excessos acima do seu peso regulamentar, com sobrecarga média de 5,5%. Contudo, o estudo conclui que é grande a heterogeneidade das cargas e das frotas no Brasil, reforçando a importância da aferição das cargas rodantes para a adequada consideração das frotas de projeto.pt_BR
dc.description.abstractMuch is discussed about the impact of different vehicle load levels on pavement performance. However, in Brazil, even though there are vehicle weighing stations collecting data almost 24/7, information availability on the actual load levels of the country's truck fleet is limited. When carrying out adequate weighing campaigns for pavement design or analysis is unmanageable, considerations are made regarding the loading of the fleet, which do not always adequately portray the actual truck weights. Thus, this research analyzed weighing data from more than 30 million vehicles over nine Brazilian sites, located in the states of Minas Gerais, Rio de Janeiro, São Paulo and Rio Grande do Sul, in order to investigate and portray truck load levels observed in the country’s fleet. The metrics found include most common vehicle classes and axle types in commercial fleets, overload percentages, number of infringing vehicles, load spectra and efficiency of overload enforcement on Brazilian highways. As the main goal, the research was carried to estimate reference loading levels to be used in pavement design for different regions of Brazil. A methodology was defined based on statistical metrics obtained for each of the studied sites, dividing the axles into three loading levels. For each loading level, upper and lower limits were proposed, as well as the reference load to be used for each level. Aided by a hierarchical clustering algorithm based on machine learning concepts, the fleets were divided into four groups. The average distributions of unloaded, loaded and overloaded axles observed were: (i) 73%, 23% and 4%, for light traffic regions; (ii) 44%, 39% and 17%, for moderate traffic regions; (iii) 38%, 45% and 17%, for heavy traffic regions; and (iv) 25%, 35% and 40%, for ultra-heavy traffic regions. In terms of gross vehicle weight (GVH), 9.5% of vehicles presented excesses over their regulatory weight, with an average overload of 5.5%. However, the study concludes that the heterogeneity of loads and fleets in Brazil is pronounced, emphasizing the importance of in-site measuring of truck loads for the proper consideration of the design fleets.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectPavimentospt_BR
dc.subjectPavement designen
dc.subjectRodovias : Projeto e construçãopt_BR
dc.subjectBig dataen
dc.subjectCapacidade de cargapt_BR
dc.subjectClusteringen
dc.subjectData scienceen
dc.subjectPesagem de veículospt_BR
dc.subjectTruck overloaden
dc.subjectOverload enforcementen
dc.subjectVehicle weighingen
dc.titleEspectro de cargas em rodovias brasileiras : uma avaliação com dados em massapt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb001166552pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia Civil: construção e infraestruturapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2022pt_BR
dc.degree.levelmestradopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples