2.1 Área de estudio

Como unidad muestral del presente estudio, un tramo de asfalto de una sola vía de aproximadamente 0,5 km de longitud, que da acceso al campus de la Universidad Federal Rural del Semiárido / UFERSA, en el municipio de Angicos, estado de Río Grande. do Norte - Brasil (Figura 1). Este tramo, aunque de pequeña extensión, resultó idóneo para la realización del estudio debido al gran número de manifestaciones patológicas en el pavimento.

Figura 1 Área de estudio (Lat. 5°39'17.32"S; Lon. 36°36'37.48"O). 

2.2 Levantamiento das patologías pelo método tradicional (referencia)

Para relevar las patologías existentes en el área de estudio se establecieron parcelas de muestreo cada 20 m (en manos alternas), cada 6 m de largo, según establece la Norma DNIT 006/2003 - PRO (Figura 2). En total, se consideraron 20 estaciones, en las que se anotaron sus defectos, teniendo en cuenta la sección del terreno y los tipos de manifestación patológica, distinguiendo entre grietas, sumideros plásticos o consolidados, ondulaciones, sartenes, exudaciones, desgaste, parches y huellas de ruedas. También se realizaron registros fotográficos de todo tipo de defectos encontrados en la sección en estudio.

Figura 2 Esquema de distribución de las parcelas muestrales establecidas en el área de estudio. 

2.3 Estudio de las patologías con Drone (alternativa)

Para adquirir las imágenes del área de estudio se utilizó un Vehículo Aéreo No Tripulado - UAV, del fabricante DJI modelo Phantom 4 PRO (Figura 3). El referido UAV es un tipo multirotor que pesa aproximadamente 1,5 kg y está equipado con una cámara de 20 megapíxeles (capaz de filmar a 4 k / 60 fps), con un alcance de transmisión de video de 7 km. La elección del equipo se basó en su facilidad de uso, estabilidad de vuelo, calidad de las imágenes generadas y precio asequible.

Figura 3 VANT DJI modelo Phantom 4 PRO utilizado en el estudio 

Para las etapas de planificación del vuelo y posterior composición de la ortografía se utilizó la aplicación Drone Deploy. Permite parametrizar el plan de vuelo de acuerdo con la resolución deseada para las imágenes originales, la tasa de superposición de imágenes, las líneas de vuelo y la resolución resultante. Los parámetros de vuelo utilizados en el presente estudio se pueden ver en la Tabla 1. La ortografía fue generada automáticamente por la aplicación y exportada para su posterior análisis (Figura 4).

Figura 4 Ortoimagen del área de estudio generada por la aplicación Drone Deploy. 

2.4 Cálculo del índice de gravedad global - IGG

Luego de mapear las patologías, se calculó el Índice de Severidad Global (IGG) para el área de estudio, siguiendo las recomendaciones del DNIT 006/2003 - PRO. Inicialmente se estimó la frecuencia absoluta (fa) de ocurrencia de cada tipo de manifestación patológica, correspondiente al número de veces que se verificó la ocurrencia. Luego, se obtuvo la frecuencia relativa (fr) para cada patología, a través de la Ecuación 1. Para cada tipo de patología se calculó el Índice de Severidad Individual - IGI (Ecuación 2), que luego se sumaron, dando como resultado el IGG (Ecuación 3).

fr=(fa ×100)n (1)

Siendo,

fa - frecuencia absoluta

n - número de inspecciones realizadas (número de parcelas de muestra).

IGI = fr × fp (2)

Siendo,

fr - frecuencia relativa

fp - factor de ponderación (según la tabla DNIT)

IGG = ∑IGI (3)

Se compararon los resultados obtenidos por las metodologías de referencia y alternativas según el número y tipo de patologías identificadas, así como el tiempo dedicado a la realización de las encuestas. Finalmente, los IGG obtenidos se compararon con la Norma DNIT 006/2003 - PRO, con el fin de determinar el concepto de degradación del tramo analizado (Cuadro 2).

