Detailergebnis zu DOK-Nr. 71697
Clustern von Fahrzeugklassenverteilungen und Achslastkollektiven zur mechanistisch-empirischen Vorhersage des Belagsverhaltens (Orig. engl.: Clustering vehicle class distribution and axle load spectra for mechanistic-empirical predicting pavement performance)
| Autoren |
R.A. Tarefder A. Hasan R. Islam |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 14.4 Fahrzeugeigenschaften (Achslasten, Reifen) |
Journal of Transportation Engineering 142 (2016) Nr. 11, S. 05016006, 1-11, 13 B, 4 T, zahlr. Q
Zehn dynamische Achslastwaagen (weigh-in-motion - WIM) im Staat New Mexico messen zehn Arten von Fahrzeugklassen sowie die Belastung durch Einzel- und Doppelachsen, welche als Eingangsdaten für das mechanistisch-empirische Bemessungsprogramm AASHTOWare verwendet werden können. Es gibt drei Genauigkeitslevel für Daten von Fahrzeugklassenverteilungen (vehicle class distribution - VCD) und Achslastkollektiven (axle load spectra - ALS). Bei Level 1 liegen die genauen VCD und ALS vor, bei Level 2 Werte, welche über den Staat gemittelt oder als Cluster zusammengefasst sind, bei Level 3 Werte, welche über das ganze Land gemittelt sind und den Vorgaben des Programms entsprechen. Für alle zehn WIM-Stationen werden VCD und ALS dargestellt. Die Clusterung erfolgt über die k-Means- und die hierarchische Methode, sie ergibt jeweils für VCD und ALS drei Cluster. Die beiden häufigsten Schädigungsarten - netzartige Rissbildung und Spurrinnenbildung - werden berechnet. Eingangswerte für VCD und ALS sind standortbezogen (Level 1), in Clusterform sowie staatsweit gemittelt (Level 2) oder landesweit gemittelt (Level 3). Die Vorgabewerte des Programms sind in New Mexico nicht brauchbar, insgesamt gibt es hohe Unterschiede der über den Staat oder das Land gemittelten Daten zu den standortbezogenen Daten. Das Clustering zeigt dagegen gute Ergebnisse. Korrelationen zu den Originaldaten sind dargestellt und angegeben. Auf dem gleichen Straßenzug können sich an verschiedenen Stellen starke Unterschiede ergeben. Daher werden Cluster- oder standortbezogene Daten empfohlen.