ANÁLISE ESPECTRAL DOS DADOS COLETADOS POR SMARTPHONES PARA A AVALIAÇÃO DA IRREGULARIDADE LONGITUDINAL DOS PAVIMENTOS. Código: 9953

(1)

ANÁLISE ESPECTRAL DOS DADOS COLETADOS POR SMARTPHONES PARA A AVALIAÇÃO DA IRREGULARIDADE LONGITUDINAL DOS PAVIMENTOS

Código: 9953

RESUMO

A irregularidade longitudinal dos pavimentos afeta a qualidade de rolamento, os Custos Operacionais dos Veículos (COV) e a taxa de deterioração do pavimento. Boa parte dos métodos utilizados para sua mensuração apresentam um desequilíbrio entre acurácia, custos e produtividade, que dificulta a coleta contínua de dados importante para um Sistema de Gerência de Pavimentos (SGP). Alguns estudos têm relacionado a irregularidade longitudinal dos pavimentos com os sinais medidos pelos sensores de movimento (acelerômetros) instalados em smartphones, devido ao seu baixo custo, fácil operação e alta produtividade. Entretanto, ainda existem incertezas sobre a qualidade e a forma de aplicação desses dados. Neste estudo, comparou-se o espectro dos sinais medidos por um smartphone e um acelerômetro piezoresistivo fixados ao painel de um veículo trafegando a diferentes velocidades (20, 40 e 60 km/h) sobre pavimentos com diferentes níveis de irregularidade (baixa, média e alta). Os testes mostraram ser a taxa de aquisição de dados dos smartphones o principal fator a afetar sua aplicação para a avaliação da irregularidade longitudinal dos pavimentos.

ABSTRACT

Longitudinal pavement roughness affects the rolling quality, the Vehicle Operating Costs (VOC) and the rate of pavement deterioration. Much of the methods used for its measurement show an imbalance between accuracy, costs and productivity, which complicate the continuous data collection, important for a Pavement Management Systems (PMS). Some studies have linked longitudinal pavement roughness with the signals measured by the motion sensors (accelerometers) installed on smartphones, due to their low cost, easy operation and high productivity. However, there are still uncertainties about the quality and form of application of such data. This study compared the spectrum of the signals measured by a smartphone and a piezoresistive accelerometer attached to the dashboard of a vehicle traveling at different speeds (20, 40 and 60 km/h) on pavements with different levels of roughness (low, medium and high). The tests showed the data acquisition rate of smartphones as the main factor to affect their application for the evaluation of pavement roughness.

(2)

INDRODUÇÃO

A irregularidade longitudinal dos pavimentos causa vibrações nos veículos, sentidas como acelerações verticais por condutores e passageiros. A resposta dessas acelerações depende da velocidade do veículo e das características do pavimento, tais como a quantidade e comprimento de onda dos defeitos presentes no revestimento (deformações permanentes, remendos desnivelados, corrugações e panelas) e do próprio tipo de revestimento. Essas acelerações podem ser medidas por smartphones, por meio de sua fixação no painel, no para-brisas ou na saída de ventilação de um automóvel, a fim de medir suas acelerações verticais.

Vários dispositivos eletrônicos, hoje comuns em smartphones, viabilizaram diversas aplicações aos usuários. Isso foi possível graças à redução de vários sensores, como os acelerômetros triaxiais, giroscópios triaxiais, sensores de pressão barométrica e magnetômetros triaxiais, por meio do desenvolvimento dos MEMS - Micro-Electro-Mechanical Systems (Sistemas Micro-Eletro- Mecânicos) (Del Rosario et al., 2015). É o sensor de movimento (acelerômetro) instalado em smartphones, responsáveis por controlar a orientação da tela desses dispositivos, que permitem a mensuração das vibrações de um veículo.

Os sinais de aceleração medidos por smartphones são afetados pela velocidade do veículo no qual está fixado ou por perturbações conhecidas como “ruídos”, que são erros aleatórios gerados pelo próprio acelerômetro, pela temperatura ou outros efeitos físicos (Silva et al. 2015), como o deslocamento dos eixos do acelerômetro dos smartphones, por movimentos ressonantes do suporte veicular utilizado, pelo ronco do motor, durante a troca de marchas, em frenagens ou em curvas horizontais e verticais de uma estrada.

