Post on 20-Jun-2020
DECISÃO ORIENTADA POR DADOS (DOD) EM UM CONTEXTO FERROVIÁRIO
Kleber Sathler Santos Departamento de Ciências e Tecnologia
Instituto Militar de Engenharia
Luiz Antônio Silveira Lopes Departamento de Ciências e Tecnologia
Instituto Militar de Engenharia
RESUMO
Este artigo identifica oportunidades e etapas de implantação da tomada de Decisão Orientada por Dados (DOD)
de manutenção e operação de forma integrada, em uma ferrovia brasileira e seus impactos. Neste contexto, são
apresentados conceitos de Indústria 4.0, Big Data, IoT – Internet Industrial, Data Science para extração,
possibilidades de tratamento e utilização intensiva de dados para tomada de decisão em uma operação ferroviária
e para implantação de um Centro de Inteligência Operacional (CIO).
Palavras Chave: Big Data. Analytics. Industria 4.0. IoT – Internet das Coisas. Internet Industrial. Data Science.
Ferrovia.
ABSTRACT
The purpose of this article is to present how we could identify implementation steps and opportunities by using
of decision making data (ODMD) of maintenance and operation activities as integrated subjects in a brazilian
railway, and its impacts. In this context, there will be presented 4.0 Industry concepts, Big Data, IoT – Internet of
Things, Data science, data treatment possibilities and extensive use of data to decision making in a railroad
operation, to implement an Operational Inteligence Center (OIC).
Keywords: Simulation. Big Data. Analytics. Industry 4.0. IoT - Internet of Things. Industrial Internet. Data
Science. Railroad.
1. INTRODUÇÃO
Os últimos anos testemunharam grandes investimentos em infraestrutura que têm melhorado a
capacidade de coletar dados nas empresas. Praticamente todos os segmentos das empresas estão
abertos para coleta de dados. Essa ampla disponibilidade de dados levou ao aumento do
interesse em métodos para extrair informações úteis e conhecimento a partir de dados.
Agora, com grandes quantidades de dados disponíveis, as empresas estão focadas em como
explorá-los para obter vantagem competitiva. Porém para esse conjunto de dados, seu volume
e variedade superam muito a capacidade de análise manual.
A aplicação de princípios de Data Science e de técnicas de mineração de dados se apresentam
como fundamento para a implantação do Pensamento Analítico de Dados, objetivando a tomada
de Decisão Orientada por dados (DOD).
Para analisar esse cenário foi necessário realizar estudos bibliográficos sobre Big Data,
Analytics, IoT – internet das coisas / internet industrial, Data Science, além da realização de
coleta de dados sobre processo da ferrovia em estudo, pesquisa de campo e em documentos
técnicos de equipamentos e sistemas ferroviários.
Neste contexto, este artigo trata de um panorama de tipos, distribuição e volume de dados,
impactos e desafios para utilização, bem como implantação de um processo decisório mais ágil
e assertivo objetivando maximizar os investimentos realizados e minimizar desperdícios.
A estrutura do presente artigo é compreendida pela revisão bibliográfica dos assuntos
relacionados a este estudo, levantamento e classificação de dados, indicação de oportunidades
de integração e relacionamento dos mesmos.
2. REVISÃO BIBLIOGRÁFICA
2.1. A Internet Industrial – A quarta revolução industrial
Segundo Davenport (2014), a essência da Internet industrial baseia-se em uma série de sensores
que trabalham em conjunto para coletar e analisar dados para fins específicos.
Durante a maior parte da história da humanidade, a produtividade aumentou em passos muitos
pequenos e os avanços nos padrões vigentes também foram extremamente lentos. A revolução
industrial foi iniciada aproximadamente 200 anos atrás com a introdução da produção
mecânica. A força muscular, tanto humana quanto animal, foi substituída pela força mecânica.
A segunda revolução industrial começou em 1870, quando a primeira correia transportadora foi
ativada em uma fábrica de processamento de carne em Cincinnati, Ohio, nos Estados unidos,
introduzindo a produção em massa com divisão de trabalho, com a ajuda da eletricidade.
A automação dos processos de produção começou em meados da década de 70, e agora o mundo
está entrando em uma nova era, com o surgimento da Internet industrial. Alguns referem-se a
ela como a quarta revolução industrial ou Indústria 4.0.
A Internet industrial refere-se à integração de máquinas com sensores e software em rede. Além
de envolver uma transformação abrangente do setor mundial, ela também afeta diversos
aspectos da vida diária, incluindo a forma como muitos de nós desempenhamos o nosso
trabalho. A Internet industrial trará mais velocidade e eficiência para uma série de setores, como
os de aviação, transporte ferroviário, energia petróleo e gás, e saúde. Ela também nutre a
promessa de um crescimento econômico mais sólido, mais trabalhos de melhor qualidade e
melhoria na qualidade de vida, independentemente da região.
A essência da Internet industrial é composta de três elementos:
2.1.1. Máquinas inteligentes
No formato de novas maneiras de conectar máquinas, instalações, frotas e redes por meio de
sensores, controles e aplicativos de software avançados.
2.1.2. Análises avançadas
Que utilizam, por exemplo, o poder da analítica, algoritmos preditivos, a automação e o
conhecimento aprofundado de domínios na ciência de materiais e na engenharia elétrica para
compreender a operação das máquinas e de sistemas maiores.
2.1.3. Pessoas no trabalho
Conectar pessoas em qualquer lugar (instalações industriais, escritórios, hospitais ou no
trânsito) e a qualquer momento, para promover projetos, operações e manutenção mais
inteligentes e gerar serviços com mais qualidade e mais segurança.
2.2. Ciência Analítica- Analytics
Segundo Kim et al. (2014), analítica significa o uso amplo de dados, de análise estatística e
quantitativa, de modelos exploratórios e preditivos e de gestão fatual para orientar decisões e
agregar valor.
A analítica pode ser classificada como descritiva, preditiva e prescritiva, de acordo com seus
métodos e propósitos. A analítica descritiva envolve coleta, organização, tabulação e
apresentação de dados, para a exposição das características, do que está sendo estudado. Esse
tipo de analítica, historicamente, tem sido denominada reporting ou elaboração de relatórios.
Trata-se de algo que pode ser útil, mas não explica os resultados ou as ocorrências nem indica
o pode acontecer no futuro.
A analítica preditiva vai além da mera descrição de características dos dados e das relações
entre variáveis (fatores que podem assumir uma faixa de valores diferentes); usa dados do
passado para prever o futuro. Primeiro identifica as associações entre as variáveis e depois prevê
a probabilidade do fenômeno com base nas relações identificadas. Embora as associações entre
variáveis sejam exploradas para propósitos preditivos, não se supõe nenhuma relação de causa
e efeito na analítica preditiva.
A analítica prescritiva, incluindo métodos de projeto experimental e otimização, se estende
ainda mais. Da mesma maneira como a receita de um médico, a analítica prescritiva sugere um
curso de ação. O projeto experimental tenta responder as perguntas sobre por que algo
aconteceu, por meio de experimentos. Para fazer a inferências casuais com base em pesquisas
de causa e efeito, os pesquisadores devem manipular uma ou mais variáveis independentes e
efetivamente controlar as outras variáveis exógenas. Se o grupo de testes – o que preenche a
condição experimental – apresenta desempenho substancialmente melhor que o do grupo de
controle – o tomador de decisão pode aplicar a condição em âmbito mais amplo.
A otimização, outra técnica prescritiva, tenta descobrir o nível ideal de determinada variável
em suas relações com outra, como por exemplo determinar o preço de um produto tendente a
oferecer a mais alta rentabilidade. Do mesmo modo, os métodos de otimização os níveis de
estoque em que menores seriam as probabilidades de faltas ou de sobras numa organização de
varejo.
A analítica pode ser classificada como qualitativa ou quantitativa, de acordo com os processos
adotados e do tipo de dados coletados e analisados. A análise qualitativa almeja promover a
compreensão profunda das razões e motivações subjacentes a um fenômeno. Em geral, coletam-
se dados não estruturados de um pequeno número de casos não representativos, que não são
analisados sob abordagem não estatística. A analítica qualitativa quase sempre oferece
ferramentas úteis para a pesquisa exploratória – a primeira fase do processo analítico. A
analítica quantitativa se presta à investigação empírica sistemática de um fenômeno, por meio
de técnicas estatísticas, matemáticas ou computacionais. Coletam-se e analisam-se dados
estruturados de um grande número de casos representativos.
