{"id":2971,"date":"2025-10-04T14:07:29","date_gmt":"2025-10-04T14:07:29","guid":{"rendered":"https:\/\/productionscrews.com\/"},"modified":"2025-10-04T14:07:29","modified_gmt":"2025-10-04T14:07:29","slug":"inspecao-avancada-de-trilhos-como-a-tecnologia-moderna-mantem-as-ferrovias-seguras","status":"publish","type":"post","link":"https:\/\/productionscrews.com\/pt\/advanced-track-inspection-how-modern-technology-keeps-railways-safe\/","title":{"rendered":"Inspe\u00e7\u00e3o avan\u00e7ada de trilhos: Como a tecnologia moderna mant\u00e9m as ferrovias seguras"},"content":{"rendered":"<h2>Al\u00e9m da superf\u00edcie: Entendendo como mantemos os trilhos de trem seguros<\/h2>\n<h2>A importante ci\u00eancia por tr\u00e1s da seguran\u00e7a<\/h2>\n<p>Os trens modernos dependem de uma verdade b\u00e1sica: os trilhos devem estar em perfeitas condi\u00e7\u00f5es. A verifica\u00e7\u00e3o dos trilhos, portanto, n\u00e3o \u00e9 apenas um trabalho simples, mas um uso inteligente da engenharia e da ci\u00eancia. \u00c9 a ci\u00eancia que mant\u00e9m milh\u00f5es de passageiros e toneladas de carga em movimento com seguran\u00e7a. A mudan\u00e7a de simples verifica\u00e7\u00f5es visuais para sistemas de alta velocidade acionados por computador mostra o quanto a tecnologia melhorou. Esse aprimoramento ocorre porque precisamos constantemente encontrar problemas menores, encontr\u00e1-los mais cedo e ter mais certeza do que encontramos.<\/p>\n<h3>Passando de \"O qu\u00ea\" para \"Por qu\u00ea\"<\/h3>\n<p>Essa an\u00e1lise vai al\u00e9m de uma simples vis\u00e3o geral dos m\u00e9todos de verifica\u00e7\u00e3o. Nosso objetivo \u00e9 detalhar as principais tecnologias, respondendo n\u00e3o apenas \"o que\" elas fazem, mas \"como\" elas funcionam e \"por que\" s\u00e3o necess\u00e1rias. Exploraremos a ci\u00eancia b\u00e1sica de como as trilhas s\u00e3o interrompidas, o que nos informa quais problemas devemos encontrar. Em seguida, examinaremos as regras dos testes n\u00e3o destrutivos (NDT), como medimos a posi\u00e7\u00e3o do trilho com muita precis\u00e3o, os detalhes da coleta avan\u00e7ada de dados e, por fim, como a intelig\u00eancia artificial est\u00e1 nos transformando de consertar problemas depois que eles acontecem para preveni-los antes que ocorram. Esta \u00e9 uma an\u00e1lise aprofundada das regras t\u00e9cnicas que mant\u00eam nossas ferrovias seguras e confi\u00e1veis.<\/p>\n<p><img fetchpriority=\"high\" decoding=\"async\" src=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-9295628.png\" height=\"717\" width=\"1280\" class=\"alignnone size-full wp-image-2974\" alt=\"Uma imagem de um trem de alta velocidade moderno em uma instala\u00e7\u00e3o de fabrica\u00e7\u00e3o, exibindo processos avan\u00e7ados de montagem e controle de qualidade.\" srcset=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-9295628.png 1280w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-9295628-300x168.png 300w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-9295628-768x430.png 768w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-9295628-18x10.png 18w\" sizes=\"(max-width: 1280px) 100vw, 1280px\" \/> <\/p>\n<h2>Ci\u00eancia de como os trilhos se decomp\u00f5em<\/h2>\n<p>Para entender a inspe\u00e7\u00e3o de trilhos, precisamos primeiro entender as for\u00e7as que tentam romper os trilhos. Cada trem que passa exerce um enorme estresse f\u00edsico sobre os trilhos de a\u00e7o e a estrutura de suporte. Esta se\u00e7\u00e3o explica o motivo cient\u00edfico pelo qual a verifica\u00e7\u00e3o dos trilhos \u00e9 absolutamente necess\u00e1ria na engenharia ferrovi\u00e1ria. Estamos procurando os sinais desses problemas f\u00edsicos antes que eles se transformem em falhas graves.<\/p>\n<h3>Estresse, tens\u00e3o e cansa\u00e7o do metal<\/h3>\n<p>Um trilho \u00e9 uma viga met\u00e1lica complexa que enfrenta muitas for\u00e7as diferentes. Quando uma roda passa, ela cria v\u00e1rios tipos de tens\u00e3o. O peso direto para baixo cria uma tens\u00e3o de esmagamento, enquanto a distribui\u00e7\u00e3o desse peso pela cabe\u00e7a do trilho, pela alma e pela base causa flex\u00e3o, o que cria uma tens\u00e3o de esmagamento e de tra\u00e7\u00e3o. A tens\u00e3o de corte ocorre dentro da se\u00e7\u00e3o transversal do trilho, pois as diferentes camadas resistem ao deslizamento umas das outras.<\/p>\n<p>O a\u00e7o, como qualquer material, tem uma rela\u00e7\u00e3o espec\u00edfica entre tens\u00e3o e deforma\u00e7\u00e3o. Dentro de seu limite de elasticidade, ele se dobra e retorna \u00e0 sua forma original. Al\u00e9m desse limite, ele muda permanentemente. Entretanto, a amea\u00e7a mais perigosa \u00e9 o cansa\u00e7o do metal. Mesmo com tens\u00f5es bem abaixo da resist\u00eancia \u00e0 ruptura do a\u00e7o, os ciclos de carga repetidos - bilh\u00f5es deles ao longo da vida \u00fatil de uma pista - podem dar in\u00edcio a pequenas rachaduras. Essas rachaduras, muitas vezes come\u00e7ando em pequenas falhas superficiais ou subterr\u00e2neas, crescem a cada trem at\u00e9 atingirem um tamanho perigoso, levando a uma ruptura repentina. As opera\u00e7\u00f5es modernas de frete pesado, com cargas nas rodas geralmente acima de 30 toneladas, criam tens\u00f5es de contato no pequeno ponto de encontro roda-trilho que podem exceder 700 MPa, acelerando esse processo de cansa\u00e7o.<\/p>\n<h3>Efeitos do calor e tens\u00f5es<\/h3>\n<p>A mudan\u00e7a de temperatura introduz outra grande fonte de estresse, especialmente em trilhos soldados continuamente (CWR). \u00c0 medida que o a\u00e7o se expande com o calor e encolhe com o frio, uma se\u00e7\u00e3o longa e mantida do CWR desenvolve poderosas for\u00e7as internas longitudinais. Em um dia quente, isso se manifesta como uma enorme tens\u00e3o de esmagamento, criando o risco de empenamento do trilho, em que o trilho se desloca repentina e violentamente para fora do lugar. Por outro lado, o frio extremo cria uma tens\u00e3o de tra\u00e7\u00e3o, que pode levar a uma ruptura completa do trilho. Gerenciar esse estresse t\u00e9rmico \u00e9 um dos principais desafios da engenharia de trilhos.<\/p>\n<h3>Movimento de desgaste e flex\u00e3o<\/h3>\n<p>A \u00e1rea de contato direto entre roda e trilho \u00e9 um local de intensa intera\u00e7\u00e3o de movimento. Isso leva a v\u00e1rias formas de avarias. O desgaste por raspagem \u00e9 a perda gradual de material da cabe\u00e7a do trilho devido ao atrito. O cansa\u00e7o por contato de rolamento (RCF) \u00e9 uma categoria de problemas de quebra de superf\u00edcie, como verifica\u00e7\u00f5es de cabe\u00e7a e lascas, causados pelas altas tens\u00f5es de contato repetidas. O fluxo de pl\u00e1stico \u00e9 a flex\u00e3o permanente do a\u00e7o da cabe\u00e7a do trilho sob cargas pesadas, o que pode alterar o formato do trilho e criar concentra\u00e7\u00f5es de tens\u00e3o que servem como pontos de partida para outros tipos de problemas.<\/p>\n<h2>Regras de NDT em ferrovias<\/h2>\n<p>Os testes n\u00e3o destrutivos (NDT) s\u00e3o a base da inspe\u00e7\u00e3o moderna de trilhos. Essas tecnologias nos permitem \"ver\" dentro do a\u00e7o e em sua superf\u00edcie para encontrar os problemas causados pelas for\u00e7as f\u00edsicas descritas anteriormente, tudo isso sem danificar o pr\u00f3prio trilho. Cada m\u00e9todo usa uma regra cient\u00edfica diferente para detectar tipos espec\u00edficos de falhas. Compreender essas regras \u00e9 fundamental para avaliar seus pontos fortes e fracos.<\/p>\n<h3>Teste de ondas sonoras (UT)<\/h3>\n<p>O teste de ondas sonoras \u00e9 o principal m\u00e9todo para encontrar problemas internos na cabe\u00e7a, na alma e na base do trilho.<\/p>\n<ol>\n<li>O processo come\u00e7a com um dispositivo que cont\u00e9m um cristal especial. Quando a eletricidade \u00e9 aplicada, o cristal vibra em uma alta frequ\u00eancia (normalmente de 2 a 5 MHz para trilhos), criando uma onda sonora.<\/li>\n<li>Essa onda sonora \u00e9 enviada para o trilho usando um meio, geralmente \u00e1gua ou um gel, pois o ar \u00e9 um mau condutor de som.<\/li>\n<li>A onda atravessa o a\u00e7o. A principal regra em jogo \u00e9 a resist\u00eancia sonora, que \u00e9 a resist\u00eancia de um material ao deslocamento do som. O a\u00e7o tem uma resist\u00eancia sonora espec\u00edfica.<\/li>\n<li>Se a onda encontrar um limite com uma resist\u00eancia sonora diferente - como o ar dentro de uma rachadura ou de uma inclus\u00e3o -, uma parte da energia da onda ser\u00e1 devolvida ao dispositivo.<\/li>\n<li>O mesmo dispositivo atua como um receptor. A onda sonora que retorna faz o cristal vibrar, gerando eletricidade. Esse sinal el\u00e9trico \u00e9 ent\u00e3o processado e exibido.<\/li>\n<\/ol>\n<p>Os resultados normalmente s\u00e3o mostrados em uma varredura A (for\u00e7a vs. tempo), varredura B (visualiza\u00e7\u00e3o de se\u00e7\u00e3o transversal) ou varredura C (visualiza\u00e7\u00e3o de cima para baixo), cada uma fornecendo informa\u00e7\u00f5es diferentes sobre o tamanho, a profundidade e a dire\u00e7\u00e3o do problema.<\/p>\n<h3>Teste de corrente el\u00e9trica (ECT)<\/h3>\n<p>O teste de corrente el\u00e9trica funciona bem na detec\u00e7\u00e3o de rachaduras superficiais e muito pr\u00f3ximas \u00e0 superf\u00edcie, o que o torna perfeito para encontrar problemas de RCF.<\/p>\n<ol>\n<li>Uma sonda de ECT cont\u00e9m uma bobina de fio pela qual passa uma corrente alternada (CA).<\/li>\n<li>De acordo com a regra da indu\u00e7\u00e3o eletromagn\u00e9tica, essa CA cria um campo magn\u00e9tico prim\u00e1rio vari\u00e1vel ao redor da bobina.<\/li>\n<li>Quando a sonda \u00e9 aproximada do trilho (um material condutor), o campo magn\u00e9tico prim\u00e1rio cria correntes el\u00e9tricas pequenas e circulares na superf\u00edcie do trilho. Essas s\u00e3o as \"correntes de Foucault\".<\/li>\n<li>Essas correntes parasitas criam seu pr\u00f3prio campo magn\u00e9tico secund\u00e1rio, que se op\u00f5e ao campo prim\u00e1rio.<\/li>\n<li>Se a superf\u00edcie do trilho estiver livre de problemas, as correntes parasitas fluem sem interfer\u00eancia em um padr\u00e3o previs\u00edvel. No entanto, uma rachadura ou outra ruptura interrompe esse fluxo, for\u00e7ando as correntes de Foucault a dar a volta.<\/li>\n<li>Esse rompimento altera o campo magn\u00e9tico secund\u00e1rio, que, por sua vez, altera a resist\u00eancia el\u00e9trica da bobina na sonda. Essa altera\u00e7\u00e3o na resist\u00eancia \u00e9 medida e marcada como um problema em potencial.<\/li>\n<\/ol>\n<p><img decoding=\"async\" src=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-5203604.jpg\" height=\"853\" width=\"1280\" class=\"alignnone size-full wp-image-2973\" alt=\"Um trem de alta velocidade avan\u00e7ado viajando ao longo de trilhos modernos com linhas el\u00e9tricas a\u00e9reas, demonstrando a integra\u00e7\u00e3o de tecnologia de ponta na seguran\u00e7a e efici\u00eancia ferrovi\u00e1ria.\" srcset=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-5203604.jpg 1280w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-5203604-300x200.jpg 300w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-5203604-768x512.jpg 768w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/pixabay-5203604-18x12.jpg 18w\" sizes=\"(max-width: 1280px) 100vw, 1280px\" \/> <\/p>\n<h3>Verifica\u00e7\u00e3o de part\u00edculas magn\u00e9ticas (MPI)<\/h3>\n<p>A MPI \u00e9 um m\u00e9todo altamente confi\u00e1vel, embora muitas vezes mais lento, para visualizar rachaduras superficiais e pr\u00f3ximas \u00e0 superf\u00edcie em materiais magn\u00e9ticos, como trilhos de a\u00e7o.<\/p>\n<ol>\n<li>Um forte campo magn\u00e9tico \u00e9 criado na se\u00e7\u00e3o do trilho a ser verificada. Isso pode ser feito usando \u00edm\u00e3s permanentes, eletro\u00edm\u00e3s ou passando uma corrente alta pelo trilho.<\/li>\n<li>Em uma boa pe\u00e7a de a\u00e7o, as linhas de for\u00e7a magn\u00e9tica est\u00e3o contidas quase que inteiramente dentro da pe\u00e7a.<\/li>\n<li>Se houver uma rachadura superficial ou quase superficial, ela cria uma ruptura. Como o ar n\u00e3o pode suportar tanta for\u00e7a magn\u00e9tica quanto o a\u00e7o, o campo magn\u00e9tico \u00e9 for\u00e7ado a \"vazar\" para fora da pe\u00e7a no local da rachadura. Isso \u00e9 conhecido como campo de vazamento de fluxo magn\u00e9tico.<\/li>\n<li>Part\u00edculas magn\u00e9ticas finas (em p\u00f3 seco ou suspensas em um l\u00edquido) s\u00e3o ent\u00e3o aplicadas \u00e0 superf\u00edcie.<\/li>\n<li>Essas part\u00edculas s\u00e3o atra\u00eddas e se acumulam no campo de vazamento de fluxo, criando um sinal vis\u00edvel diretamente sobre a rachadura, tornando sua localiza\u00e7\u00e3o e tamanho imediatamente claros.<\/li>\n<\/ol>\n<h3>Tabela 1: Compara\u00e7\u00e3o dos m\u00e9todos NDT<\/h3>\n<table>\n<tbody>\n<tr>\n<td width=\"115\">Tecnologia<\/td>\n<td width=\"115\">Regra b\u00e1sica<\/td>\n<td width=\"115\">Uso principal (tipos de problemas)<\/td>\n<td width=\"115\">Vantagens<\/td>\n<td width=\"115\">Limita\u00e7\u00f5es<\/td>\n<\/tr>\n<tr>\n<td width=\"115\">Teste de ondas sonoras (UT)<\/td>\n<td width=\"115\">Deslocamento e reflex\u00e3o de ondas sonoras de alta frequ\u00eancia<\/td>\n<td width=\"115\">Problemas internos (quebras transversais, rachaduras nos furos dos parafusos), separa\u00e7\u00f5es da cabe\u00e7a\/trama<\/td>\n<td width=\"115\">Alta profundidade de penetra\u00e7\u00e3o, sens\u00edvel a pequenas falhas internas<\/td>\n<td width=\"115\">Requer meio de acoplamento, a habilidade do operador \u00e9 fundamental, \"zona morta\" pr\u00f3xima \u00e0 superf\u00edcie<\/td>\n<\/tr>\n<tr>\n<td width=\"115\">Teste de corrente el\u00e9trica (ECT)<\/td>\n<td width=\"115\">Indu\u00e7\u00e3o eletromagn\u00e9tica e mudan\u00e7as de resist\u00eancia<\/td>\n<td width=\"115\">Trincas de ruptura superficiais e pr\u00f3ximas \u00e0 superf\u00edcie (por exemplo, RCF, verifica\u00e7\u00f5es de cabe\u00e7a)<\/td>\n<td width=\"115\">Alta velocidade, sem necessidade de meio de acoplamento, sens\u00edvel a falhas de superf\u00edcie muito pequenas<\/td>\n<td width=\"115\">Profundidade de penetra\u00e7\u00e3o limitada, sens\u00edvel a mudan\u00e7as na propriedade do material<\/td>\n<\/tr>\n<tr>\n<td width=\"115\">Verifica\u00e7\u00e3o de part\u00edculas magn\u00e9ticas (MPI)<\/td>\n<td width=\"115\">Vazamento de fluxo magn\u00e9tico nas quebras<\/td>\n<td width=\"115\">Rachaduras na superf\u00edcie e muito pr\u00f3ximas \u00e0 superf\u00edcie<\/td>\n<td width=\"115\">Altamente confi\u00e1vel para rachaduras superficiais, fornece sinal visual direto<\/td>\n<td width=\"115\">Somente para materiais magn\u00e9ticos, requer prepara\u00e7\u00e3o da superf\u00edcie, suja<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Como medimos a posi\u00e7\u00e3o do rastreamento<\/h2>\n<p>Enquanto o NDT se concentra na resist\u00eancia do material do trilho em si, a medi\u00e7\u00e3o da geometria da via verifica a posi\u00e7\u00e3o e a dire\u00e7\u00e3o geral da via no espa\u00e7o tridimensional. Os modernos sistemas de medi\u00e7\u00e3o da geometria da via (TGMS) s\u00e3o combina\u00e7\u00f5es incr\u00edveis de sensores, capazes de produzir precis\u00e3o submilim\u00e9trica enquanto viajam em altas velocidades. A m\u00e1gica n\u00e3o est\u00e1 em um \u00fanico sensor perfeito, mas na combina\u00e7\u00e3o inteligente de v\u00e1rios sensores imperfeitos.<\/p>\n<h3>Defini\u00e7\u00e3o dos par\u00e2metros de posi\u00e7\u00e3o<\/h3>\n<p>Um TGMS mede v\u00e1rios par\u00e2metros importantes, cada um deles vital para a opera\u00e7\u00e3o segura e tranquila do trem:<\/p>\n<ul>\n<li>Bitola: A dist\u00e2ncia entre as faces internas dos dois trilhos. A bitola incorreta pode levar \u00e0 baixa estabilidade do ve\u00edculo ou, em casos extremos, ao descarrilamento.<\/li>\n<li>Alinhamento: A retid\u00e3o da pista no plano horizontal. Normalmente, isso \u00e9 medido como o desvio de uma linha reta em um comprimento de corda definido.<\/li>\n<li>Perfil\/superf\u00edcie: A suavidade do trilho no plano vertical para cada trilho. Isso \u00e9 semelhante ao alinhamento, mas na dimens\u00e3o vertical.<\/li>\n<li>Cant (supereleva\u00e7\u00e3o): A diferen\u00e7a de altura entre o trilho alto e o trilho baixo em uma curva, projetada para neutralizar as for\u00e7as centr\u00edfugas.<\/li>\n<li>Tor\u00e7\u00e3o: a taxa de altera\u00e7\u00e3o da escala em uma dist\u00e2ncia definida. O excesso de tor\u00e7\u00e3o pode levar ao descarregamento da roda e a um maior risco de descarrilamento.<\/li>\n<\/ul>\n<p><img decoding=\"async\" src=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE.jpg\" height=\"900\" width=\"1600\" class=\"alignnone size-full wp-image-2972\" alt=\"Uma imagem exibindo parafusos de flange dur\u00e1veis usados na constru\u00e7\u00e3o e manuten\u00e7\u00e3o ferrovi\u00e1ria, enfatizando a import\u00e2ncia de fixadores confi\u00e1veis nos sistemas de seguran\u00e7a ferrovi\u00e1ria modernos.\" srcset=\"https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE.jpg 1600w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE-300x169.jpg 300w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE-768x432.jpg 768w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE-1536x864.jpg 1536w, https:\/\/productionscrews.com\/wp-content\/uploads\/2025\/10\/unsplash-6VFC571eoLE-18x10.jpg 18w\" sizes=\"(max-width: 1600px) 100vw, 1600px\" \/> <\/p>\n<h3>O n\u00facleo da combina\u00e7\u00e3o de sensores: IMUs<\/h3>\n<p>No centro da maioria dos TGMS modernos e de alta velocidade est\u00e1 uma unidade de medi\u00e7\u00e3o inercial (IMU). Uma IMU cont\u00e9m dois tipos principais de sensores:<\/p>\n<ul>\n<li>Aceler\u00f4metros: Esses sensores medem a acelera\u00e7\u00e3o linear (a taxa de varia\u00e7\u00e3o da velocidade) ao longo de tr\u00eas eixos perpendiculares (X, Y, Z).<\/li>\n<li>Girosc\u00f3pios: Esses sensores medem a velocidade angular (a taxa de rota\u00e7\u00e3o) em torno dos mesmos tr\u00eas eixos.<\/li>\n<\/ul>\n<p>Em teoria, partindo de uma posi\u00e7\u00e3o e dire\u00e7\u00e3o conhecidas e somando continuamente as sa\u00eddas dos aceler\u00f4metros e girosc\u00f3pios ao longo do tempo, podemos calcular a velocidade, a posi\u00e7\u00e3o e a dire\u00e7\u00e3o do ve\u00edculo a qualquer momento. No entanto, as IMUs sofrem de um problema interno: o desvio do sensor. Pequenos e inevit\u00e1veis erros em cada medi\u00e7\u00e3o se acumulam com o tempo, fazendo com que a posi\u00e7\u00e3o calculada se \"desvie\" da posi\u00e7\u00e3o real. \u00c9 como tentar andar em linha reta por um quil\u00f4metro com os olhos fechados; pequenos desvios no in\u00edcio levam a um grande erro no final.<\/p>\n<h3>Obtendo precis\u00e3o por meio da combina\u00e7\u00e3o<\/h3>\n<p>Uma IMU sozinha n\u00e3o \u00e9 suficientemente precisa para a geometria da pista. A solu\u00e7\u00e3o \u00e9 corrigir continuamente seus dados de desvio usando outras entradas de sensores independentes. Normalmente, isso \u00e9 feito por meio de um algoritmo estat\u00edstico sofisticado, como o filtro de Kalman, que \u00e9 excelente na combina\u00e7\u00e3o de dados de v\u00e1rias fontes para produzir uma estimativa ideal. O processo de combina\u00e7\u00e3o tem a seguinte apar\u00eancia:<\/p>\n<ol>\n<li>A IMU fornece uma estimativa de alta frequ\u00eancia (por exemplo, 1000 Hz) do movimento e da dire\u00e7\u00e3o do ve\u00edculo. Isso capta os detalhes finos dos solavancos e curvas da pista, mas est\u00e1 \u00e0 deriva.<\/li>\n<li>Um receptor do Sistema de Posicionamento Global (GPS) fornece uma posi\u00e7\u00e3o global de baixa frequ\u00eancia (por exemplo, 1-10 Hz), mas absoluta. Essa posi\u00e7\u00e3o n\u00e3o tem desvio de longo prazo, mas n\u00e3o \u00e9 precisa o suficiente para medir problemas de rastreamento por si s\u00f3. O filtro de Kalman usa os dados do GPS para \"puxar\" a posi\u00e7\u00e3o da IMU com desvio de volta \u00e0 sua verdadeira localiza\u00e7\u00e3o global, corrigindo o erro de longo prazo.<\/li>\n<li>Um od\u00f4metro (ou medidor de velocidade) conectado a uma roda fornece uma medi\u00e7\u00e3o muito precisa da dist\u00e2ncia percorrida ao longo da pista. Isso ajuda a corrigir erros de integra\u00e7\u00e3o no c\u00e1lculo da velocidade da IMU ao longo da pista.<\/li>\n<li>Os sistemas de c\u00e2mera e laser sem contato fornecem uma medi\u00e7\u00e3o direta e de alta precis\u00e3o dos perfis dos trilhos e sua posi\u00e7\u00e3o em rela\u00e7\u00e3o \u00e0 carroceria do ve\u00edculo de inspe\u00e7\u00e3o. Essas medi\u00e7\u00f5es servem como refer\u00eancia principal para calcular os valores finais de bitola, alinhamento e escala.<\/li>\n<\/ol>\n<p>Os dados geom\u00e9tricos finais e altamente precisos n\u00e3o s\u00e3o a sa\u00edda de um \u00fanico sensor. \u00c9 o resultado estatisticamente otimizado da combina\u00e7\u00e3o da estabilidade de curto prazo da IMU com a precis\u00e3o de longo prazo do GPS e as medi\u00e7\u00f5es diretas de od\u00f4metros e sistemas \u00f3pticos.<\/p>\n<h2>Coleta e processamento avan\u00e7ados de dados<\/h2>\n<p>Al\u00e9m dos principais sistemas de NDT e geometria, um novo conjunto de tecnologias est\u00e1 proporcionando uma vis\u00e3o ainda mais completa da integridade da via. Esses sistemas v\u00e3o al\u00e9m do trilho em si, abrangendo os componentes e a subestrutura ao redor. Paralelamente a essa evolu\u00e7\u00e3o do hardware, h\u00e1 o trabalho fundamental, muitas vezes invis\u00edvel, do processamento de sinais, que transforma dados brutos e ruidosos de sensores em informa\u00e7\u00f5es \u00fateis.<\/p>\n<h3>Vis\u00e3o, LiDAR e GPR<\/h3>\n<ul>\n<li>Sistemas de vis\u00e3o de alta velocidade: Esses sistemas s\u00e3o muito mais do que simples c\u00e2meras. Equipados com c\u00e2meras de varredura de linha de alta resolu\u00e7\u00e3o, ilumina\u00e7\u00e3o potente e algoritmos sofisticados de vis\u00e3o computacional, eles inspecionam o leito da via em busca de falhas nos componentes. Os modelos alimentados por IA podem identificar e localizar automaticamente problemas como clipes de fixa\u00e7\u00e3o ausentes ou quebrados, dormentes de concreto ou de madeira rachados e componentes de interruptores danificados a velocidades superiores a 100 mph.<\/li>\n<li>LiDAR (Light Detection and Ranging): Os sistemas LiDAR enviam pulsos de luz laser e medem o tempo que leva para as reflex\u00f5es retornarem, criando uma nuvem de pontos 3D densa e precisa de todo o corredor ferrovi\u00e1rio. Esses dados s\u00e3o inestim\u00e1veis para verificar as folgas das estruturas (t\u00faneis, pontes, plataformas), medir os perfis de lastro para garantir o suporte adequado da via e identificar o crescimento da vegeta\u00e7\u00e3o na faixa de dom\u00ednio.<\/li>\n<li>Radar de penetra\u00e7\u00e3o no solo (GPR): O GPR oferece uma vis\u00e3o abaixo da superf\u00edcie. Uma antena envia ondas de r\u00e1dio de alta frequ\u00eancia para o solo. Os reflexos dessas ondas, que variam de acordo com as propriedades el\u00e9tricas dos materiais subterr\u00e2neos, s\u00e3o usados para avaliar a condi\u00e7\u00e3o do lastro e do subleito. O GPR pode identificar \u00e1reas de incrusta\u00e7\u00e3o de lastro (onde part\u00edculas finas contaminaram o lastro grosso, bloqueando a drenagem), detectar bols\u00f5es de \u00e1gua retida (uma das principais causas de instabilidade do subleito) e mapear a espessura de diferentes camadas da subestrutura.<\/li>\n<\/ul>\n<h3>Dos dados brutos \u00e0 assinatura<\/h3>\n<p>Os dados brutos de qualquer sensor s\u00e3o naturalmente ruidosos. A arte e a ci\u00eancia do processamento de sinais consistem em extrair a assinatura t\u00eanue de um problema desse ru\u00eddo de fundo, um conceito medido pela rela\u00e7\u00e3o sinal-ru\u00eddo (SNR).<\/p>\n<p>As principais t\u00e9cnicas incluem:<\/p>\n<ul>\n<li>Filtragem: Os filtros digitais s\u00e3o essenciais para a limpeza de sinais. Por exemplo, um filtro passa-banda aplicado a um sinal sonoro pode remover o ru\u00eddo de baixa frequ\u00eancia da vibra\u00e7\u00e3o do ve\u00edculo e o ru\u00eddo el\u00e9trico de alta frequ\u00eancia, isolando a faixa de frequ\u00eancia em que s\u00e3o esperados os ecos problem\u00e1ticos.<\/li>\n<li>An\u00e1lise Wavelet: Essa t\u00e9cnica avan\u00e7ada permite que um sinal seja analisado nos dom\u00ednios do tempo e da frequ\u00eancia ao mesmo tempo. Para ecos sonoros complexos, a an\u00e1lise de wavelet pode ajudar a distinguir entre a assinatura de uma rachadura e uma reflex\u00e3o geom\u00e9trica (como a da base do trilho), examinando sua composi\u00e7\u00e3o de frequ\u00eancia exclusiva ao longo do tempo.<\/li>\n<\/ul>\n<p>Um exemplo pr\u00e1tico de nossa experi\u00eancia: ao analisar um A-scan para detectar um poss\u00edvel problema transversal, o sinal inicial geralmente est\u00e1 repleto de ru\u00eddos da estrutura de gr\u00e3os do trilho. A primeira etapa \u00e9 aplicar um filtro digital para remover o ru\u00eddo de alta frequ\u00eancia. Em seguida, procuramos um eco que apare\u00e7a em um tempo de voo espec\u00edfico correspondente ao centro da cabe\u00e7a do trilho, com uma intensidade que exceda um limite de decib\u00e9is predefinido. Essa combina\u00e7\u00e3o de localiza\u00e7\u00e3o, intensidade e forma distingue uma verdadeira assinatura de problema de um reflexo geom\u00e9trico inofensivo.<\/p>\n<h3>Tabela 2: Tecnologia avan\u00e7ada de coleta de dados<\/h3>\n<table>\n<tbody>\n<tr>\n<td width=\"144\">Tecnologia<\/td>\n<td width=\"144\">Regra b\u00e1sica<\/td>\n<td width=\"144\">Medi\u00e7\u00e3o prim\u00e1ria<\/td>\n<td width=\"144\">Uso principal na inspe\u00e7\u00e3o de trilhas<\/td>\n<\/tr>\n<tr>\n<td width=\"144\">Vis\u00e3o de alta velocidade<\/td>\n<td width=\"144\">Algoritmos de imagem de alta resolu\u00e7\u00e3o e vis\u00e3o computacional<\/td>\n<td width=\"144\">Problemas visuais nos componentes da esteira<\/td>\n<td width=\"144\">Detec\u00e7\u00e3o de clipes quebrados\/faltando, dormentes rachados, problemas de superf\u00edcie<\/td>\n<\/tr>\n<tr>\n<td width=\"144\">LiDAR<\/td>\n<td width=\"144\">Luz laser pulsada e medi\u00e7\u00e3o de tempo de voo<\/td>\n<td width=\"144\">Nuvem de pontos 3D da pista e arredores<\/td>\n<td width=\"144\">Verifica\u00e7\u00e3o da folga da estrutura, medi\u00e7\u00e3o do perfil do lastro, crescimento da vegeta\u00e7\u00e3o<\/td>\n<\/tr>\n<tr>\n<td width=\"144\">Radar de penetra\u00e7\u00e3o no solo (GPR)<\/td>\n<td width=\"144\">Viagem e reflex\u00e3o de ondas eletromagn\u00e9ticas<\/td>\n<td width=\"144\">Propriedades do material subterr\u00e2neo (constante el\u00e9trica)<\/td>\n<td width=\"144\">Avalia\u00e7\u00e3o de incrusta\u00e7\u00e3o de lastro, detec\u00e7\u00e3o de conte\u00fado de \u00e1gua, an\u00e1lise de camada de subleito<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>A mudan\u00e7a para a IA preditiva<\/h2>\n<p>A \u00faltima fronteira na inspe\u00e7\u00e3o de pista \u00e9 a transi\u00e7\u00e3o de um modelo de manuten\u00e7\u00e3o reativa ou preventiva para um modelo verdadeiramente preditivo. A intelig\u00eancia artificial e o aprendizado de m\u00e1quina s\u00e3o os motores que impulsionam essa mudan\u00e7a. Em vez de simplesmente encontrar problemas que j\u00e1 existem, agora estamos desenvolvendo a capacidade de prever onde e quando eles provavelmente se formar\u00e3o, permitindo uma interven\u00e7\u00e3o proativa.<\/p>\n<h3>Aprendizado de m\u00e1quina para detec\u00e7\u00e3o<\/h3>\n<p>Os modelos de aprendizado de m\u00e1quina est\u00e3o sendo treinados para executar e aprimorar a detec\u00e7\u00e3o de problemas com uma velocidade e consist\u00eancia que superam as habilidades humanas.<\/p>\n<ul>\n<li>Redes neurais convolucionais (CNNs): S\u00e3o uma classe de modelos de aprendizagem profunda perfeitamente adequados para a an\u00e1lise de imagens. Ao treinar uma CNN em uma vasta biblioteca contendo milh\u00f5es de imagens rotuladas de componentes de trilhos, podemos criar um sistema que identifica e classifica automaticamente os problemas a partir de dados de vis\u00e3o de alta velocidade. O modelo aprende as caracter\u00edsticas visuais de um dormente rachado, um grampo faltando ou um chip na cabe\u00e7a do trilho, da mesma forma que um inspetor humano, mas pode fazer isso incansavelmente em milhares de quil\u00f4metros de trilhos.<\/li>\n<li>An\u00e1lise de dados de s\u00e9ries temporais de sensores: Os dados de ondas sonoras, corrente el\u00e9trica e sensores de geometria s\u00e3o essencialmente s\u00e9ries temporais ou s\u00e9ries de dist\u00e2ncia. As redes neurais recorrentes, como as redes LSTMs (Long Short-Term Memory), s\u00e3o projetadas para analisar sequ\u00eancias de dados. Elas podem identificar padr\u00f5es sutis e evolutivos nos dados do sensor ao longo de v\u00e1rias inspe\u00e7\u00f5es que podem indicar a forma\u00e7\u00e3o de um problema em est\u00e1gio inicial, muito antes de ele ultrapassar o limite de detec\u00e7\u00e3o tradicional.<\/li>\n<\/ul>\n<h3>An\u00e1lise preditiva: Previs\u00e3o<\/h3>\n<p>A verdadeira revolu\u00e7\u00e3o \u00e9 a an\u00e1lise preditiva. Isso vai al\u00e9m da detec\u00e7\u00e3o e passa a ser uma previs\u00e3o. O conceito \u00e9 criar um modelo que use uma ampla gama de dados para prever o estado futuro da via. Combinando dados hist\u00f3ricos de inspe\u00e7\u00e3o, dados de tr\u00e1fego (como milh\u00f5es de toneladas brutas, MGT), espectros de carga por eixo, curvatura da via e at\u00e9 mesmo dados ambientais (temperatura, precipita\u00e7\u00e3o), o modelo aprende as rela\u00e7\u00f5es complexas que governam a quebra da via.<\/p>\n<p>Em vez de apenas marcar um head check existente de 4 mm de profundidade, um modelo preditivo pode prever que uma se\u00e7\u00e3o espec\u00edfica da via, dada a sua condi\u00e7\u00e3o atual e o tr\u00e1fego esperado, provavelmente ver\u00e1 seus problemas de RCF crescerem para um tamanho perigoso nos pr\u00f3ximos seis meses. Isso permite que os planejadores de manuten\u00e7\u00e3o programem uma opera\u00e7\u00e3o de esmerilhamento ou substitui\u00e7\u00e3o de trilhos n\u00e3o em um cronograma fixo, mas exatamente quando for necess\u00e1rio - pouco antes de uma falha prevista. Essa abordagem orientada por dados otimiza o uso de recursos, minimiza as interrup\u00e7\u00f5es de servi\u00e7o e aumenta a seguran\u00e7a. A an\u00e1lise do setor sugere que um programa maduro de an\u00e1lise preditiva tem o potencial de reduzir a manuten\u00e7\u00e3o n\u00e3o planejada e os atrasos associados em 15-30%.<\/p>\n<h3>Tabela 3: Est\u00e1gios de implementa\u00e7\u00e3o da IA<\/h3>\n<table>\n<tbody>\n<tr>\n<td width=\"144\">Est\u00e1gio<\/td>\n<td width=\"144\">Meta<\/td>\n<td width=\"144\">Principais atividades<\/td>\n<td width=\"144\">Desafios<\/td>\n<\/tr>\n<tr>\n<td width=\"144\"><strong>1. Coleta de dados<\/strong><\/td>\n<td width=\"144\">Re\u00fana todas as fontes de dados relevantes.<\/td>\n<td width=\"144\">Colete dados hist\u00f3ricos de inspe\u00e7\u00e3o, registros de manuten\u00e7\u00e3o, dados de tr\u00e1fego (MGT) e dados meteorol\u00f3gicos.<\/td>\n<td width=\"144\">Silos de dados, formatos inconsistentes, dados ausentes.<\/td>\n<\/tr>\n<tr>\n<td width=\"144\"><strong>2. Engenharia de recursos<\/strong><\/td>\n<td width=\"144\">Selecionar e transformar dados para o modelo.<\/td>\n<td width=\"144\">Identificar os principais preditores de falhas, normalizar dados, criar sequ\u00eancias de s\u00e9ries temporais.<\/td>\n<td width=\"144\">Requer conhecimento significativo do dom\u00ednio.<\/td>\n<\/tr>\n<tr>\n<td width=\"144\"><strong>3. Desenvolvimento e treinamento de modelos<\/strong><\/td>\n<td width=\"144\">Criar e treinar o modelo preditivo.<\/td>\n<td width=\"144\">Escolha um algoritmo apropriado (por exemplo, Random Forest, LSTM), treine com dados hist\u00f3ricos e rotule os eventos de falha.<\/td>\n<td width=\"144\">Requer conjuntos de dados grandes e de alta qualidade; risco de ajuste excessivo.<\/td>\n<\/tr>\n<tr>\n<td width=\"144\"><strong>4. Valida\u00e7\u00e3o e implementa\u00e7\u00e3o<\/strong><\/td>\n<td width=\"144\">Teste o modelo e integre-o aos fluxos de trabalho.<\/td>\n<td width=\"144\">Teste com dados n\u00e3o vistos, me\u00e7a a exatid\u00e3o (precis\u00e3o\/recall), crie alertas para os planejadores.<\/td>\n<td width=\"144\">Gerenciamento de mudan\u00e7as, integrando-se ao CMMS existente.<\/td>\n<\/tr>\n<tr>\n<td width=\"144\"><strong>5. Monitoramento e refinamento cont\u00ednuos<\/strong><\/td>\n<td width=\"144\">Garantir que o modelo permane\u00e7a preciso ao longo do tempo.<\/td>\n<td width=\"144\">Monitore o desempenho do modelo, treine novamente com novos dados para levar em conta as mudan\u00e7as nas condi\u00e7\u00f5es.<\/td>\n<td width=\"144\">Desvio de modelo, evolu\u00e7\u00e3o dos modos de falha.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Conclus\u00e3o: A trilha integrada e inteligente<\/h2>\n<p>A jornada da tecnologia de inspe\u00e7\u00e3o de vias \u00e9 uma progress\u00e3o clara do manual para o inteligente. Evolu\u00edmos de uma pessoa percorrendo a via com um martelo para ve\u00edculos de alta velocidade implantando um conjunto de sensores de NDT e de geometria e, agora, para a beira de uma era preditiva orientada por IA. O objetivo final dessa evolu\u00e7\u00e3o \u00e9 a cria\u00e7\u00e3o de um g\u00eameo digital abrangente da ferrovia.