A saída dos acelerômetros, como os utilizados em perfilômetros inerciais, deveria ser válida independentemente de ruídos e da velocidade do veículo. Contudo, no mundo real da eletrônica e sensores imperfeitos, o ruído gerado por esses dispositivos somente poderão ser considerados aceitáveis se a aceleração medida pelo acelerômetro for significativamente maior do que o ruído. No entanto, se o sinal for do mesmo nível que o ruído, serão obtidos falsos perfis de pavimentos e, consequentemente, em um índice de irregularidade incorreto (Sayers e Karamihas, 1998).

Os acelerômetros dos smartphones possuem um sistema de coordenadas definido em relação à tela frontal do aparelho, na qual um valor positivo de aceleração no eixo X é horizontal e aponta para a direita, no eixo Y é vertical e aponta para cima, e no eixo Z aponta na direção do exterior da face frontal da tela do smartphone. Os eixos não são trocados quando a orientação da tela do dispositivo muda, a não ser em um impacto mecânico brusco. Existem vários aplicativos que podem registrar as acelerações medidas pelos acelerômetros instalados nos smartphones.

Vários pesquisadores têm utilizado os sinais de aceleração medidos por smartphones para o cálculo do IRI (International Roughness Index) (Hanson e Cameron, 2012; Forslof e Jones, 2015; Buttlar e Islam, 2014; Hanson et al., 2014) ou para correlacionar a frequência desses sinais com a irregularidade longitudinal dos pavimentos (Douangphachanh e Oneyama, 2014). O cálculo do IRI é realizado pelo processamento dos sinais de aceleração para a obtenção de deslocamentos verticais resultantes das vibrações do veículo ao passar sobre um determinado pavimento, medido ao longo de uma distância percorrida, dado em unidades de m/km.

O processamento é baseado no cálculo de deslocamento a partir da dupla integral da aceleração. No entanto, o integração direta dos sinais de aceleração medidos por smartphones pode resultar em deslocamentos que não correspondem aos reais movimentos de vibração do veículo. Em primeiro

(3)

lugar, há o problema das condições iniciais desconhecidas, ou seja, da velocidade e posição iniciais. Há também os problemas causados pelos ruídos. Por isso, o cálculo adequado exige a utilização de técnicas de processamento de sinais, como a utilização de filtros digitais, que possibilitem a redução de erros de integração causados pela entrada de dados indesejáveis (Minh Do e Chi Le, 2013).

MÉTODO

Analisou-se a influência do espectro das acelerações verticais medidas por um smartphone modelo Samsung Galaxy S5 Mini, coletadas em três perfis de pavimentos com diferentes níveis de irregularidade (baixa, média e alta), para que assim fosse obtida uma faixa suficiente de dados que serviram de base para a análise de consistência dos resultados alcançados pelo smartphone. Os trechos apresentam 500 metros de comprimento, sem curvas ou rampas acentuadas, de modo a reduzir a influência dessas variáveis nos resultados da pesquisa. Esses segmentos foram escolhidos a partir do uso do smartphone para medir as vibrações do veículo e encontrar pavimentos com faixas de irregularidade distintas, uma vez que a aceleração vertical experimentada durante a viagem num veículo está intimamente relacionada com o nível de irregularidade do pavimento (Haas et al., 1994). Desse modo, três trechos foram selecionados. Um segmento da Estrada Municipal Guilherme Scatena, localizada em São Carlos - SP (Figura 1a) foi escolhido como o de maior nível de irregularidade. O trecho é rota de muitos caminhões carregados com brita e cana-de-açúcar, além de apresentar muitos remendos desnivelados. Um segmento da pista do Aeroporto Bartolomeu de Gusmão localizado em Araraquara – SP (Figura 1b) foi escolhido como o trecho de menor nível de irregularidade e para a condição intermediária foi selecionado uma seção da via interna da Embrapa (Empresa Brasileira de Pesquisa Agropecuária) localizada em São Carlos – SP (Figura 1c).