Vejam as ferramentas de analítica que atendem a diferentes propósitos dos pesquisadores:
2.2.1. Estatísticas
Ciência da coleta, organização, analise, interpretação e apresentação de dados.
2.2.2. Previsão
Estimativa do valor de uma variável, de algum tempo futuro, com base em dados do passado.
2.2.3. Mineração de dados
Identificação automática ou semiautomática de padrões interessantes, até então desconhecidos,
em grande massa de dados, por meio do uso de algoritmos de computação e de técnicas
estatísticas. Já para Silva et al. (2016), a mineração de dados é definida em termos de esforços
para a descoberta de padrões em bases de dados. A partir dos padrões descobertos, têm-se
condições de geral conhecimento útil para um processo de tomada de decisão. Trata-se,
portanto, da aplicação de técnicas, implementadas por meio de algoritmos computacionais,
capazes de receber, como entrada, um conjunto de fatos ocorridos no mundo real e devolver,
como saída, um padrão de comportamento, o qual pode ser expresso, por exemplo, como uma
regra de associação, uma função de mapeamento ou a modelagem de um perfil.
2.2.4. Mineração de textos
Processo de extrair padrões e tendências de um texto, à semelhança da mineração de dados.
2.2.5. Otimização
Uso de tendências matemáticas na busca de soluções ótimas, observando determinados critérios
e satisfazendo a certas restrições.
2.2.6. Projeto experimental
Estudos de grupos de teste e de grupos de controle, com a atribuição aleatória de temas ou casos
para cada grupo, a fim de identificar relações de causa e efeito em determinado resultado.
A interligação de dispositivos, instalações, frotas e redes inteligentes com as pessoas no
trabalho e em trânsito abre novas possibilidades de otimização de processos e eleva o potencial
de crescimento da produtividade e eficiência.
2.3. Big Data
De acordo com Davenport (2014), big data é um termo genérico para dados que não podem ser
contidos nos repositórios usuais; refere-se a dados volumosos demais para caber em um único
servidor; não estruturados demais para se adequar a um banco de dados organizados em linhas
e colunas; ou fluidos demais para serem armazenados em Data Warehouse estático. Embora o
termo enfatize o tamanho, o aspecto mais complicado do Big Data, na verdade, envolve sua
fata de estrutura.
Segundo estudo realizado por Gantz (2012), a um gigantesco volume de dados, o mundo usou
mais de 2,8 zetabytes de dados (o que equivale a 2,8 trilhões de gigabytes, um volume
inconcebível) em 2012. Porém o estudo mencionado anteriormente sugere que apenas 0,5% dos
2,8 zetabytes de dados são analisados de alguma forma. Nem todos os dados serão proveitosos
– o estudo estima que apenas cerca de 25% tem algum valor potencial-, mas qualquer que seja
a proporção certa, mal estamos arranhando a superfície das possibilidades.
Porém Provost (2016) destaca que as empresas estão na era do Big Data 1.0. As empresas estão
se ocupando com a criação de capacidades para processar grandes dados, em grande parte como
apoio às suas atuais operações – por exemplo, para melhorar a eficiência. Devemos esperar que
uma fase Big Data 2.0 siga o Big Data 1.0. Depois que as empresas forem capazes de processar
dados em massa de forma flexível, elas devem começar a perguntar: “O que posso fazer agora
que não podia fazer antes, ou fazer melhor do que antes?”.
2.4. Data Science
Segundo Provost (2016), Data Science envolve princípio, processos e técnicas para
compreender fenômenos por meio de análise (automatizada) de dados. O objetivo primordial
de Data Science, é o aprimoramento da tomada de decisão, uma vez que isso geralmente é de
interesse direto para os negócios.
Figura 1: Data science no contexto dos diversos processos relacionados a dados na organização
Fonte: Provost (2016)
Como podemos observar na figura 1, a tomada de decisão orientada por dados (DOD) refere-
se à prática de basear as decisões na análise de dados em vez de apenas na intuição. A DOD
não é uma prática do tipo “tudo ou nada”, e diversas empresas a adotam em maior ou menor
grau.
2.4. Cientista de Dados – Equipe de Data Science
Provost (2016) coloca como que um dos principais fundamentos de Data Science: os dados, e
a capacidade de extrair conhecimento útil a partir deles, devem ser considerados importantes
ativos estratégicos. A melhor equipe de Data Science pode gerar pouco valor sem os dados
adequados; muitas vezes, os dados corretos não podem melhorar substancialmente as decisões
sem o talento adequado em Data Science. Existem vários tipos de cientistas de dados, conforme
Davenport (2014). O cientista de dados verticais que têm profundo conhecimento de algum
campo específico. Eles podem ser cientistas da computação extremamente familiarizados com
a complexidade computacional de todos os algoritmos de ordenação. Ou um estatístico que sabe
tudo sobre valores próprios, decomposição em valores singulares e sua estabilidade numérica e
convergência assintótica de estimadores de máxima pseudoverossimilhança. Ou um engenheiro
de software de software com anos de experiência escrevendo códigos Python aplicado ao
desenvolvimento de API´s e tecnologias de rastreamento da web. Ou uma pessoa de banco de
dados com grande domínio de modelagem de dados, Data Warehousing, Graph Databases e
expertise em Hadoop e NoSQL. Ou ainda, um técnico de modelagem preditiva especializado
em redes Bayesianas, SAS e SVM. Já os cientistas de dados horizontais são uma mistura de
analista de negócio, estatístico, cientista da computação e especialista em domínio específico.
Eles combinam visão com conhecimento técnico. Podemos observar pelo tom, a preferência
pela variedade horizontal. O conhecimento amplo e pragmático desse último tipo de cientista
de dados é melhor que o profundo conhecimento vertical. Como encontrar um profissional com
todas essas habilidades difícil, a empresa deve focar em desenvolver uma equipe
multidisciplinar para essa tarefa.
Por sua vez, Davenport (2014) destaca alguns aspectos que ele julga como fundamentais para
um cientista de dado, conforme figura 2 abaixo.
Tabela 1: Atributos dos Cientistas de Dados
Fonte: Davenport (2014)
Atributos Habilidades
Hacker • Capacidade de codificar
• Domínio de arquiteturas tecnológicas de big data
Cientista
• Tomada de decisões baseada em evidências
• Improvisação
• Impaciência e inclinação à ação
Conselheiro • Grandes habilidades de comunicação e relacionamento
• Capacidade de elaborar decisões e entender os processos decisórios
Analista
quantitativo
• Análise estatística
• Visual Analytics
• Aprendizado de máquina
• Análise de dados não estruturados, como texto, vídeo ou imagens
Expert em negócios • Compreensão de como o negócio funciona e lucra
• Boa noção de onde aplicar o Analytics e o Big Data
3. MATERIAIS E MÉTODOS
Para se estabelecer um panorama foi realizado uma pesquisa documental para identificar os
principais sistemas, equipamentos e sensores responsáveis pela geração de volumes de dados
relevantes.
3.1. Sistemas de medição dinâmica de parâmetros preditivos de vagões - Wayside
O sistema Waysides compreende diversos equipamentos de monitoramento de ativos
ferroviários, especificamente material rodante de Vagões. Na ferrovia pesquisada, atualmente
existem sistemas instalados no supersite Waysides, além dos sensores Hot-Box instalados em
09 posições ao longo da ferrovia.
3.1.1. Supersite Waysides
No supersite Waysides, conforme figura 2, estão instalados os seguintes sensores: Detector
Acústico, Detector de Performance de Truque, Medidor de Perfil de Roda, Detector de Impacto
de Roda, Analisador das Sapatas de Freio – Video Image.
Figura 2: Site de medição dinâmica de parametros de vagões - Wayside
Estes sensores realizam a aquisição e processamento dos dados localmente, os quais são
posteriormente transferidos, via fibra-ótica para o Banco de Dados central do sistema,
localizado em um centro de controle. A arquitetura atual da rede Waysides é mostrada na figura
abaixo:
Figura 3: Arquitetura da rede Waysides
Fonte: Procedimento de Manutenção da Rede Waysides
Este conjunto de sensores geram diariamente um volume de 3,17 milhões de registros por dia.
3.2. Sistemas de medição dinâmica veicular – Vagão Instrumentado
O sistema de medição dinâmica veicular é realizado através de vagões instrumentados.
Figura 4: Componentes vagão instrumentado
O vagão instrumentado possui diversos sensores de aquisição de dados para monitoramento de
parâmetros de via permanente.
