Detailergebnis zu DOK-Nr. 75354
Optimierung der Experten-basierten Entscheidungsfindung bei der Straßenerhaltung unter Verwendung künstlicher neuraler Netze mit Mustererkennungsalgorithmen (Orig. engl.: Optimising expert-based decision-making of pavement maintenance using artificial neural networks with pattern-recognition algorithms)
| Autoren |
M. Hafez K. Ksaibati R.A. Atadero |
|---|---|
| Sachgebiete |
12.0 Allgemeines, Management 11.1 Berechnung, Dimensionierung, Lebensdauer 11.10 Ländliche Wege |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2673, H. 11, 2019, S. 90-100, 6 B, 4 T, 31 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
Die Straßenbauverwaltungen der US-Bundesstaaten (DOT) wenden Pavement Management-Systeme (PMS) an, um Erhaltungsstrategien zu entwickeln und umzusetzen. Die Erhaltungsmaßnahmen und -budgets richten sich beim Colorado DOT (CDOT) auch wesentlich nach der Verkehrsbelastung. In der im Bericht dargestellten theoretischen Untersuchung wird eine Methode zur Entscheidungsfindung bei der Erhaltung von Straßen mit geringer Verkehrsbelastung (LVR) (DTV < 2000; SV < 100) entwickelt, die auf maschinellem Lernen basiert. In 5 Regionen Colorados wurden mit unterschiedlichem Anteil insgesamt circa 3 250 km LVR definiert. Durch eine Befragung und Auswertung konnten 884 Muster an Erhaltungsmaßnahmen identifiziert und klassifiziert werden. Schließlich wurde ein künstliches neurales Netzwerk (ANN) unter Einbeziehung von Mustererkennungsalgorithmen trainiert. Nach der Zusammenstellung umfangreicher Einzelergebnisse wird resümiert, dass die ANN-basierte Mustererkennung ein effektives Werkzeug beim PMS für LVR darstellt.