(a) (b) (c)

Figura 1. Segmentos de estrada utilizados no levantamento dos dados: Estrada Municipal Guilherme Scatena (a), pista do Aeroporto Bartolomeu de Gusmão (b) e via interna da Embrapa (c)

Para coletar os dados do smartphone, utilizou-se o aplicativo AndroSensor, por permitir a obtenção dos sinais do GPS e dos acelerômetros de smartphones desenvolvidos em plataforma Android. O software fornece as coordenadas (latitude e longitude) e os sinais de aceleração simultaneamente, com a saída de dados em planilhas eletrônicas. O usuário pode optar pela taxa de aquisição das acelerações medidas e pela velocidade de gravação dos dados. Optou-se pela maior velocidade de atualização dos dados possível "Muito Rápido", que varia de acordo com a capacidade de processamento do smartphone. No caso do smartphone utilizado nesta pesquisa, alcançou-se uma taxa média de aquisição de dados de 50 Hz (dados por segundo). A aplicação de maiores taxas de

(4)

aquisição de dados resultou em muitos dados repetidos. O intervalo de amostragem em termos de distância percorrida depende da velocidade do veículo, isto é, quanto menor a velocidade, menor o intervalo de amostragem. Com uma velocidade de 60 km/h e uma taxa de aquisição de dados de 50 Hz, por exemplo, tem-se um valor de aceleração a cada 33 centímetros estrada.

Foram avaliados alguns modelos de suporte veicular para smartphones. Percebeu-se que boa parte dos suportes, mesmo com o cuidado na fixação do aparelho, permitiam a “flutuação” do smartphone devido a flexibilidade do material, pela presença de rótulas ou pela montagem em balanço, que podem resultar em vibrações ressonantes e, consequentemente, perda de fidelidade na leitura dos movimentos do corpo do veículo. Como citam Jones e Forslof (2015), poucos modelos de smartphone apresentam “bons” suportes, ou seja, adequados para esse fim. Por esse motivo, optou-se pelo uso de um adesivo antiderrapante conhecido como “tapete mágico”. Utilizado no painel do veículo, o material adesivo de gel sílica permite que o dispositivo seja firmemente fixado ao corpo do automóvel. Nesta posição, o aparelho mediu as acelerações perpendiculares ao eixo longitudinal do veículo (eixo Z do smartphone). Os levantamentos ocorreram nas velocidades de 20, 40 e 60 km/h. Questões técnicas e de segurança impediram o uso de velocidades acima de 60 km/h.

Para confrontar os resultados obtidos pelo smartphone, foi utilizado um acelerômetro piezoresistivo, com seleção da taxa de aquisição de dados em 1000 Hz, por meio de um conjunto formado por uma placa de aquisição de dados, com 8 canais de entrada analógicos de 14 bits de sensibilidade, com capacidade para taxas de aquisição de até 48.000 amostras por segundo. Esses componentes foram conectados com filtro analógico de 100 Hz e digitalizados com filtros passa-baixa ButterWorth de segunda ordem em 100 Hz.

O acelerômetro é útil para coletas de campo e capaz de responder em frequências maiores que as do smartphone e, por isso, permite a coleta de dados com maior frequência por meio de uma placa de aquisição. Elaborou-se um software em plataforma LabVIEW para obtenção dos sinais do acelerômetro piezoresistivo, o qual foi montado sobre a tela do smartphone, de modo que os dois medissem seus sinais na mesma direção, perpendicular ao eixo longitudinal do veículo, da marca Volkswagen, modelo Gol G2, motor 1.0, ano 2004. Para reduzir a influência dos erros causados pela idade e rodagem, o veículo foi alinhado e balanceado, e dotado de novo jogo de amortecedores. Os pneus foram calibrados em 30 psi antes de cada coleta.

ANÁLISE DOS RESULTADOS

Os sinais de aceleração fornecidos pelo smartphone e acelerômetro piezoresistivo foram analisados no domínio da frequência, por meio de uma Transformada de Fourier. Os gráficos foram plotados com frequência superior limite de 100 Hz, porque acima desse valor surgiram apenas eventos de menor magnitude, com amplitude aproximadamente constante, relacionadas ao ruído produzido pelo acelerômetro piezoresistivo, presente em toda a banda de frequência desse sensor. Tal sinal pode ser ignorado, pois não tem relação com a irregularidade dos pavimentos. Apesar do ruído ser um inconveniente para as análises espectrais, não apresentou amplitude relevante na banda do sinal do acelerômetro piezoresistivo quando comparado com outros eventos de maior magnitude abaixo da frequência de 100 Hz, relacionados com a resposta do veículo às irregularidades dos pavimentos. Da Figura 1 a 3 são apresentados exemplos de coletas para as velocidades de 20, 40 e 60 km/h, no segmento da Estrada Municipal Guilherme Scatena, com extensão de 500 metros, com a plotagem do espectro de frequência do sinal de aceleração fornecido pelo smartphone, com taxa de aquisição de 100 Hz, junto com a do acelerômetro piezoresistivo, com taxa fixada em 1000 Hz. Os resultados obtidos a partir da coleta dos sinais medidos pelo smartphone e acelerômetro piezoresistivo,

(5)

denominado como “Referência” na legenda dos gráficos, permitiram deduzir alguns fatos relacionados a qualidade e forma de aplicação dos sinais fornecidos pelos smartphones.

