Por qué los ejes equivalentes no bastan
Los ejes equivalentes simplifican el problema con pesos vacíos y máximos, sin reflejar la variabilidad real de las cargas ni la sobrecarga, algo crítico en países como México. Los espectros de carga sí capturan los pesos reales por configuración de eje, pero procesarlos a mano en hojas de cálculo toma horas y es propenso a errores.
“Cuando las cargas reales que circulan por una vialidad son subestimadas, el diseño estructural o la planeación del mantenimiento pueden resultar inadecuados.”
Qué hace la API, paso a paso
1
Carga y limpieza
Lee el .xlsx o .csv de la estación y elimina columnas administrativas, registros nulos, negativos o en cero y atípicos extremos.
2
Clasificación vehicular
Random Forest, entrenado con un conjunto etiquetado a mano (ejes, pesos y peso bruto), asigna la configuración: por ejemplo, T2-S2-R2.
3
Tipo de eje
Separa cada eje en sencillo, sencillo dual, tándem o trídem.
4
Segmentación
K-Means con k = 3 agrupa las cargas en baja, media y alta: operación típica, promedio y sobrecarga.
5
Resultados
Una carpeta por tipo de eje con el Excel, el espectro, el ajuste log-normal y las gráficas.
Caso práctico: estación Zacatal, 2011
Registros de 2011 de la estación Zacatal, del programa EECAN del Instituto Mexicano del Transporte. La limpieza dejó solo lo útil para el análisis:
Filas
−74 %Columnas
−74 %Los resultados que siguen corresponden al eje trídem.
Cargas del eje trídem por categoría (K-Means)
| Categoría | Registros | Mínimo | Máximo | Media | Desv. estándar |
|---|---|---|---|---|---|
| Carga baja | 381 | 5.981 | 17.347 | 10.787 | 1.952 |
| Carga media | 198 | 17.817 | 27.942 | 24.209 | 2.869 |
| Carga alta | 128 | 28.070 | 40.842 | 31.702 | 2.832 |
Valores tal como se reportan en la Tabla 1 del trabajo.
Ejes legales frente a ilegales (eje trídem)
Número de ejes
−39 %Factor de espectro de carga (LSF)
+1096 %Qué contiene el Excel de cada eje
- Hoja 1, espectro de carga: peso de cada eje con su vehículo, límites de clase, frecuencias absoluta y normalizada, distribución ajustada y diferencias.
- Hoja 2, parámetros del ajuste log-normal multimodal: tres medias, tres desviaciones estándar, tres pesos, error cuadrático y correlación.
- Hoja 3, métricas globales: LSF, ESALs y número total de ejes.
- Hojas 4 y 5, ejes legales e ilegales según la carga máxima que defina el usuario.
- Hojas 6 y 7, estadísticos de cada grupo: LSF, número de ejes, media, desviación estándar, mínimo, máximo y cuartiles.
Preguntas frecuentes
¿Qué es el Factor de Espectro de Carga (LSF)?
El daño promedio relativo de un tipo de eje respecto a su eje estándar, calculado sobre todo el espectro. Multiplicado por el número de ejes da los ESALs.
¿Por qué Random Forest para clasificar vehículos?
Combina muchos árboles de decisión: resiste el sobreajuste y maneja bien datos ruidosos o con valores atípicos, comunes en los registros de pesaje.
¿Qué datos de entrada necesita?
Un archivo .xlsx o .csv de una estación de pesaje dinámico con los pesos por eje de cada vehículo, como los del programa EECAN del IMT.
¿Cuánto tarda?
Setenta segundos para la estación Zacatal (2011), frente a horas de trabajo manual. Integrada en una plataforma web puede tardar un poco más.
Referencias
- Instituto Mexicano del Transporte (2023). Consulta del EECAN. https://www.imt.mx/micrositios/seguridad-y-operacion-del-transporte/estadisticas/consulta-del-eecan.html
- Domingos, P. (2012). A Few Useful Things to Know About Machine Learning. Communications of the ACM.
- Breiman, L. (2001). Random Forests. Machine Learning.
- MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability.
