Detailergebnis zu DOK-Nr. 47145
Vorhersage des wahrscheinlichen Ebenheitsniveaus unter Verwendung künstlicher neuronaler Netzwerke (Orig. engl.: Roughness level probability prediction using artificial neural networks)
| Autoren |
Y. Huang R.K. Moore |
|---|---|
| Sachgebiete |
14.2 Ebenheit, Befahrbarkeit |
Transportation Research Record (TRB) H. 1592, 1997, S. 89-97, 5 B, 8 T, 10 Q
Am Kansas Departement of Transportation (KDOT) wurden im Rahmen des Pavement-Management-Systems zwei Regressionsansätze und zwei künstliche neuronale Netzwerke zur Vorhersage der Zustandsentwicklung des Ebenheitsniveaus am Beispiel von Asphaltstraßenbefestigungen entwickelt und vergleichend bewertet. Künstliche neuronale Netzwerke haben den Vorteil, aus gegebenen Daten zu lernen, ohne dabei auf umfangreiche Daten der "Straßengeschichte" zurückgreifen und ohne spezielle numerische Algorithmen entwickeln zu müssen. Die verwendeten Daten umfassen Strukturdaten (Dynaflect-Einsenkungen), rückgerechnete Schicht-Moduli, Verkehrsdaten, Ebenheitsdaten, AASHTO-Bodenkennwerte und regionale Faktoren für 25 verschiedene Fahrbahn- Abschnitte. Als abhängige Variable wurde für alle Betrachtungen die Ebenheitsentwicklung angesetzt. Ziel war für alle Methoden die Berechnung der Wahrscheinlichkeit einen Straßenabschnitt in eine bestimmte Zustandsklasse einzuordnen. Die Regressionsmodelle starteten mit allen unabhängigen Variablen, wobei nicht signifikante Variablen schrittweise ausgeschlossen wurden. Ein neuronales Netzwerk erzeugt sich hingegen eigene Verarbeitungsregeln durch gegebene Beispiele. Dabei wurden zwei verschiedene Netzwerkarchitekturen unter Anwendung von frei erhältlicher Software verwendet. Der Vergleich zwischen den Regressionsergebnissen und den neuronalen Netzwerken zeigte eine wesentlich bessere Vorhersagequalität für die neuronalen Netzwerke, während die Regressionsmodelle mit großen Fehlermöglichkeiten behaftet waren.