Como esperado, o espectro das acelerações obtidas pelo sensor piezoresistivo alcançaram frequências acima daquelas obtidas pelo smartphone. No entanto, para as frequências abaixo de 25 Hz, coletadas por ambos os sensores, a amplitude dos espectros dos sinais de aceleração medidos pelo smartphone muitas vezes apresentam maiores magnitudes que as do sensor de referência. Essa situação é decorrente do efeito de aliasing. Esse fenômeno ocorre quando a amostragem de um sinal ocorre em uma frequência menor que a taxa de Nyquist, que é definida como a metade da taxa de amostragem do sinal original. Nesse caso, o sinal convertido para o tempo contínuo apresenta falhas no sinal reconstruído, que não estão presentes quando o sinal original é amostrado. A consequência do efeito de aliasing no domínio da frequência é a sobreposição das frequências do sinal original e, com isso, dobra das frequências em torno da metade da taxa de amostragem. Por esse motivo, o aliasing também é conhecido como “dobra espectral”.

0,015 0,011 0,008 0,004 0,000 0 20 40 60 80 100 Frequência (Hz) Referência Smartphone

Figura 1. Sinais do smartphone e acelerômetro de referência no domínio da frequência, para o segmento da Estrada Municipal Guilherme Scatena, velocidade de 20 km/h

Eventos com magnitudes relevantes em altas frequências

Aliasing

Aliasing Eventos com magnitudes relevantes em altas frequências

M ag n it ud e [( m /s ²). s] M ag ni tude [ (m /s ²). s]

(6)

A probabilidade de ocorrência do aliasing é tanto maior quanto menor a taxa de aquisição de dados e maior a quantidade de eventos de alta frequência no revestimento do pavimento. O uso de baixas taxas de aquisição de dados para a mensuração das vibrações de um veículo pode afetar a relação entre os dados coletados pelos smartphones e a irregularidade longitudinal dos pavimentos, caso a taxa seja incompatível com a velocidade do veículo e o espectro do pavimento medido. Como o smartphone perde sua capacidade de reconhecer eventos com o aumento da frequência das vibrações, as informações que deveriam ser representadas em suas respectivas faixas de frequência acabam rebatidas dentro da banda de frequência do sinal do smartphone, que possui largura máxima igual à metade de sua taxa de aquisição, como descreve o teorema de Nyquist.

A taxa de Nyquist, por sua vez, é um limite mínimo e não um limite aceitável, já que o uso de dois pontos para a descrição de uma senoide é um valor baixo, com grande probabilidade de erros na amplitude do sinal reconstruído. Conceitualmente, é possível zerar o erro em amplitude se a amostragem do sinal original ocorrer exatamente em seus picos, mas na prática não é uma tarefa simples e, no caso da avaliação da irregularidade longitudinal dos pavimentos, impossível. Como indicado por Endo et al. (2014), para reconstruir uma senoide com erro em amplitude menor que 10 % seriam necessárias sete amostras por período de sinal reconstruído (Tabela 1). Portanto, para reduzir as chances de erro na representação de senoides, ou dos perfis dos pavimentos filtrados pelo veículo utilizado, deve-se coletar o maior número de amostras possível em cada período.

Tabela 1 - Erro na amplitude de acordo com o número de amostras por período

Número de amostras

2 3 4 5 6 7 8 9 10

Fonte: Endo et al. (2014)

Com base no teorema de Nyquist, nota-se que o espectro dos sinais de aceleração coletados pelo smartphone deixa de apresentar informações de magnitude relevantes acima de 25 Hz. Assim, ocorre um aumento de falhas na representação da aceleração na banda de frequências do aparelho devido ao

M ag n it ud e [( m /s ²). s] por período Erro mínimo (%) 0,0 13,5 0,0 4,9 0,0 2,5 0,0 1,5 0,0 Erro máximo (%) 100 50 29,3 19,1 13,4 9,9 7,6 6 4,9

(7)

efeito de aliasing. Os resultados também mostraram que os sinais de aceleração fornecidos pelo acelerômetro piezoresistivo apresenta frequências com maiores magnitudes na faixa de 10 a 15 Hz, que é a faixa de ressonância das rodas do veículo (Sayers e Karamihas, 1998).

As falhas ocorreram para todas as velocidades utilizadas no levantamento dos dados (20, 40 e 60 km/h). A diferença entre os resultados para diferentes velocidades foi o aumento da magnitude das acelerações com o aumento da velocidade. Mesmo para a estrada da Embrapa, com nível de irregularidade intermediário (Figuras 4 a 6) e para o segmento do Aeroporto Bartolomeu de Gusmão (Figuras 7 a 9), com menor nível de irregularidade, também foram detectados eventos em altas frequências de magnitudes relevantes, as quais o smartphone novamente não foi capaz de representar. Assim como nos resultados observados para a Estrada Municipal Guilherme Scatena, também houve aumento da magnitude dos sinais de aceleração obtidos com o aumento da velocidade do veículo. Mesmo em pavimentos com melhores condições de rolamento e coleta em baixas velocidades, a distribuição espectral de frequência dos pavimentos, obtidos pela resposta do veículo, apresentaram magnitudes relevantes em altas frequências para toda a banda do sinal medido pelo acelerômetro de referência. 0,0020 0,0015 0,0010 0,0005 0,0000 0 20 40 60 80 100 Frequência (Hz) Referência Smartphone

Figura 4. Sinais do smartphone e acelerômetro de referência no domínio da frequência, para o segmento da Embrapa Pecuária Sudeste, velocidade de 20 km/h

0,0075 0,0050 0,0025 0,0000 0 20 40 60 80 100 Frequência (Hz) Referência Smartphone

Aliasing Eventos com magnitudes

relevantes em atlas frequências

Aliasing M ag n it ud e [( m /s ²). s] M ag n it ud e [( m /s ²). s]

(8)

0,012 0,008 0,004 0,000 0 20 40 60 80 100 Frequência (Hz) Referência Smartphone

Figura 7. Sinais do smartphone e acelerômetro de referência no domínio da frequência, para o segmento do Aeroporto Estadual de Araraquara, velocidade de 20 km/h

Aliasing

Atenuação dos picos em altas frequências

M ag n it ud e [( m /s ²). s] M ag n it ud e [( m /s ²). s] M a g n it ude [( m /s ²) .s ]

(9)

Também foram medidos os sinais de aceleração do smartphone e acelerômetro piezoresistivo com o veículo parado e ligado, com a marcha em ponto neutro, com o objetivo de analisar se o acelerômetro estava coletando falsos eventos em altas frequências devido a algum ruído ou se os sinais medidos foram realmente decorrentes das coletas de campo. O resultado é apresentado na Figura 10.

0,004 0,003 0,002 0,001 0,000 0 10 20 30 40 50 60 70 80 90 100 Frequência (Hz) Referência Smartphone

Figura 10. Espectro das acelerações coletadas com o veículo parado, sem acelerar e com marcha em ponto neutro

Pode-se observar que há um pico pronunciado em torno de 15 Hz e outro de maior magnitude em 30 Hz. O pico de aceleração medido em torno de 15 Hz equivale à rotação de aproximadamente 900 rpm, que representa a rotação do motor do veículo quando ligado e parado, com a marcha em ponto neutro. Já o pico observado na frequência de aproximadamente 30 Hz equivale às explosões que ocorrem nos cilindros do motor. Como o motor do veículo utilizado é do tipo quatro tempos, ocorre uma explosão em um dos quatro cilindros a cada meia rotação do motor. Também é possível notar a presença do ruído em toda a banda de frequências do acelerômetro piezoresistivo, no entanto, de magnitudes insignificantes, assim como o efeito de aliasing causado pela baixa taxa de aquisição de

Aliasing Eventos com magnitudes

relevantes em altas frequências

Aliasing

Frequência de rotação do motor

Frequência das explosões nos cilindros do motor M ag n it ud e [( m /s ²). s] M ag n it ude [( m /s ²). s]

(10)

dados do smartphone, que não consegue representar o sinal medido na frequência de 30 Hz por ter a frequência de 25 Hz como limite.

Em algumas pesquisas, também foram utilizadas taxas de 100 Hz. Nessa situação, seria possível “enxergar” um espectro de até 50 Hz, o que reduziria o erro na visualização de seu espectro. No entanto, como explicado pelo teorema de Nyquist, dois pontos é um número mínimo para visualizar uma onda e pode acarretar em erros. De qualquer maneira, é preciso considerar que os pavimentos medidos em outras pesquisas apresentavam características diferentes. Com um sistema de suspensão que atenue mais as vibrações em altas frequências, por exemplo, os erros na visualização do espectro também podem ser reduzidos. Por outro lado, o uso de sistemas de suspensão rígidos para medidores do tipo resposta pode proporcionar ao veículo uma relação mais próxima com o perfil da estrada (Sayers e Karamihas). Assim, o sistema adequado vai depender das condições de medição e de como os dados serão aplicados.

A baixa taxa de aquisição de dados causa atenuação dos sinais de aceleração tanto no domínio do tempo quanto no domínio da frequência, sendo que o efeito de aliasing estará presente quando a taxa de aquisição dos dados for menor do que a taxa de Nyquist. Neste caso, os sinais de baixa frequência podem ter magnitudes maiores do que deveriam, bem como apresentar baixas magnitudes em altas frequências. Por isso, abordagens que utilizem esses dados no domínio da frequência, como na correlação entre a magnitude do espectro dos sinais de aceleração coletados por smartphones com o IRI calculado a partir dos dados coletados por um outro equipamento de referência (Douangphachanh e Oneyma, 2014) ou no cálculo da IRI, que também envolve o tratamento do sinal no domínio da frequência (Buttlar e Islam, 2014; Hanson et al., 2014; Jones e Forslof, 2015), podem chegar a resultados imprecisos.

Isso não significa que os valores de IRI calculados por outros pesquisadores estejam incorretos, pois os resultados dependem da taxa de aquisição de dados utilizada, do espectro dos pavimentos medidos, da resposta do veículo utilizado, da velocidade do veículo e do algoritmo utilizado no cálculo dos deslocamentos. Mesmo assim, o cálculo do IRI a partir dos sinais de aceleração medidos por smartphones fixados em veículos deve ser tomado com cautela. Se o interesse é aplicar diretamente os valores IRI, o cálculo deve incluir a modelagem do veículo ou assistência de outros sensores de medição de distância (laser, infravermelho, ultrassom, etc.) para remover a influência da resposta do veículo no perfil de pavimento medido. Independentemente se os deslocamentos foram calculados corretamente, a abordagem não equivale a de um perfilômetro, mesmo que a ordem de grandeza dos resultados seja semelhante. Sem a modelagem do veículo, essa abordagem requer um procedimento de calibração por meio de um método de referência como aplicado aos medidores de irregularidade do tipo resposta.

Os resultados obtidos ressaltam a importância da taxa de aquisição de dados. Recomenda-se a utilização da maior taxa de aquisição de dados possível. Isso porque não é possível conhecer de antemão as magnitudes dos sinais coletados nas estradas, as quais dependem tanto da resposta de suspensão do veículo utilizado quanto das características do pavimento mensurado.

CONCLUSÃO

A constante alimentação de um SGP com informações sobre a irregularidade longitudinal dos pavimentos ajuda não só na busca dos fatores que levam à propagação desse defeito nas rodovias, mas também no alerta dos trechos que merecem maior atenção dos engenheiros rodoviários. Alguns estudos têm focado no uso de smartphones para a mensuração da irregularidade longitudinal de pavimentos devido ao seu baixo custo, fácil operação e alta produtividade, importante para

(11)

levantamentos em nível de rede. Apesar dessas vantagens, percebe-se que os smartphones precisam passar por testes adicionais antes de serem aplicados de fato e, desse modo, apresentarem confiabilidade para levantamentos de campo.

O IRI obtido a partir dos sinais de aceleração coletados por smartphones pode alcançar valores menores do que o IRI obtido por perfilômetros. Isto porque 1) a avaliação da irregularidade longitudinal dos pavimentos por meio dos dados coletados por smartphones é baseada no método de mensuração de irregularidade do tipo resposta, isto é, parte da obtenção de um perfil de pavimento filtrado de acordo com a resposta do veículo utilizado e 2) pelo uso de baixas taxas de aquisição de dados, o que resulta na atenuação das acelerações geradas pelas vibrações do veículo que estão relacionadas com a irregularidade longitudinal dos pavimentos.

