Geração de modelo via rede neural artificial para descrever o afundamento de trilha de roda

A infraestrutura viária constitui elemento essencial para o desenvolvimento socioeconômico do Brasil, sendo os pavimentos flexíveis a solução predominante em virtude de sua adaptabilidade e menor custo inicial. Entretanto, um dos principais problemas enfrentados por esse tipo de estrutura é o afundamento de trilha de roda (ATR), que compromete a segurança, o conforto e a durabilidade das rodovias. Os métodos tradicionais de dimensionamento, como o do DNER/1966, mostraram-se insuficientes para prever o fenômeno, motivando a adoção do método mecanístico empírico MeDiNa. Contudo, a aplicação plena do MeDiNa é limitada pelo elevado custo e pela complexidade dos ensaios laboratoriais exigidos. Neste contexto, este trabalho teve como objetivo desenvolver um modelo de Rede Neural Artificial (RNA) capaz de prever o ATR a partir de parâmetros do tráfego, da base e do subleito, utilizando uma base de 1250 simulações realizadas no MeDiNa. O modelo foi treinado pelo algoritmo de retropropagação, validado por métricas estatísticas (R², RMSE, SSE, MAPE) e comparado a métodos de regressão linear múltipla. Os resultados demonstraram elevado desempenho da RNA, com R² ≈ 0,998 e mínima dispersão em relação à reta de tendência 1:1, superando os modelos lineares tradicionais. A análise de sensibilidade indicou que os coeficientes estruturais Ψ4 e Ψ2 foram os mais influentes, enquanto tráfego e coeficiente de Poisson tiveram impacto secundário. Conclui-se que a RNA constitui alternativa eficiente ao MeDiNa, oferecendo contribuição metodológica e prática para o dimensionamento de pavimentos, sobretudo em regiões onde há limitações de ensaios laboratoriais.