ESTUDO DE CASO - USO DE ORTOIMAGEM PARA A DETERMINAÇÃO DO ÍNDICE DE CONDIÇÃO FUNCIONAL DE PAVIMENTO RÍGIDO AEROPORTUÁRIO
Bibliographic record
Abstract
Todo pavimento, logo após sua construção, está submetido a diversos tipos de ações externas que culminam na deterioração progressiva da qualidade do pavimento, incorrendo no surgimento de defeitos.O monitoramento, com a avaliação da superfície do pavimento, se configura como medida preventiva no sentido de caso necessário, programar ações de manutenção, de modo a evitar uma degradação acelerada a ponto de deixar a área inoperável.A ANAC (2017) reporta o PCI como o principal método de determinação da condição funcional de pavimentos aeroportuários, fornecendo base racional e objetiva para determinação das necessidades e das prioridades de manutenção e reparo.O presente estudo foi desenvolvido utilizando o Leica Pegasus: Two Ultimate.Foi realizado o mapeamento completo da condição funcional do pavimento rígido do Pátio 3 de aeronaves do Aeroporto Internacional de Brasília, por meio de fotos de alta qualidade registradas em diversos ângulos.Considerou-se como referência a norma da ASTM D5340/20, que consiste em, inicialmente, caracterizar áreas típicas.Para o cálculo do valor do PCI nas seções estabelecidas foi utilizado o programa PAVEAIR da FAA.Foram elaboradas planilhas para o mapeamento de todas as patologias existentes por placas, anotando em cada uma o código do tipo de deterioração e o nível de severidade.As ortofotos foram usadas para identificar os defeitos, com auxílio do software "CIVIL 3D as AutoCAD".O ortomosaico obtido por meio do mapeamento dos defeitos oriundos da análise funcional realizada no Pátio 3 do Aeroporto Internacional de Brasília forneceu uma visão ampla da área para fins de tomada de decisões para as soluções de manutenção e reabilitação e, consequentemente, para o gerenciamento da rede.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".