| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.25 MB | Adobe PDF |
Authors
Abstract(s)
The evaluation of pavement quality is an essential component of Airport Pavement
Management Systems as it supports maintenance strategies aimed at ensuring service
levels and the safety of operations and users.
In this context, diverse methodologies contribute to assess the overall condition of
pavements. However, these methodologies often require a significant amount of time,
from conducting in-situ inspections to performing complex calculations. Thus, with the
recent 4.0 industry revolution, new digital technologies, namely Artificial Intelligence
(AI), has led the concept of Machine Learning to emerge as a highly potential tool for
analyzing and processing data obtained from in-situ inspections. This contributes to
optimize current methodologies for pavement condition analysis, modernizing
Transportation Infrastructure Engineering.
Therefore, the application of this technique in airport pavement evaluation helps reduce
the time and complexity involved in calculating the Pavement Condition Index (PCI).
The reliability degree mainly depends on the size and characteristics of the database used
in the modeling.
The present work aims to identify the most suitable machine learning algorithms for
modeling the PCI index considering surface pavement distress, based on ASTM D5340-
23 standard. To achieve this objective, a pavement distress density and severity database
of 261 airport runway sample units was used, considering the PCI in three distinct ways
– numerical PCI (ranging from 0-100), categorical PCI with 3 classes (Good, Fair, and
Poor), and categorical PCI with 7 classes (Excellent, Good, Satisfactory, Fair, Poor, Very
Poor, Failed). Linear regression, decision tree, random forest, artificial neural network,
and support vector machine algorithms were tested in WEKA software for three learning
processes – use training set, 10-fold cross-validation, and 80% training and 20% testing
split.
Found results confirmed the models´ capability to output the PCI value based on the
density and severity level of pavement surface distress, indicating the feasibility of using
Machine Learning-based algorithms for the PCI calculation process, highlighting the
random forest algorithm with 10-fold cross-validation as the better performance model.
A avaliação da qualidade dos pavimentos é uma componente essencial dos Sistemas de Gestão da Conservação de Pavimentos Aeroportuários. Esta componente permite sustentar a definição de estratégias e programas de conservação que têm como objetivo assegurar o nível de serviço e a segurança de operações e utentes. Nesse contexto, diversas metodologias existentes contribuem para avaliar o estado geral dos pavimentos. Contudo, tais metodologias muitas vezes demandam uma grande quantidade de tempo, desde a realização de inspeções in-situ ao procedimento de cálculo, que pode revelar-se complexo. Dessa forma, com a recente revolução provida pela indústria 4.0, o surgimento de novas tecnologias na área digital, mais especificamente da Inteligência Artificial (IA), faz com que o conceito de Machine Learning emerja como ferramenta de alto potencial para análise e processamento dos dados obtidos nas inspeções in-situ, contribuindo para otimizar as metodologias atuais de análise geral do estado dos pavimentos, modernizando a Engenharia de Infraestruturas de Transporte. Portanto, a aplicação dessa técnica na avaliação de pavimentos aeroportuários contribui para a redução do tempo e da complexidade de cálculo do PCI – Pavement Condition Index. O grau de fiabilidade vai depender essencialmente do tamanho e das características da base de dados usada na modelação. O presente trabalho tem como objetivo identificar os algoritmos de machine learning mais adequados à modelação do índice PCI a partir da informação recolhida sobre as degradações presentes à superfície dos pavimentos, de acordo com a norma ASTM D5340-23. Para atingir este objetivo é usada uma base de dados de degradações com informação respeitante a 261 unidades de amostra de pavimentos aeroportuários e considerada a variável PCI traduzida de 3 formas distintas – PCI numérico (0-100), PCI categórico com 3 classes (Bom, regular e ruim) e PCI categórico com 7 classes (Excelente, Bom, satisfatório, regular, ruim, muito ruim, desgastado e falha). Os algoritmos de regressão linear, decision tree, random forest, artificial neural network e support vector machine foram testados no software WEKA para o conjunto de dados disponíveis e para 3 modelos de aprendizado – conjunto de treinamento, validação cruzada com 10 dobras e divisão percentual de 80% para treino e 20% para teste. Os resultados obtidos confirmam a capacidade dos modelos para traduzir o valor do PCI a partir da informação sobre a densidade e nível de gravidade das degradações superficiais, e por consequência a viabilidade da utilização de abordagens baseadas em Machine Learning no processo de cálculo do índice PCI, destacando-se o algoritmo random forest com validação cruzada com 10 dobras.
A avaliação da qualidade dos pavimentos é uma componente essencial dos Sistemas de Gestão da Conservação de Pavimentos Aeroportuários. Esta componente permite sustentar a definição de estratégias e programas de conservação que têm como objetivo assegurar o nível de serviço e a segurança de operações e utentes. Nesse contexto, diversas metodologias existentes contribuem para avaliar o estado geral dos pavimentos. Contudo, tais metodologias muitas vezes demandam uma grande quantidade de tempo, desde a realização de inspeções in-situ ao procedimento de cálculo, que pode revelar-se complexo. Dessa forma, com a recente revolução provida pela indústria 4.0, o surgimento de novas tecnologias na área digital, mais especificamente da Inteligência Artificial (IA), faz com que o conceito de Machine Learning emerja como ferramenta de alto potencial para análise e processamento dos dados obtidos nas inspeções in-situ, contribuindo para otimizar as metodologias atuais de análise geral do estado dos pavimentos, modernizando a Engenharia de Infraestruturas de Transporte. Portanto, a aplicação dessa técnica na avaliação de pavimentos aeroportuários contribui para a redução do tempo e da complexidade de cálculo do PCI – Pavement Condition Index. O grau de fiabilidade vai depender essencialmente do tamanho e das características da base de dados usada na modelação. O presente trabalho tem como objetivo identificar os algoritmos de machine learning mais adequados à modelação do índice PCI a partir da informação recolhida sobre as degradações presentes à superfície dos pavimentos, de acordo com a norma ASTM D5340-23. Para atingir este objetivo é usada uma base de dados de degradações com informação respeitante a 261 unidades de amostra de pavimentos aeroportuários e considerada a variável PCI traduzida de 3 formas distintas – PCI numérico (0-100), PCI categórico com 3 classes (Bom, regular e ruim) e PCI categórico com 7 classes (Excelente, Bom, satisfatório, regular, ruim, muito ruim, desgastado e falha). Os algoritmos de regressão linear, decision tree, random forest, artificial neural network e support vector machine foram testados no software WEKA para o conjunto de dados disponíveis e para 3 modelos de aprendizado – conjunto de treinamento, validação cruzada com 10 dobras e divisão percentual de 80% para treino e 20% para teste. Os resultados obtidos confirmam a capacidade dos modelos para traduzir o valor do PCI a partir da informação sobre a densidade e nível de gravidade das degradações superficiais, e por consequência a viabilidade da utilização de abordagens baseadas em Machine Learning no processo de cálculo do índice PCI, destacando-se o algoritmo random forest com validação cruzada com 10 dobras.
Description
Keywords
Degradações de Pavimentos Machine Learning Pavement Condition Index
(Pci) Pavimentos Aeroportuários