Zurück Vor

Detailergebnis zu DOK-Nr. 80790

Ein auf Maschinellem Lernen basierender Ansatz zur Prognose der Spurrinnenbildung unter Berücksichtigung von Unsicherheiten (Orig. engl.: A machine learning based approach to predict road rutting considering uncertainty)

Autoren	K. Chen M. Eskandari-Torbaghan N. Thom A. Garcia-Hernández A. Faramarzi D. Chapman
Sachgebiete	11.1 Berechnung, Dimensionierung, Lebensdauer 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten)

Case Studies in Construction Materials 20 (2024) Nr. e03186, 22 S., 10 B, 8 T, 81 Q. − Online-Ressource: verfügbar unter: https://doi.org/10.1016/j.cscm.2024.e03186

Die Straßeninfrastruktur ist in jedem Land sensibel gegenüber der Gleichmäßigkeit und Nachhaltigkeit. Da weltweit der Neubau von Straßen zurückgeht, gewinnen die Erhaltung und das Pavement Management besondere Bedeutung und erreichen eine hohe Nachhaltigkeit. Dabei spielen in jüngster Zeit datengesteuerte Technologien wie Digitale Zwillinge und Maschinelles Lernen (ML) eine wichtige Rolle. Die Autoren weisen in diesem Zusammenhang auf die Problematik des Zustands und des Umfangs der zur Verfügung stehenden Daten hin. Sie entwickeln deshalb einen Ansatz zur Prognose der Spurrinnenbildung unter Berücksichtigung von Unsicherheiten. Die Methodik wird in einem Flussdiagramm dargestellt. Die Daten stammen überwiegend aus dem bekannten Forschungsprojekt Long-Term Pavement Performance (LTPP). Die in den Ansatz eingebundenen Algorithmen und Datensimulationen werden erläutert. Unter Verwendung des Ansatzes verbessert sich die Prognosegenauigkeit und verringert sich die Prognoseunsicherheit.