A implantação da Ferrovia de Mato Grosso (FMT), sob responsabilidade da Rumo, representa atualmente um dos maiores investimentos em infraestutura no Brasil. Durante o desenvolvimento de projetos como este, a definição do traçado ferroviário considera fatores como topografia, condicionantes hidrológicas, restrições fundiárias, geologia, entre outros. Entretanto, a identificação de solos de baixa resistência depende de investigações geotécnicas detalhadas, nem sempre viáveis na fase conceitual do projeto. A ausência dessas informações pode impactar significativamente o CAPEX, pois a travessia de regiões com incidência de solos problemáticos exige soluções geotécnicas de elevado custo. O histórico de sondagens ao longo do traçado, associado ao estudo de mapas geológicos e pedológicos, permite estimar a probabilidade de ocorrência desses solos em trechos ainda não investigados. A análise sistemática desses dados é essencial para identificar padrões geológicos e apoiar decisões em estudos de viabilidade, no entanto, o principal desafio está na organização e interpretação de parâmetros geotécnicos altamente variáveis, que influenciam diretamente os modelos preditivos. Nesse contexto, técnicas de análise de dados e Machine Learning configuram-se como ferramentas estratégicas. Este estudo, desenvolvido pelo setor de Engenharia de Projetos da Rumo S.A. no âmbito da Ferrovia Estadual de Mato Grosso (FMT), com mais de 730 km de extensão, avaliou diferentes algoritmos para identificar solos de baixa resistência baseado em 2147 sondagens.
Gustavo Yoshio Matsubara
Especialista, IDG Engenharia, Indaiatuba-SP, Brasil
Stefanie de Carla Dias
Especialista, Rumo Logística, Indaiatuba-SP, Brasil
André Fardin Rosa
Gerente, Rumo Logística, Indaiatuba-SP, Brasil
Enisson Passos Jambersi
Coordenador, Rumo Logística, Primavera do Leste-MT, Brasil
Rogerio Ataides de Lima
Assistente, IDG Engenharia, Primavera do Leste-MT, Brasil
Clique aqui para acessar o conteúdo.