Detailergebnis zu DOK-Nr. 69855
Rahmen für die Entwicklung und für einen umfassenden Vergleich von empirischen Fahrbahnverhaltensmodellen (Orig. engl.: Framework for development and comprehensive comparison of empirical pavement perfomance models)
| Autoren |
N. Kargah-Ostadi S.M. Stoffels |
|---|---|
| Sachgebiete |
11.1 Berechnung, Bemessung, Lebensdauer 12.0 Allgemeines, Management |
Journal of Transportation Engineering 141 (2015) Nr. 8, S. 04015012, 1-7, 7 B, 3 T, 21 Q
Empirische Vorhersagen des Verhaltens von Fahrbahnbefestigungen sind ein zentraler Bestandteil eines Fahrbahnmanagementsystems auf Netzebene, um den Erhaltungs- und Instandsetzungsbedarf zu bestimmen. Hier werden neuartige Techniken der künstlichen Intelligenz zur Bestimmung des Fahrbahnverhaltens angewandt. Es werden das künstliche neuronale Netzwerk (artificial neural networks - ANN), die radiale Basisfunktion (radial basis function - RBF) und Support-Vektor-Maschinen (support vector machines - SVM) verwendet. Das ANN wird nochmals unterteilt, in schnell stoppend und Bayes’sche Inferenz. Als Basis zum Vergleich dient ein nichtlineares Regressionsmodell in exponentieller Form. Die zu prognostizierende Größe ist der Fahrbahnrauigkeitsindex (international roughness index - IRI). Die Qualität der Ergebnisse wird durch die größte Wahrscheinlichkeit, die Beständigkeit und die Übersichtlichkeit geprüft. Es stehen Langzeitdaten der Federal Highway Administration zur Verfügung, diese stammen aus verschiedenen Klimazonen, welche in nass oder trocken sowie gefrierend oder nicht gefrierend unterschieden werden. Ein Teil der Daten wird zur Eichung der Modelle, ein Teil zur nachträglichen Qualitätsüberprüfung der Modelle verwendet. Alle den IRI beeinflussenden Parameter werden aufgelistet. Auch wird eine Sensitivitätsanalyse durchgeführt, welche die Auswirkungen der vorhergehenden Messung, der Verkehrsbelastung, der Zeitdauer zur letzten Messung, der Zeitdauer zur letzten Sanierung und der Daten zu Fahrbahnbefestigung, Untergrund und Klima auf den Messwert beschreibt. Das generalisierte RBF-Modell ist hier am besten, doch die Lösung ist problemspezifisch und sollte für andere Verhaltensgrößen angepasst werden.