Imputação de dados ausentes em séries temporais de carbonatação dos concretos

Abstract

Resumo O crescente uso de modelos contemporâneos de previsão de frentes de carbonatação, como redes neurais artificiais, exige maior rigor sobre a completude dos bancos de dados. Tratar os bancos de dados de profundidades de carbonatação como séries temporais é uma alternativa favorável à garantia da qualidade. Dessa forma, este artigo tem o objetivo de identificar a melhor técnica de imputação de dados ausentes em séries temporais de profundidades de carbonatação de concretos com diferentes composições. Como banco de dados foram utilizadas as informações coletadas de concretos submetidos à carbonatação natural ao longo de 20 anos de exposição pertencentes ao grupo GEDur/UFG. Foram experimentadas dez técnicas de imputação entre as quais destacam-se, foward fill, média móvel, interpolação e filtro de Kalman. Todas as técnicas e análises foram implementadas utilizando linguagem de programação em python dentro de um ambiente de desenvolvimento integrado. Com base nas métricas de desempenho e análise visual, constatou-se que a interpolação spline monotônica cúbica capturou o padrão da curva de profundidade de carbonatação em função do tempo com maior precisão e acurácia, alcançando índice de desempenho de 0,998 e RMSE entre 0,106mm e 0,863mm dependendo da amostra de concreto.