Detailergebnis zu DOK-Nr. 77931
"Machine Learning" im Straßenbau - Methode und Anwendungsfälle
| Autoren |
M. Rahimi Nahoujy |
|---|---|
| Sachgebiete |
14.7 Tragfähigkeitsprüfungen 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) |
2. Kolloquium Straßenbau in der Praxis: Fachtagung zum Planen, Bauen, Erhalten, Betreiben unter den Aspekten von Nachhaltigkeit und Digitalisierung, 7. und 8. September 2021 - Tagungshandbuch 2021. Tübingen: expert Verlag, 2021 (Hrsg.: Technische Akademie Esslingen e. V.) S. 419-426, 10 B, 1 T, 14 B
In dem Artikel wird die Methode des Machine Learning - mit zwei Fallstudien im Straßenbau vorgestellt. Ein Anwendungsfall für Regression (Supervised Learning) im Straßenbau ist die Modellierung und Prognose von Deflexionen aus den Daten von Tragfähigkeitsmessungen mit einem Falling Weight Deflectometer (FWD). Hierzu wurde dazu ein künstliches neuronales Netzwerk-Modell (KNN-Modell) entwickelt. Durch dieses Modell konnten die Daten (zum Beispiel Deflexionswerte) an allen Punkten berechnet werden, die zwischen den Messpunkten auf der Strecke lagen. Es wurde gezeigt, dass mit mindestens 150 Datensätzen durch KNN ein Modell trainiert werden kann, welches eine mittlere quadratische Fehlerabweichung von weniger als einem Prozent aufweist. Das Clustering von Traffic-Speed-Deflectometer (TSD)-Daten auf Netzebene ist weiteres Anwendungsgebiet der Methoden des Unsupervised Machine Learning beziehungsweise Data Minings im Straßenbau. Beispielhaft wird die Analyse verschiedenster Mess- und Kennwerte des TSD vorgestellt. Mithilfe des Clusterings können die Daten in verschiedene Kategorien eingeteilt werden, die für die Beurteilung des strukturellen Zustands der Fahrbahn relevant sind und eine Grundlage für weitere Analysen und die Datennutzung bieten.