Detailergebnis zu DOK-Nr. 77143
Prognose der Fahrbahn-Längsebenheit mit Hilfe mehrschichtig lernender Algorithmen (Orig. engl.: Predicting pavement roughness using deep learning algorithms)
| Autoren |
Q. Zhou E. Okte I.L. Al-Qadi |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 14.2 Ebenheit, Befahrbarkeit |
Transportation Research Record: Journal of the Transportation Research Board (2021), 11 S., 6 B, 8 T, 26 Q. - Online-Ressource: Verfügbar unter: http://journals.sagepub.com/home/trr
In der Planung von Straßenerhaltungsmaßnahmen kommt der Zustandsprognose zur Maßnahmenbeurteilung eine besondere Bedeutung zu. Zahlreiche Ansätze zur Zustandsprognose beinhalten die Korrelation der Längsebenheit, hier in Form des International Roughness Index (IRI) mit anderen Parametern des Gebrauchsverhaltens unter Verwendung statistischer Regressionsverfahren. Der beschriebene neuartige Ansatz wurde entwickelt, um die Zustandsentwicklung von Fahrbahnbefestigungen aus Asphaltbeton unter Verwendung von Datensätzen zu prognostizieren, die aus der Datenbank des US-amerikanischen Langzeitbeobachtungsprogramms LTPP extrahiert werden. Für die Prognose des Merkmals IRI werden zwei Modelle verwendet. Zur Zustandsprognose ohne Berücksichtigung von Erhaltungsmaßnahmen wird als erstes Modell ein rückgekoppeltes neuronales Netz (RNN) auf der Grundlage der PyTorch-Programmbibliothek verwendet, in dem Zeitreihendaten verarbeitet werden. Dazu werden historische Daten zur Verkehrsbelastung sowie zum Klima- und Zustandsverlauf aus der LTPP-Datenbank herausgefiltert. Die Technik "langes Kurzzeitgedächtnis" wird verwendet, um das verschwindende Gradientproblem zu lösen. Ein optimaler Modellansatz konnte ermittelt werden, indem das Zeitfenster auf zwei Jahre gesetzt wurde. Das zweite Prognosemodell dient der Abschätzung des Rücksetzwertes des Zustands infolge einer Erhaltungsmaßnahme. Hierzu wird ein künstlicher-neuronaler-Netz-Algorithmus aus der Keras-Programmbibliothek verwendet, um den Rücksetzwert aus den Einflussgrößen (Maßnahmeart, Ausgangs-Schichtenaufbau, gefräste und neu eingebaute Asphaltbeton-Schichtdicke und IRI-Wert vor der Maßnahme) abzuleiten. Unter Verwendung nur einer versteckten Schicht mit acht Knoten konnte ein optimales Verhalten mit einem Bestimmtheitsmaß von 0,77 erreicht werden. Durch eine Kopplung beider Prognosemodelle kann eine Zustandsprognose für den Lebenszyklus durchgeführt werden.