Detailergebnis zu DOK-Nr. 55015
Voraussage der Fahrbahndeckenbeschaffenheiten mit neuralen Netzwerken (Orig. engl.: Forecasting overall pavement condition with neural networks)
| Autoren |
J. Yang M. Gunaratne J.J. Lu |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management |
Washington, D.C.: Transportation Research Board (TRB), 2003 (Transportation Research Record (TRB) H. 1853) S. 3-12, 8 B, 3 T, 8 Q
Prognosemodelle zur Erkundung der Beschaffenheit von Fahrbahndecken, mit denen die Abnutzungs- und Schadensabläufe simuliert werden können, spielen eine wichtige Rolle in den Managementsystemen für Fahrbahnbefestigungen (FMS). Eine vorzeitige Identifikation von Fahrbahnschäden, wie Spurrinnenbildung, Risse, Waschbrettriffelungen, ist ein entscheidendes Kriterium für das FMS. Da bisherige Modelluntersuchungen zur Prognose von Fahrbahnschäden unergiebig waren, haben die Autoren ein biologisch abgeleitetes Näherungsverfahren entwickelt, das auf künstlich erzeugten neuralen Netzwerken (ANN) und genetischen Algorithmen aufbaut; hierbei sind drei ANN-Modelle für die drei zu bewertenden Schlüsselparameter (Rissbildung, Fahreigenschaft, Wellenbildung) unter Berücksichtigung der Unterlagen der Datenbank des Verkehrsministeriums von Florida (FDOT) entwickelt worden. Zusätzlich zu diesen Parametern verwendet das FDOT einen integrierten Index, den Fahrbahneigenschaftsparameter (FCR), der als Mindestwert die Gesamtbeschaffenheit der Fahrbahn für das FMS kennzeichnet. Der FCR bildet zusammen mit den drei ANN-Modellen ein Prognoseprogramm für Fahrbahnbeschaffenheiten. Die Ergebnisse des Forschungsprojektes zeigen, dass die ANN-Modelle genauere Werte liefern als die bisherigen Regressionsmodelle; sie werden künftig im FDOT-Fahrbahnmanagement an Bedeutung gewinnen.