Pavement deterioration prediction models in the absence of archived data

Heba, Abdussalam (2022). Pavement deterioration prediction models in the absence of archived data. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

Strategic and long-term planning in Pavement Management System (PMS) relies mainly on deterioration prediction models, to ensure efficient and forward-looking management and for setting present and future budget requirements. PMS consist of many essential network and project levels activities. Modeling of pavement deterioration is one of the most important PMS network level activities that must be coordinately executed with other activities to have a functional PMS. Obviously, preventive maintenance of a pavement is less expensive than reconstructing it after being deteriorated. In many developing countries, roads face increasing damage because of the lack of regular maintenance. This reinforces the need to develop a system to predict the deterioration of roads in order to determine the Optimal Intervention Strategies (OIS) for the road network. Additionally, analyzing the progression of pavement deterioration over time enables better understanding for the pavement functional behavior to efficiently support a PMS. In general, pavement deterioration models can be developed deterministically or probabilistically. Under normal circumstances, pavement deterministic deterioration modelling requires regular measurements of the pavement condition over time. However, in the absence of such information and records in many cases such as in developing countries, such method cannot be used, and alternative is to use probabilistic modeling. This research presents three methodologies to predict and analyze pavement condition and its progression when archived pavement indices data is not available.

First suggested method is a probabilistic approach of Bayesian linear regression to develop a deterioration model when archived data about pavement history is not available. Instead, the model uses expert knowledge as a prior distribution. As such, experts who have worked for a long time with the road and transportation agencies have been interviewed to develop a portion of the input data to feed the Bayesian model. The posterior distribution was calculated using the likelihood estimation function based on road condition inspections according to a predefined protocol. In this study, model parameters were estimated, and 95% confidence intervals established around these estimated parameters. The results are forecasting models of pavement deterioration prediction model based on a mixture of few on-site inspections interacting with expert knowledge.

Second method is a probabilistic technique to analyze the progression of pavement deterioration over time to enable better understanding for the pavement functional behavior to efficiently support a PMS. The aim of this method is to investigate and forecast the trends of the pavement deterioration using Autoregressive Integrated Moving Average (ARIMA) time series analysis. Data used in this study is the International Roughness Index (IRI) which was estimated using visual pavement inspections. Models’ appropriateness are evaluated by plotting the residuals of Auto Correlation Function ACF and Partial Auto Correlation Function PACF. All residuals were within the bands which meant that all models are appropriate. Ljung–Box (Q) statistics was applied for all models and the results showed that all model coefficients are not significantly different from zero. The third method was to develop a deterioration prediction model to anticipate future pavement conditions using a Hidden Markov Model (HMM). This study explained how to estimate the most likely sequence of pavement condition states that a specific pavement goes through to failure, using 10 transitioning steps to run the pavement HMM. Viterbi algorithm was used to compute this sequence of pavement condition states. An initial database representing the pavement condition for a given period of time is used in the development process. Transition probabilities and emission probabilities are also calculated.

The third method was to develop a deterioration prediction model to anticipate future pavement conditions using a Hidden Markov Model (HMM). This study explained how to estimate the most likely sequence of pavement condition states that a specific pavement goes through to failure, using 10 transitioning steps to run the pavement HMM. Viterbi algorithm was used to compute this sequence of pavement condition states. An initial database representing the pavement condition for a given period of time is used in the development process. Transition probabilities and emission probabilities are also calculated.

Titre traduit

Modèles de prédiction de la détérioration des chaussées en l'absence de données archives