3.2.1. Células de Cargas
Tem a função de monitorar a atividade dinâmica de longo comprimento de onda do vagão (4
por vagão) e fornecem uma indicação da interação entre vagão e a via permanente.
Figura 5: Célula de carga
3.2.2. Acelerômetros
Montados verticalmente nas laterais dos truques e medem forças de impacto na interface roda-
trilho. Respostas com altas acelerações geralmente são associadas a defeitos como: solda
rebaixada, juntas isoladas, juntas metálicas, fadiga por contato roda/trilho, e AMV’s – Aparelho
de Mudança de Via.
3.2.2. Sensor Tri-axial
Um acelerômetro tri-axial instalado na viga central do vagão, responsável por coletar
acelerações laterais.
3.2.3. GPS e Antenas
É utilizado para monitorar localização e velocidade do trem na via.
3.2.4. Haste instrumentada
A haste rígida instrumentada fornece detalhes de forças internas no trem e informações sobre
estratégia de condução, práticas atuais de condução e configurações das locomotivas podem ser
obtidas através desses dados.
Figura 5: Haste Instrumentada
3.2.4. Sensor de encanamento geral
Fornece informação da variação da pressão no encanamento geral para assim se obter um
melhor entendimento sobre a dinâmica longitudinal dos vagões.
Este conjunto de sensores de cada vagão instrumentados geram diariamente um volume de
11,23 milhões de registros por dia.
3.3. Sistemas de medição de via permanente – Carro Controle
O carro controle é veículo ferroviário equipado com sensores, câmeras, laser e computadores
dedicados. É ferramenta muito utilizada pelas equipes de manutenção e engenharia da Via
Permanente para avaliar a qualidade dos parâmetros de geometria da ferrovia.
Figura 6: Carro controle
Este conjunto de sensores disponíveis no carro controle geram um volume de 102 milhões de
registros por viagem de inspeção de toda ferrovia.
Figura 7: Medições e Registros - Carro controle
3.4. Sistemas Avaliador de Viagens Ferroviárias - AVF
O AVF é uma ferramenta desenvolvida para realizar a análise automática da viagem dos
maquinistas baseada em regras parametrizáveis a fim de garantir a uniformidade da avaliação
da condução dos maquinistas. A ferramenta monitora mais de 15 variáveis em
aproximadamente 20 comportamentos configurados. Durante um mês são analisadas em torno
de 13.000 viagens de maquinistas. Este conjunto de comportamentos pode gerar mais de 3,9
milhões de registros por mês.
Figura 8: Visualizador de Eventos - AVF
3.5. Sistemas Gestão Diretriz Básicas - GDB
O GDB é uma ferramenta utilizada para avaliar todos os operadores e mantenedores de
determinada ferrovia para verificar o atendimento e comprimento dos regulamentos e normas
operacionais. Durante um mês são verificados 500.000 itens em 12.500 diagnósticos ou teste
de eficiência em aproximadamente 8000 funcionários.
3.5. Volume de Dados
Na tabela 2 podemos verificar o volume de dados estruturados gerados per alguns sistemas em
um determinado período. Podemos imaginar que esse volume de dados está além da capacidade
humana para gerar análises e respostas rápidas.
Tabela 2: Volume de Dados Gerados
Sistema Volume de dados por período
Sistemas de medição dinâmica de parâmetros
preditivos de vagões - Wayside • 3,17 Milhões de registros por dia
Sistemas de medição dinâmica veicular –
Vagão Instrumentado • 11,23 Milhões de registros por dia de
viagem
Sistemas de medição de via permanente – Carro
Controle • 102 Milhões de registros por inspeção
ferrovia
Sistemas Avaliador de Viagens Ferroviárias -
AVF • 3,9 Milhões de registros por mês (13.000
viagens)
Sistema de medição de temperatura de
rolamentos – Hot Box • 12,14 Milhões de registros por mês
Sistemas Gestão Diretriz Básicas - GDB • 0,5 Milhões de registros por mês
Os dados apresentados na tabela 2 não representam a totalidade das informações geradas. Além
dos sistemas citados, outros sistemas de gestão da manutenção e operação ferroviária geram
uma elevada quantidade de dados transacionais: registros de manutenção de equipamentos e
componentes (1,4 milhões de objetos de manutenção), monitoramento preditivo e detectivo de
equipamentos e componentes, ocorrências e incidentes operacionais, históricos operacionais de
produção e controle, registros de treinamento, inspeções de segurança, etc.
4. RESULTADOS E DISCUSSÕES
A ferrovia em questão está desenvolvendo no seu plano estratégico de tecnologia, programas
voltados a melhorar aspectos relacionados ao monitoramento de ativos e operação otimizada.
Em um panorama geral dos dados gerados, a sua maioria estão restritos as áreas operacionais
onde os mesmos são coletados e registrados. Logo, a universalização das informações para
diferentes públicos (operação, manutenção e engenharia) se apresenta como uma oportunidade.
O arquivamento e back-up de dados de forma sistêmica em ambientes de tecnologia estão sendo
tratados e alguns sistemas estão sendo migrados para outros ambientes. É possível observar a
utilização de técnicas de análises de dados internos desses sistemas de forma isolada (small
data). O relacionamento desses dados internos com dados externos a aquele sistema, ficando
na maioria das vezes, restritas as variáveis locais ou internas. Observa-se também o
desenvolvimento e aplicação de painéis de gestão - dashboard com dados estruturados com
ferramentas de Business Intelligence – BI. Além da extração, tratamento e análise de dados
estruturados, a captura e tratamento de dados não estruturados (vídeo e imagem) e adoção de
técnicas de Visual Analytics possibilitarão a realização de inspeções autônomas dos ativos em
pontos de carga e descarga de vagões, intercâmbios entre ferrovias e pontos de manutenção. A
utilização de técnicas de aprendizado de máquina - Machine Learning e soluções de Advanced
Analytics, serão necessárias para implantação de um centro integrado de monitoramento e
análise (centro de inteligência operacional) pode alavancar melhorar os resultados e a
velocidade das análises realizadas e favorecer um processo de decisão orientada por dados
(DOD).
5. CONSIDERAÇÕES FINAIS
A geração e aquisição de dados vem se tornando cada vez mais intensa nas ferrovias, com o
sensoriamento de ativos / equipamentos e expansão das coberturas das redes de dados. A tabela
3 apresenta uma visão de curto, médio e longo prazo de etapas sugeridas para a implementação
de um processo mais intensivo de dados em um processo de DOD em uma ferrovia.
Tabela 3: Visão de Futuro – Implantação DOD
Curto Prazo Médio Prazo Longo Prazo
Integração de dados
existentes
• Ativos Fixos
• Ativos Móveis
• Transacionais
Centro de Inteligência
Local
• Cluster Ativos Fixos
• Cluster Ativos
Móveis
• Dados Transacionais
Centro de Inteligência
Ferroviário
Sustentabilidade das soluções
desenvolvidas
• Monitoramento on-
line
• Operações semi-
otimizadas
• Inspeções Autônomas
• Operações otimizadas
REFERÊNCIAS BIBLIOGRÁFICAS
DAVENPORT, Thomas H. (2014) Big data no trabalho: derrubando mitos e descobrindo oportunidades. Elsevier
Editora, Rio de Janeiro, RJ.
DAVENPORT, Thomas H. e KIM, Jinho (2014) Dados demais!: como desenvolver habilidades analíticas para
resolver problemas complexos, reduzir riscos e decidir melhor. Elsevier Editora, Rio de Janeiro, RJ.
DIAS, Renata Rampim de Freitas (2016) Internet das coisas sem mistérios; Uma nova inteligência para os
negócios. Netpress Books, São Paulo, SP.
FREIRE, Pedro (2012) Doctec 12043 Manual técnico Waysides. Disponível em: Vale - Portal GEDFT <
http://engopr/DocTec/Doc>.
PROVOST, Foster e FAWCETT, Tom (2016) Data Science para negócios: o que você precisa saber sobre
mineração de dados e pensamento analítico de dados. Alta Books, Rio de Janeiro, RJ.
SANTOS, Kleber Sathler (2014) Doctec 18022 Plano diretor de engenharia ferroviária. Disponível em: Vale -
Portal GEDFT < http://engopr/DocTec/Doc>.
SILVA, Leandro Augusto da e PERES, Sarajane Marques e BOSCARIOLI, Clodis (2016) Introdução à mineração
de dados: com aplicações em R. Elsevier Editora, Rio de Janeiro, RJ.