<\/p>\n<h3>De g\u00eameo manual a g\u00eameo digital<\/h3>\n<p>Esse g\u00eameo digital \u00e9 um modelo vivo e virtual da rede f\u00edsica, continuamente atualizado com dados de cada execu\u00e7\u00e3o de inspe\u00e7\u00e3o. Ele combina dados de falhas internas de UT, dados de superf\u00edcie de ECT e vis\u00e3o, dados de geometria de sistemas inerciais e dados de subestrutura de GPR. Ao combinar esses dados com dados ambientais e de tr\u00e1fego, o g\u00eameo digital se torna mais do que um registro; ele se torna uma plataforma de simula\u00e7\u00e3o para prever o futuro.<\/p>\n<h3>O objetivo: disponibilidade m\u00e1xima<\/h3>\n<p>O objetivo de toda essa tecnologia complexa - da piezoeletricidade aos filtros de Kalman e \u00e0s redes neurais convolucionais - \u00e9 elegantemente simples. \u00c9 maximizar a seguran\u00e7a e a disponibilidade da ferrovia. Ao encontrar falhas mais cedo, compreender mais profundamente a mec\u00e2nica das avarias e prever as falhas antes que elas ocorram, garantimos que a via f\u00edsica continue sendo uma base confi\u00e1vel para as redes de transporte que s\u00e3o vitais para nossa economia e sociedade. O futuro \u00e9 uma via integrada e inteligente.<\/p>\n<p class=\"whitespace-normal break-words\">\n<ol class=\"[&amp;:not(:last-child)_ul]:pb-1 [&amp;:not(:last-child)_ol]:pb-1 list-decimal space-y-1.5 pl-7\">\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/arema.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/arema.org\/<\/a><\/strong> Associa\u00e7\u00e3o Americana de Engenharia Ferrovi\u00e1ria e Manuten\u00e7\u00e3o de Vias<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.uic.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.uic.org\/<\/a><\/strong> Uni\u00e3o Internacional de Ferrovias (UIC)<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/railroads.dot.gov\/\" target=\"_blank\" rel=\"noopener\">https:\/\/railroads.dot.gov\/<\/a><\/strong> Administra\u00e7\u00e3o Federal de Ferrovias (FRA)<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.nde-ed.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.nde-ed.org\/<\/a><\/strong> NDT Resource Center - T\u00e9cnicas de inspe\u00e7\u00e3o de trilhos<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.astm.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.astm.org\/<\/a><\/strong> ASTM International - Padr\u00f5es de Inspe\u00e7\u00e3o Ferrovi\u00e1ria<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.iso.org\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.iso.org\/<\/a><\/strong> ISO - Padr\u00f5es de trilhos ferrovi\u00e1rios<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.sciencedirect.com\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.sciencedirect.com\/<\/a><\/strong> ScienceDirect - Artigos de pesquisa sobre NDT ferrovi\u00e1rio<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.researchgate.net\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.researchgate.net\/<\/a><\/strong> ResearchGate - Pesquisa sobre tecnologia de inspe\u00e7\u00e3o de trilhos<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/en.wikipedia.org\/wiki\/Railway_track\" target=\"_blank\" rel=\"noopener\">https:\/\/en.wikipedia.org\/wiki\/Railway_track<\/a><\/strong> Wikipedia - Trilhos de trem<\/li>\n<li class=\"whitespace-normal break-words\"><strong><a class=\"underline\" href=\"https:\/\/www.ndt.net\/\" target=\"_blank\" rel=\"noopener\">https:\/\/www.ndt.net\/<\/a><\/strong> NDT.net - Recursos para testes ultrass\u00f4nicos em ferrovias<\/li>\n<\/ol>","protected":false},"excerpt":{"rendered":"<p>Al\u00e9m da superf\u00edcie: Understanding How We Keep Railway Tracks Safe The Important Science Behind Safety Os trens modernos dependem de uma verdade b\u00e1sica: os trilhos devem estar em perfeitas condi\u00e7\u00f5es. A verifica\u00e7\u00e3o dos trilhos, portanto, n\u00e3o \u00e9 apenas um trabalho simples, mas um uso inteligente da engenharia e da ci\u00eancia. \u00c9 a ci\u00eancia que mant\u00e9m milh\u00f5es de passageiros [...]<\/p>","protected":false},"author":1,"featured_media":2974,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[25],"tags":[],"class_list":["post-2971","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-high-speed-rail-track-fasteners"],"_links":{"self":[{"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/posts\/2971","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/comments?post=2971"}],"version-history":[{"count":2,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/posts\/2971\/revisions"}],"predecessor-version":[{"id":2976,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/posts\/2971\/revisions\/2976"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/media\/2974"}],"wp:attachment":[{"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/media?parent=2971"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/categories?post=2971"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/productionscrews.com\/pt\/wp-json\/wp\/v2\/tags?post=2971"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}