Detailergebnis zu DOK-Nr. 79587
Ein Ensemblemodell für maschinelles Lernen zur Prognose des Straßenzustands mithilfe von Rissdaten aus automatischen Lasermessungen (Orig. engl.: A machine learning ensemble model for predicting pavement conditions using automatic laser crack measurement data)
| Autoren |
L. Bai J. Zhang X. Zhu M.M. Alam Z. Sun |
|---|---|
| Sachgebiete |
11.1 Berechnung, Bemessung, Lebensdauer 12.0 Allgemeines, Management |
International Journal of Pavement Engineering 24 (2023) Nr. 1, 2188591, 14 S., 9 B, 5 T, zahlr. Q, Anhang. - Online-Ressource: verfügbar unter: https://doi.org/10.1080/10298436.2023.2188591
Programme zur Straßenunterhaltung und -erhaltung sind zur Bewahrung der Qualität und Sicherheit von Bundes-, Staats- und Stadtstraßen erforderlich. Die Straßenbauverwaltungen führen dazu jährliche Zustandserfassungen durch. In den letzten Jahren hat sich die Technologie der Erfassung und Auswertung vom Visuellen (Windshield pavement survey, WPS) zum Automatischen (Automated pavement survey, APS) hin entwickelt. So werden bei der APS-Methode "Laser Crack Measurement System" (LCMS) hunderte Variablen erfasst im Vergleich zu WPS mit neun Variablen. Das beschriebene Modell soll es ermöglichen, mit APS-Erfassungen WPS-Schadensmerkmale zu prognostizieren. Dadurch kann das bisher verwendete WPS-System mit neu erfassten APS-Daten weiterverwendet werden. Zur Entwicklung des Modells wurde maschinelles Lernen angewandt. Das Modell basiert auf einer Entscheidungsbaumklassifizierung mit zwei Neuerungen. Die erforderlichen WPS-Daten wurden einer Datenbank des Kentucky Transportation Cabinet entnommen, die über 20 Jahre vorliegen. Es wird resümiert, dass unter einer optimalen Gewichtung eine Genauigkeit von circa 80 % erreicht wird.