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

Technische Samenvatting: Modellering van Prestaties van Verharding op Basis van Deep Learning met Meerdere Indicatoren voor Schade en Geschiedenis van Wegenwerk

Probleemstelling
Veroudering van verharding is een complex proces dat wordt aangedreven door ontwerp-, omgevings-, materiaalfactoren en niet-gesignaleerde variabelen. Een nauwkeurige voorspelling van de staat van verharding is van cruciaal belang voor verkeers- en vervoersinstanties om onderhouds- en herstelbudgetten te optimaliseren. Traditionele prestatiemodellen, zoals Markov-ketbenaderingen en diverse statistische regressiemethoden, vertrouwen vaak op overgangskansen of vereisen uitgebreide handmatige kenmerkextractie en -selectie. Hoewel machinelearningmodellen zoals Kunstmatige Neuronale Netwerken (ANN) zijn toegepast op prestaties van verharding, vereisen zij nog steeds vaak geconstrueerde kenmerken. Dit artikel adresseert de uitdaging om veroudering van verharding te modelleren met behulp van ruwe, multidimensionale tijdreeksdata zonder conventionele kenmerkengineering, waarbij gebruik wordt gemaakt van de mogelijkheden van deep learning om complexe verouderingssnelheden en de impact van onderhoudsgeschiedenis te vangen.

Methodologie
De studie maakt gebruik van drie deep-learningarchitecturen om prestaties van verharding te modelleren met data van het Pavement Management Information System (PMIS) van het Texas Department of Transportation (TxDOT), over een periode van 18 jaar (2000–2018).

• Data: De dataset omvat meer dan 100.000 verhardingssecties (ongeveer 0,5 mijl elk) en bevat 21 indicatoren voor de staat van flexibele verharding. Deze indicatoren dekken groeven (visueel en diepte), scheuren (blok, alligator, longitudinaal, transversaal), patching, falen, rafeling, afspoeling en ruwheid (IRI, Ride Score, Distress Score). Daarnaast neemt het model de geschiedenis van wegenwerk op, inclusief 20 soorten onderhouds- en herstelbehandelingen (bijvoorbeeld versegelaag, overlays, herstel) en de tijd verstreken sinds de laatste behandeling.
• Inputrepresentatie: Elk datapunt wordt herschikt tot een 2D-matrix die een "tijd-afbeelding" voorstelt, waarbij rijen corresponderen met jaren en kolommen de 21 indicatioren voor de staat plus dummyvariabelen voor onderhoud en variabelen voor tijd sinds behandeling vertegenwoordigen.
• Modellen:
  1. Convolutional Neural Network (CNN): Gebruikt vanwege het vermogen om lokale voorspellers te vangen en structurele informatie te coderen via gedeelde parameters en spaarzame verbindingen. De architectuur bevat drie convolutielagen (32, 64, 128 filters) gevolgd door max-pooling en volledig verbonden lagen.
  2. Long Short-Term Memory (LSTM): Een variant van recurrente neurale netwerken ontworpen om tijdreeksdata te verwerken en structurele informatie over tijdstappen te behouden. Het maakt gebruik van een geheugencel en poortmechanismen (vergeten-, input- en outputpoorten) om langetermijnafhankelijkheden te beheren.
  3. Hybride CNN-LSTM: Een raamwerk waarbij CNN-lagen kenmerkextractie uitvoeren op de invoerdata bij elke tijdstap, en de resulterende kenmerken worden verwerkt door een LSTM-laag om de sequentie te modelleren.
• Evaluatie: De modellen werden getraind op 80% van de data en getest op 20%. De prestaties werden geëvalueerd met $R^2$-scores voor regressietaken (continue variabelen) en Accuracy voor classificatietaken (discrete variabelen zoals codes voor rafeling en afspoeling).

Belangrijkste Resultaten
De studie ontwikkelde en testte modellen voor alle 21 indicatioren voor de staat. De resultaten leverden de volgende observaties op:

• Algemene Prestaties: De CNN-modellen presteerden over het algemeen beter dan de LSTM- en CNN-LSTM-modellen voor meer dan de helft van de indicatioren voor de staat.
• Hoogpresterende Indicatoren: Vijf indicatioren behaalden $R^2$-scores groter dan 0,70: Rut Failure, Ride Score, Linker IRI, Rechter IRI en Gemiddelde IRI. De auteurs schrijven dit succes toe aan de consistentie en betrouwbaarheid van de datacollectie voor ruwheid in vergelijking met andere soorten schade.
• Laagpresterende Indicatoren: Verscheidene indicatioren, waaronder ernstige groeven, patching, falen, blokscheuren en transversale scheuren, resulteerden in grote negatieve $R^2$-scores. Het artikel merkt op dat dit voornamelijk komt doordat de doelvariabelen zeer weinig variatie vertonen in de dataset, waardoor de noemer van de som van kwadraten in de $R^2$-berekening dicht bij nul ligt, wat de metriek gevoelig maakt voor kleine voorspelfouten.
• Visuele Validatie: Grafieken van werkelijke versus voorspelde waarden voor een willekeurig geselecteerde sectie toonden aan dat de modellen redelijke voorspellingen opleverden voor groevenfal, groefdiepte, longitudinale scheuren, rafeling, afspoeling en indicatoren voor rijkwaliteit. Echter, voor indicatioren waarbij historische data constant bleef (bijvoorbeeld diepe groeven, ernstige groeven), weekten voorspellingen aanzienlijk af van de werkelijke waarden.
• Trainingsdynamiek: Analyse van de trainingsgeschiedenis gaf aan dat voor hoogpresterende indicatioren (bijvoorbeeld Ride Score, IRI) de $R^2$-scores nog steeds stegen bij het 100e epoch, wat suggereert dat de modellen nog niet overgefit waren en potentieel hogere nauwkeurigheid konden bereiken met verdere training.

Betekenis en Claims
Het artikel claimt dat het voorgestelde deep-learningraamwerk effectiviteit en robuustheid aantoont bij het voorspellen van prestaties van verharding, met name voor met ruwheid gerelateerde indicatioren op netwerkniveau. Door ruwe data te gebruiken zonder handmatige kenmerkextractie, onderstreept de studie het potentieel van deep learning om het kenmerkengineeringproces dat inherent is aan traditionele modellering te automatiseren.

De auteurs stellen dat de ontwikkelde modellen ingenieurs en beheerders kunnen helpen bij:

1. Effectiever beheer van infrastructuursystemen door verbeterde prestatievoorspelling.
2. Optimalisatie van budgettoewijzing en behoefteanalyse op netwerkniveau.
3. Uitbreiden van de methodologie om de prestaties van andere infrastructuurvoorzieningen buiten verharding te karakteriseren.

De studie concludeert dat hoewel de modellen veelbelovend zijn voor specifieke indicatioren (ruwheid), de variabiliteit in andere soorten schadedata uitdagingen oplevert die leiden tot lagere voorspellende nauwkeurigheid, wat aangeeft dat de toepasbaarheid van het model varieert afhankelijk van het specifieke type verhardingsschade dat wordt gemodelleerd.