3.1 Análisis comparativo: inspección con drones frente a inspección tradicional

El apartado analizado presentó un gran número de patologías en ambos métodos empleados. La cuantificación total de patologías, sumando las 20 parcelas evaluadas, arrojó valores muy cercanos para ambos métodos, siendo 54 para la inspección tradicional y 53 para la inspección con el Drone, lo que demuestra la viabilidad de utilizar el Drone para cuantificar patologías sobre pavimentos (Figura 5).

Figura 5 Patologías totales identificadas según el método de inspección. 

En cuanto al aspecto cualitativo, la inspección realizada con el Drone permitió identificar 04 tipos de patologías, que son: macetas (P) - hueco o agujero que se forma en el revestimiento y puede llegar a la base; grietas (F): caracterizadas como aberturas en la superficie del asfalto que son visibles a simple vista; parches (R) - defecto caracterizado por el llenado de macetas o cualquier otro orificio, agujero o depresión con mezcla asfáltica; y deslizamiento (E) - desplazamiento en relación con la capa de pavimento. En cuanto a los tipos de patologías, no hubo diferencia entre el método de inspección tradicional y el método de inspección Drone. En cuanto al número de defectos por tipo de patología, hubo pequeñas diferencias entre los métodos utilizados, como se muestra en la figura 6.

Figura 6 Patologías totales identificadas según el tipo y método de inspección. 

Cabe señalar que la causa más probable de estas diferencias se debe a que algunos tipos de patologías pueden ser difíciles de identificar debido al uso de imágenes obtenidas por los UAV debido a su calidad, mientras que la inspección tradicional puede resolver cualquier duda sobre la aparición de una patología porque se trata de un análisis in situ. Como ejemplo, se pueden comparar macetas y grietas. En el primer caso, es más fácil de identificar por la propia naturaleza de la patología, que en general destaca sobre el resto del pavimento. En el segundo, es mucho más difícil de identificar, a veces necesita confirmación a través de una inspección in situ. En la Figura 7 es posible comprar las imágenes obtenidas con el Drone y utilizando el método tradicional, para cada uno de los tipos de patologías identificadas.

Figura 7 Patologías totales identificadas según el tipo y método de inspección. 

Con respecto al tiempo dedicado a la inspección, se encontró que el análisis realizado con el Drone (6 minutos de vuelo y 12 minutos para evaluación de imagen) tomó menos de 1/3 del tiempo dedicado a realizar la inspección tradicional (Figura 8). Considerando que en el presente estudio se evaluó un pequeño tramo de 0,5 km, se asume que en tramos más largos de grandes carreteras esta diferencia es aún mayor, haciendo cada vez más atractivo el uso del Drone.

Figura 8 Tiempo empleado en realizar la inspección según la metodología utilizada. 

3.2 Análisis comparativo: Drone x Inspección tradicional

El valor obtenido para el Índice de Severidad Global - IGG, fue 302 para la inspección realizada con el Drone y 320 para el método tradicional (Figura 9), y en ambos casos, según DNIT 006/2003 - PRO , el tramo evaluado se consideró terrible (IGG> 160). Uno de los puntos que más influye en este resultado es la presencia de una gran cantidad de Pans (P), que se encontró en todas las parcelas estudiadas, que es la patología que más impacta el tráfico y contribuye a la aceleración por degradación del pavimento. Aunque se han obtenido diferentes valores, se observa que la diferencia existente no es significativa, demostrando que la inspección con la ayuda de Drones es técnicamente factible.

Figura 9 Índice de Severidad Global - IGG según la metodología utilizada. 

3.3 Análisis general de la metodología propuesta

La metodología de uso de UAV para inspección de pavimentos ya se puede observar en trabajos como ^{Parente, Felix y Picanço (2017}), donde, como en el presente trabajo, se utilizó esta herramienta en comparación con la metodología estándar actual. La adición de una evaluación comparativa entre el método propuesto y el método tradicional es esencial para la cuantificación estadística de la efectividad de cualquier metodología alternativa propuesta. Por tanto, otro resultado señalado por este trabajo es una metodología de comparación para el uso de UAV en inspecciones de estructuras de cualquier tipo, en comparación con los métodos tradicionales.