Os resultados deste estudo destacam a importância do uso de smartphones e aplicativos capazes de fornecer taxas de aquisição de dados tão elevadas quanto possível, especialmente em estradas com espectros de alta frequência, que geralmente ocorrem em pavimentos com elevados níveis de irregularidade. No entanto, isso não é uma regra. Como observado nos resultados deste estudo, a distribuição espectral das vibrações de um veículo depende de vários fatores, como a velocidade em que os dados são coletados, o perfil do pavimento, a quantidade e comprimento de onda dos defeitos presentes no revestimento do pavimento (deformações permanentes, remendos desnivelados, corrugações e panelas), assim como do próprio tipo de revestimento.

Apesar das limitações desse sistema, deve-se notar que várias pesquisas têm alcançado resultados promissores e mostram que os smartphones podem ajudar na classificação das estradas em termos de irregularidade, de uma forma simples, flexível e a um custo reduzido, com foco na alimentação de um SGP em nível de rede. Essa abordagem pode complementar a coleta de dados de outros equipamentos, utilizados com menor frequência, como os conhecidos perfilômetros inerciais. O acompanhamento da variação do nível de irregularidade do pavimento permitiria não só um uso racional de equipamentos mais robustos, mas também uma base de comparação para tais instrumentos, tidos como referência.

AGRADECIMENTOS

Os autores agradecem o apoio financeiro da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).

REFERÊNCIAS BIBLIOGRÁFICAS

Buttlar, W. G. e Islam, S. Measurement of pavement roughness using an Android-based smartphone

application. Transportation Research Record: Journal of the Transportation Research Board,

No. 2457, Transportation Research Board of the National Academies, Washington, D.C., 2014, pp. 30–38.

Jones, H. e Forslof, L. Roadroid Continuous Road Condition Monitoring with Smart Phones. Journal of Civil and Architecture 9, 2015, pp. 485-496. Disponível em: <http://www.roadroid.com/common/References/roadroid_davis.pdf>. Acesso em: 18/052016. Del Rosario M. B.; Redmond S. J. e Lovell N. H. Tracking the Evolution of Smartphone Sensing for

Monitoring Human Movement. Sensors 2015, No. 8, vol. 15, 2015, pp. 18901–18933.

Douangphachanh, V. e Oneyma, H. Estimation of road roughness condition from smartphones under

realistic settings. Proceedings of the 13th International Conference on ITS Telecommunications

(12)

Disponível em: <http://www.jwcn.eurasipjournals.com/content/pdf/1687-1499-2014- 114.pdf>. Acesso em: 03/05/2015.

Endo, M. T.; Montagnoli, A. N.; Nicoletti, R. Measurement of Shaft Orbits with Photographic Images

and Sub-Sampling Technique. Experimental Mechanics, Vol. 55, 2015, pp. 471-481.

Haas, R.; Hudson, W. R. e Zaniewski, J. Modern Pavement Management. Krieger Publishing Company. Malabar, Florida, 2014.

Hanson, T. R. e Cameron, C. Can a smartphone collect IRI data? Conference and Exhibition of the Transportation Association of Canada – Transportation: Innovations and Opportunities

Fredection, NB, Canada, 2012. Disponível em: <http://conf.tac-

atc.ca/english/annualconference/tac2012/docs/session29/hanson.pdf >. Acesso em: 03/05/2015.

Hanson, T.; Cameron, C. e Hildebrand, E. Evaluation of low-cost consumer-level mobile phone

technology for measuring international roughness index (IRI) values. Canadian Journal of Civil

Engineering, No. 9, Vol. 41, 2014, pp. 819-827.

Minh Do T. e Chi Le T. Performance Analysis of FFT Filter to Measure Displacement Signal in Road

Roughness Profiler. In International Conference on Electronics Engineering and Technology:

International Journal of Computer and Electrical Engineering, No. 4, Vol. 5, Bangkok, Thailand, 2013, pp. 356-361. Disponível em: <http://www.ijcee.org/papers/731-ET0006.pdf>. Acesso em: 24/07/2015.

Sayers, M. W. e Karamihas, S. M. The little book of profiling: basic information about measuring

and interpreting road profiles. Transportation Research Institute, University of Michigan,

USA, 1998.

Silva, L. L.; Rodrigues J. R.; Cazo, R. M.; Carvalho, M. M.; Passaro, A. e Almeida V. R.

Caracterização de Erros Sistemáticos em um Acelerômetro Micro-Eletro-Mecânico Capacitivo. VIII Simpósio Brasileiro de Engenharia Inercial - SBEIN, Instituto Nacional de