Deep learning-based pavement performance modeling using multiple distress indicators and road work history

Resumen Técnico: Modelado del Desempeño del Pavimento Basado en Aprendizaje Profundo Utilizando Múltiples Indicadores de Deterioro e Historial de Trabajos Viales

Planteamiento del Problema
El deterioro del pavimento es un proceso complejo impulsado por variables de diseño, ambientales, de materiales y no observadas. La predicción precisa de las condiciones del pavimento es crítica para que las agencias de transporte optimicen los presupuestos de mantenimiento y rehabilitación. Los modelos de desempeño tradicionales, como los enfoques de Cadenas de Markov y diversos métodos de regresión estadística, a menudo dependen de probabilidades de transición o requieren una extensa extracción y selección manual de características. Si bien los modelos de aprendizaje automático como las Redes Neuronales Artificiales (RNA) se han aplicado al desempeño del pavimento, aún suelen necesitar características ingenieriles. Este artículo aborda el desafío de modelar el deterioro del pavimento utilizando datos de series temporales multidimensionales crudos, sin ingeniería de características convencional, aprovechando las capacidades del aprendizaje profundo para capturar tasas de deterioro complejas y el impacto del historial de mantenimiento.

Metodología
El estudio emplea tres arquitecturas de aprendizaje profundo para modelar el desempeño del pavimento utilizando datos del Sistema de Información de Gestión de Pavimentos (PMIS) del Departamento de Transporte de Texas (TxDOT) que abarcan 18 años (2000–2018).

• Datos: El conjunto de datos comprende más de 100.000 secciones de pavimento (aproximadamente 0,5 millas cada una) e incluye 21 indicadores de condición de pavimentos flexibles. Estos indicadores abarcan huellas (visuales y de profundidad), agrietamiento (en bloque, en piel de cocodrilo, longitudinal, transversal), parches, fallas, desgranamiento, empuje y rugosidad (IRI, Puntuación de Marcha, Puntuación de Deterioro). Además, el modelo incorpora el historial de trabajos viales, incluyendo 20 tipos de tratamientos de mantenimiento y rehabilitación (por ejemplo, capas de sellado, sobrecapas, rehabilitación) y el tiempo transcurrido desde el último tratamiento.
• Representación de Entrada: Cada punto de datos se remodela en una matriz 2D que representa una "imagen temporal", donde las filas corresponden a los años y las columnas representan los 21 indicadores de condición más las variables ficticias de mantenimiento y las variables de tiempo transcurrido desde el tratamiento.
• Modelos:
  1. Red Neuronal Convolucional (CNN): Utilizada por su capacidad para capturar predictores locales y codificar información estructural a través de parámetros compartidos y conexiones dispersas. La arquitectura incluye tres capas convolucionales (32, 64, 128 filtros) seguidas de capas de agrupación máxima (max-pooling) y capas totalmente conectadas.
  2. Memoria a Corto y Largo Plazo (LSTM): Una variante de red neuronal recurrente diseñada para manejar datos de series temporales y preservar la información estructural a lo largo de los pasos de tiempo. Utiliza una celda de memoria y mecanismos de control (puertas de olvido, entrada y salida) para gestionar dependencias a largo plazo.
  3. Híbrido CNN-LSTM: Un marco donde las capas CNN realizan la extracción de características en los datos de entrada en cada paso de tiempo, y las características resultantes son procesadas por una capa LSTM para modelar la secuencia.
• Evaluación: Los modelos se entrenaron con el 80% de los datos y se probaron con el 20%. El desempeño se evaluó utilizando puntuaciones $R^2$ para tareas de regresión (variables continuas) y Precisión para tareas de clasificación (variables discretas como códigos de desgranamiento y empuje).

Resultados Clave
El estudio desarrolló y probó modelos para los 21 indicadores de condición. Los resultados arrojaron las siguientes observaciones:

• Desempeño General: Los modelos CNN generalmente superaron a los modelos LSTM y CNN-LSTM para más de la mitad de los indicadores de condición.
• Indicadores de Alto Desempeño: Cinco indicadores lograron puntuaciones $R^2$ superiores a 0,70: Falla por Huella, Puntuación de Marcha, IRI Izquierdo, IRI Derecho e IRI Promedio. Los autores atribuyen este éxito a la consistencia y fiabilidad de la recolección de datos de rugosidad en comparación con otros tipos de deterioro.
• Indicadores de Bajo Desempeño: Varios indicadores, incluido el hundimiento severo, los parches, las fallas, el agrietamiento en bloque y el agrietamiento transversal, resultaron en puntuaciones $R^2$ negativas grandes. El artículo señala que esto se debe principalmente a que las variables objetivo tienen muy poca variación en el conjunto de datos, lo que hace que el denominador de la suma de cuadrados en el cálculo de $R^2$ esté cerca de cero, lo que convierte a la métrica en sensible a pequeños errores de predicción.
• Validación Visual: Los gráficos de valores reales versus predichos para una sección seleccionada aleatoriamente mostraron que los modelos produjeron predicciones razonables para fallas por huella, profundidad de huella, agrietamiento longitudinal, desgranamiento, empuje e indicadores de calidad de marcha. Sin embargo, para indicadores donde los datos históricos permanecieron constantes (por ejemplo, hundimiento profundo, hundimiento severo), las predicciones se desviaron significativamente de los valores reales.
• Dinámica de Entrenamiento: El análisis del historial de entrenamiento indicó que, para indicadores de alto rendimiento (por ejemplo, Puntuación de Marcha, IRI), las puntuaciones $R^2$ aún estaban aumentando en la época 100, lo que sugiere que los modelos aún no habían sobreajustado y podrían lograr una mayor precisión con más entrenamiento.

Significado y Afirmaciones
El artículo afirma que el marco de aprendizaje profundo propuesto demuestra efectividad y robustez en la predicción del desempeño del pavimento, particularmente para indicadores relacionados con la rugosidad a nivel de red. Al utilizar datos crudos sin extracción manual de características, el estudio destaca el potencial del aprendizaje profundo para automatizar el proceso de ingeniería de características inherente a la modelación tradicional.

Los autores declaran que los modelos desarrollados pueden ayudar a ingenieros y administradores en:

1. Gestionar más eficazmente los sistemas de infraestructura mediante una mejor predicción del desempeño.
2. Optimizar la asignación de presupuestos y el análisis de necesidades a nivel de red.
3. Extender la metodología para caracterizar el desempeño de otras instalaciones de infraestructura más allá del pavimento.

El estudio concluye que, si bien los modelos muestran promesa para indicadores específicos (rugosidad), la variabilidad en otros tipos de datos de deterioro presenta desafíos que resultan en una menor precisión predictiva, lo que indica que la aplicabilidad del modelo varía según el tipo específico de deterioro del pavimento que se esté modelando.