The accurate forecast of pavement performance is crucial for Pavement Management Systems, as they guide maintenance decisions and budget allocation. With improvements in data collection, storage and processing, machine learning (ML) is gaining visibility as a behavior prediction method in the field of engineering. Several studies evaluated these algorithms potential to predict pavement serviceability, however some challenges limit its use. The pavement performance history, structural information, and traffic load characteristics are not always available on data-oriented manner. The training dataset preprocessing has great impact on the models predictive performance, is highly dependent on the modeler experience, and are not typically reported on the engineering related literature. Also, the long-term prediction using ML algorithms usually demand long historical time-series, which are not always available on a large scale. Therefore, the objective of this dissertation is to develop a methodology for the use of machine learning algorithms on the Asphalt Pavement Performance Prediction, comprehending: data collection and organization; training dataset definition; algorithm selection and configuration; and long-term performance model definition. The pavements performance was based on the Surface Maximum Deflection (D0) and International Roughness Index (IRI). To achieve this goal, the three most used ML algorithms - Support Vector Machine (SVM); Random Forest (RF); and Artificial Neural Network (ANN) - in D0 and IRI short-term prediction were tested using 10 training datasets, composed of the data collected from 21,568 traffic lane kilometers. The long-term prediction model was based: on the short-term ML model; the Markov chain principle; and the recursive method. The results indicated that ANN is the most accurate technique with a RMSE of 16x10-3mm on the D0 prediction; and a RMSE of 0.19m/km on IRI prediction. The models evaluation of the long-term prediction was obtained by the comparison of 20 pavement segments field data with simulated data. The best results were also obtained with ANN: they presented an average RMSE of 23x10-3mm on the D0 prediction; and a RMSE of 0.17m/km on IRI prediction. RF was also identified as an effective technique, generating similar results with less data preprocessing.

A previsão precisa do desempenho do pavimento é crucial para os Sistemas de Gestão de Pavimentos, pois orienta as decisões de manutenção e alocação de recursos. Com melhorias na coleta, armazenamento e processamento de dados, o aprendizado de máquina (do inglês ML) está ganhando visibilidade como método de previsão de comportamento no campo da engenharia. Vários estudos avaliaram o potencial desses algoritmos para prever serventia do pavimento, porém alguns desafios limitam seu uso. O histórico do desempenho do pavimento, informações estruturais e características de tráfego nem sempre estão disponíveis em forma de dados organizados e identificados. O pré-processamento dos dados de treinamento tem grande impacto no desempenho do modelo, é altamente dependente da experiência do modelador e normalmente não é relatado na literatura relacionada à engenharia. Além disso, a previsão de longo prazo usando algoritmos de ML geralmente exige longas séries históricas, que nem sempre estão disponíveis em larga escala. Portanto, o objetivo desta tese é desenvolver uma metodologia para o uso de algoritmos de aprendizado de máquina na Previsão de Desempenho de Pavimentos Asfálticos, compreendendo: coleta e organização de dados; definição do conjunto de dados de treinamento; seleção e configuração de algoritmos; e definição de modelo de desempenho de longo prazo. O desempenho do pavimento foi baseado na Deflexão Máxima da Superfície (D0) e no International Roughness Index (IRI). Para atingir este objetivo, os três algoritmos de ML mais utilizados na previsão de curto prazo do D0 e IRI: Support Vector Machine (SVM); Floresta Aleatória (RF); e Rede Neural Artificial (RNA), foram testados em 10 bases de dados de treinamento, compostas pelos dados coletados de 21.568 quilômetros de faixas de tráfego. O modelo de previsão de longo prazo foi baseado: no modelo de ML de curto prazo; no princípio da cadeia de Markov; e no método recursivo. Os resultados indicaram que a RNA é a técnica mais precisa com um RMSE de 16x10-3mm na previsão de D0; e um RMSE de 0,19m/km na previsão IRI. A avaliação dos modelos da previsão de longo prazo foi obtida pela comparação de dados de campo de 20 segmentos de pavimento com dados simulados. Os melhores resultados também foram obtidos com RNA: apresentaram RMSE médio de 23x10-3mm na predição D0; e um RMSE de 0,17m/km na previsão IRI. A RF também foi identificada como uma técnica eficaz, gerando resultados semelhantes, com menor pré-processamento de dados.