A complexidade das malhas rodoviárias exige por parte dos órgãos gerenciadores o uso de sofisticados Sistemas de Gerência de Pavimentos (SGPs). Esses sistemas devem ser capazes de obter o melhor retorno possível dos investimentos a serem realizados do ponto de vista de segurança, conforto e economia do usuário. Para que isso ocorra, os SGPs devem possuir modelos de previsão de desempenho calibrados à realidade local da malha viária, além de métodos sistemáticos de avaliação das condições dos pavimentos. Nesse sentido, esta tese propõe um método de classificação estrutural de pavimentos asfálticos rodoviários em nível de rede, por meio de aplicação de parâmetros de bacias de deflexão (DBPs). Dessa forma, são avaliados: (i) um trecho experimental composto por quatro estruturas distintas, que foram monitoradas ao longo de 36 meses; (ii) um banco de dados de monitoramento de 50 unidades amostrais (UAs) da malha rodoviária federal, realizado ao longo de 5 anos; e (iii) um banco de dados de levantamentos deflectométricos em nível de rede, realizados ao longo de 20 anos em rodovias do estado de São Paulo. A fim de se realizar estudo de dados de deflexão ao longo do tempo, foi desenvolvido um método de correção das bacias deflectométricas em função da temperatura para ser representada em uma temperatura de referência, possibilitando comparação entre diferentes trechos e entre períodos diferentes. O procedimento de tratamento e análise exploratória dos dados resultou na estruturação de um banco de dados com as informações coletadas, possibilitando a implementação de modelos analíticos e preditivos nos estudos desenvolvidos. A análise dos DBPs se mostrou capaz de indicar os mecanismos de alterações estruturais dos pavimentos, como a deterioração do revestimento asfáltico e o efeito da cura de materiais da camada de base nas propriedades mecânicas. Adicionalmente, foi desenvolvido modelo de classificação utilizando machine learning para 2 diferentes níveis de tráfego (tráfego Moderado e tráfego Alto + Muito Pesado), capaz de realizar inferência do comportamento estrutural dos pavimentos rodoviários em 4 classes distintas: Muito Rígido (Very Stiff), Rígido (Stiff), Flexível (Flexible) e Muito Flexível (Very Flexible). Por fim, a aplicação dos modelos desenvolvidos em um banco de dados em nível de rede possibilitou a identificação de segmentos críticos, 7 para a realização de recuperação de pavimentos e identificação de melhorias na rodovia, devido à realização de campanhas de manutenção periódica anteriores. Os modelos de classificação de estruturas desenvolvidos por meio dos DBPs, aplicando-se técnicas de machine learning, representam um grande avanço para os Sistemas de Gerência de Pavimentos (SGPs) asfálticos, seja para estabelecimento de ações de manutenção, seja para avaliação do estado geral do patrimônio, valorando esses sistemas de pavimentos rodoviários asfálticos.

The complexity of road networks requires the deployment of advanced Pavement Management Systems (PMSs) by managing and regulatory authorities. These systems are designed to optimize returns on investment in terms of user safety, comfort, and economic efficiency. For this to happen, PMSs must incorporate performance prediction models calibrated to local reality of the road network, along with systematic pavement condition assessment methods. In this context, this doctoral dissertation proposes a method for structural classification of asphalt road pavements at a network level, through the application of deflection basin parameters (DBPs). Thus, this study evaluated: (i) an experimental section comprising four distinct structures, monitored over a period of 36 months; (ii) a monitoring database of 50 sample units from federal road network, collected along of 5 years; and (iii) a database of network-level deflectometric surveys conducted over 20 years on São Paulo state highways. In order to conduct a study of deflection data over time, a methodology was developed to correct the deflection basins based on temperature corrections to a referential temperature, enabling comparisons between different tracks and at different time. Data processing and exploratory analysis procedure led to the structuring of a database with the collected information, enabling the analytical and predictive models implementation in the conducted studies. The analysis of DBPs proved capable of indicating mechanisms of structural changes in pavements, such as deterioration processes of surface layer and curing process of base layer materials. Additionally, a classification model using machine learning was developed for two different traffic levels (Moderate Traffic and High and Very Heavy Traffic), capable of inferring the structural behavior of road pavements into four distinct classes: "Very Stiff", "Stiff", "Flexible" and "Very Flexible". Finally, the application of the developed models to a network-level database enabled the identification of critical segments for pavement rehabilitation and the identification of highway improvements, due to previous periodic maintenance campaigns. The structural classification models developed using DBPs, applying machine learning techniques, represent a significant advancement for asphalt PMSs, whether for establishing maintenance actions or 9 evaluating the overall condition of the asset, thereby enhancing the value of these asphalt road pavement systems.