Résumé traduit

La planification stratégique et à long terme d`un système de gestion des chaussées (SGC) repose principalement sur des modèles de prévision de détérioration, pour assurer une gestion efficace et préventive et pour définir les besoins budgétaires actuels et futurs. Un SGC comprend de nombreuses activités essentielles au niveau du réseau et des projets. La modélisation de la détérioration des chaussées est l'une des activités les plus importantes au niveau du réseau SGS qui doit être réalisée de manière coordonnée avec d'autres activités pour disposer d'un SGC adapté. Évidemment, l'entretien préventif de la route coûte moins cher que sa reconstruction après avoir été endommagée. Dans de nombreux pays en développement, les routes sont de plus en plus endommagées en raison du manque d'entretien régulier. Cela renforce la nécessité de développer un système de prévision de la détérioration des routes afin de déterminer les stratégies d'intervention optimales pour le réseau routier. De plus, l'analyse de la progression de la détérioration de la chaussée au fil du temps donne un aperçu du comportement fonctionnel de la chaussée pour soutenir efficacement le SGC. En général, les modèles de détérioration des chaussées peuvent être développés de manière déterministe ou probabiliste. Dans des circonstances normales, la modélisation déterministe de la détérioration de la chaussée nécessite des mesures régulières de l'état de la chaussée au fil du temps. Cependant, en l'absence de telles informations dans de nombreux cas, comme dans les pays en développement, une telle méthode ne peut pas être utilisée, et une alternative consiste à utiliser la modélisation probabiliste de l'opinion des experts locaux. Cette recherche présente trois méthodologies pour prédire et analyser l'état de la chaussée et son évolution lorsque les données historiques d'indice de chaussée ne sont pas disponibles.

La première méthode suggérée est une approche probabiliste de régression linéaire bayésienne pour développer un modèle de performance lorsque les données sur l'historique des chaussées ne sont pas disponibles. Au lieu de cela, le modèle utilise les connaissances d'experts comme une distribution préalable. A ce titre, des experts qui ont longtemps travaillé avec les administrations routières et de transport ont été interrogés pour développer une partie des données d'entrée pour alimenter le modèle Bayésien. La distribution a posteriori a été calculée à l'aide de la fonction d'estimation de la vraisemblance basée sur les inspections de l'état des routes selon un protocole prédéfini. Dans cette étude, les paramètres du modèle ont été estimés et des intervalles de confiance à 95% et ont été établis autour de ces paramètres estimés. Les résultats sont des modèles de prédiction de la détérioration des chaussées basés sur un échantillon de quelques inspections sur place en interaction avec des connaissances d'experts.

La deuxième méthode est une technique probabiliste pour analyser la progression de la détérioration de la chaussée au fil du temps afin de permettre une meilleure compréhension du comportement fonctionnel de la chaussée pour soutenir efficacement le SGC. Le but de cette méthode est d'étudier et de prévoir les tendances de la détérioration de la chaussée à l'aide d'une analyse de séries temporelles par moyenne mobile intégrée autorégressive (ARIMA). Les données utilisées dans cette étude sont l'indice de rugosité international (IRI) qui a été estimé à l'aide d'inspections visuelles de la chaussée. La pertinence des modèles a été évaluée en traçant les résidus de la fonction d'auto-corrélation (ACF) et de la fonction d'auto-corrélation partielle (PACF). Tous les résidus se trouvent dans les bandes, ce qui signifie que tous les modèles sont appropriés. Les statistiques de Ljung – Box (Q) ont été appliquées à tous les modèles et les résultats ont montré que tous les coefficients des modèles étaient significativement différents de zéro. Tous les modèles ajustés sont adéquats car ils ont épousé toutes les données.

La troisième méthode consiste à développer un modèle de prévision de la détérioration pour anticiper les conditions futures de la chaussée à l'aide du modèle de Markov caché (HMM). Cette étude a expliqué comment estimer la séquence la plus probable des états de la chaussée qu'une chaussée spécifique va suivre en se détériorant selon 10 étapes de transition. Une base de données initiale représentant l'état de la chaussée pour une période de temps donnée est utilisée dans le processus de développement. Les probabilités de transition et les probabilités d'émission sont également calculées.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment of the requirements for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 88-92).
Mots-clés libres:	système de gestion de la chaussée (SGC), régression linéaire bayésienne, détérioration de la chaussée, indice de rugosité international (IRI), moyenne mobile intégrée autorégressive (ARIMA), modèle de Markov caché (HMM), matrice de transition de probabilité
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Gabriel J., Assaf
Programme:	Doctorat en génie > Génie
Date de dépôt:	12 oct. 2022 14:39
Dernière modification:	12 oct. 2022 14:39
URI:	https://espace.etsmtl.ca/id/eprint/3074

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt