Esse trabalho apresenta resultados de classificação de estradas não pavimentadas obtidos através de mensurações de defeitos em estradas florestais de duas empresas brasileiras, com a utilização do método do Índice de Condição de Rodovia Não Pavimentada (ICRNP), comparando-se estes com outros dados obtidos com o emprego de um procedimento subjetivo denominado Manual de Avaliação e Classificação da Superfície de Pavimento de Cascalho (MACSPC). Os resultados obtidos serviram para a geração de um banco de dados, que foi empregado como base de entrada em um sistema de redes neurais artificiais, com o objetivo de testar a eficiência deste sistema para tornar mais rápida a recuperação das estradas florestais, minimizando custos de transporte e paralisação de tráfego. Realizou-se uma análise de processo hierárquico, concluindo-se que os parâmetros de estradas florestais mais significativos são seção transversal imprópria e drenagem lateral inadequada, que juntos representam 64% dos problemas detectados. A utilização das redes neurais artificiais apresentou resultados superiores aos outros dois métodos empregados, haja vista que 32,50% das unidades amostrais foram classificadas como excelentes pelo método subjetivo (MACSPC), 6,25% pelo método objetivo (ICRNP) e 0% com o uso das redes neurais artificiais.
This work presents classification data of non-paved roads gotten through measurements of defects in forest roads from two Brazilian companies, with the use of the method named Unsufaced Road Condition Índex (URCI), comparing these with other data gotten using a subjective procedure, called Gravel Paver Manual (GPM). These field data were used in an artificial neural nets system, in order to test its efficiency in speeding forest roads management and recovery, minimizing transport costs and traffic stoppage. An analysis of hierarchic process was applied to the analysis, concluding that the more significant parameters of forest roads were improper transversal section and inadequate lateral draining which together represented 64% of their detected defects. The use of neural artificial nets presented results superior to the others two methods, considering that 32.50% of the units was classified as excellent by the subjective method (GPM), 6.25% by the objective method (URCI) and 0% with the use of neural artificial nets.
