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.

Railroad maintenance is of critical importance for that transportation sector, which is responsible for a significant portion of Brazilians exports. As such, occasional failures and defects can result in flow interruptions, which may negatively impact the output of the system. Therefore, it is desirable to use the state-of-the-art computer engineerings methods for developing a predictive algorithm for rail components deterioration estimation, using as input a variety of sensorial data gathered from instrumented ore wagons and track geometry control cars. For that goal, Big Data techniques are employed to capture, model and store these readings, paving the way for supervised and unsupervised machine learning algorithms to be used to train a model able to define a quantification of the rail component state into discrete operational levels, or severity levels for the railroads condition, where the greatest severity would indicate an imminent geometry defect, and the lowest would point to normal conditions. These results are then presented through a web application that can be remotely accessed, allowing for the in loco follow-up of the computational models predictions.