A data-driven rutting depth short-time prediction model with metaheuristic optimization for asphalt pavements based on RIOHTrack

要約

アスファルト舗装の轍は、様々な舗装設計ガイドにおいて重要な設計基準となっている。良好な道路交通基盤は、道路交通における石油やガスの輸送に安全性を提供することができます。本研究では、異なるアスファルト舗装のわだち掘れ深さクリップ、温度、荷重軸を主要特性として推定するためのロバストな人工知能モデルの開発を試みる。実験データは、北京市通州にある全長2.038kmの実物大フィールド加速舗装テストトラック（RIOHTrack、Road Track Institute）で、原油源の異なる19のアスファルト舗装から得たものである。また、本論文では、複雑なネットワーク手法とコミュニティ検出のためのLouvainアルゴリズムにより、舗装のわだち掘れの深さが異なる複雑なネットワークを構築することを提案している。異なるアスファルト舗装のわだち掘れデータから最も重要な構造要素を選択し、類似の構造要素を発見することができる。残差補正を用いた極限学習機械アルゴリズム（RELM）を設計し、独立適応型粒子群アルゴリズムを用いて最適化する。提案手法の実験結果は、いくつかの古典的な機械学習アルゴリズムと比較され、19のアスファルト舗装に対する平均根元平均二乗誤差、平均平均絶対誤差、平均平均絶対パーセント誤差の予測値はそれぞれ1.742、1.363、1.94%に達した。この実験から、RELMアルゴリズムが道路工学の非線形問題を扱う上で、古典的な機械学習法よりも優れていることが示された。特に、この方法は、生産環境パラメータの認知的分析を通じて、シミュレーション環境を異なる抽象度に適応させることを保証するものである。

要約(オリジナル)

Rutting of asphalt pavements is a crucial design criterion in various pavement design guides. A good road transportation base can provide security for the transportation of oil and gas in road transportation. This study attempts to develop a robust artificial intelligence model to estimate different asphalt pavements’ rutting depth clips, temperature, and load axes as primary characteristics. The experiment data were obtained from 19 asphalt pavements with different crude oil sources on a 2.038 km long full-scale field accelerated pavement test track (RIOHTrack, Road Track Institute) in Tongzhou, Beijing. In addition, this paper also proposes to build complex networks with different pavement rutting depths through complex network methods and the Louvain algorithm for community detection. The most critical structural elements can be selected from different asphalt pavement rutting data, and similar structural elements can be found. An extreme learning machine algorithm with residual correction (RELM) is designed and optimized using an independent adaptive particle swarm algorithm. The experimental results of the proposed method are compared with several classical machine learning algorithms, with predictions of Average Root Mean Squared Error, Average Mean Absolute Error, and Average Mean Absolute Percentage Error for 19 asphalt pavements reaching 1.742, 1.363, and 1.94\% respectively. The experiments demonstrate that the RELM algorithm has an advantage over classical machine learning methods in dealing with non-linear problems in road engineering. Notably, the method ensures the adaptation of the simulated environment to different levels of abstraction through the cognitive analysis of the production environment parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL