Thesis:

Metodología y aplicación de algoritmos de machine learning en el desarrollo de modelos de desempeño de pavimentos aeroportuarios en Chile

En el contexto de un convenio de colaboración entre la Universidad Técnica Federico Santa María y la Dirección de Aeropuertos del Ministerio de Obras Públicas, con el fin de fortalecer el sistema de gestión de pavimentos de aeropuerto, fue desarrollada una metodología para desarrollar modelos de desempeño de pavimentos empleando técnicas de Machine Learning (ML). Los modelos de desempeño juegan un rol clave en cualquier sistema de gestión de infraestructura de pavimentos donde los costos mantención y rehabilitación (M&R) son del orden de millones de dólares. Su principal función es predecir la condición o deterioro experimentado por los pavimentos en el tiempo, así como analizar los efectos de actividades de conservación en el corto o largo plazo. Una aplicación de la metodología propuesta fue hecha tanto a nivel de proyecto, usando los datos del Aeropuerto Andrés Sabella; como también a nivel de red, con los datos de la red primaria de aeropuertos de Chile. En cada caso se comparó el rendimiento de 4 algoritmos de Machine Learning: Artificial Neural Network (ANN; Redes Neuronales Artificiales), Random Forest Regression (RFR; Regresión de Bosque Aleatorio), Support Vector Regression (SVR; Regresión de Vectores de Soporte) y Decision Tree Regression (DTR). Por lo demás, diferentes escenarios con distintas variables fueron evaluados, midiendo el efecto de incluir una variable asociada al tránsito (Escenarios 1 a 3) a nivel de proyecto; y por otro lado, evaluando la inclusión de variables asociadas al tránsito y clima a nivel de red (Escenarios 4 a 6). Evaluando en un caso aparte (Escenario 7), los efectos de la inclusión de la variable a predecir en un estado anterior. Entre los resultados de este trabajo, destacan la precisión de los algoritmos de ML, en especial del algoritmo RFR con R² > 0.9 en los Escenarios 1 a 6. En tanto, que en el Escenario 7, se mostró que el uso de la variable a predecir en un estado anterior eleva la precisión del modelo de R² = 0.48 a R² = 0.90, usando RFR. Adicionalmente, se emplearon regresiones para contrastar resultados a nivel de red, obteniendo una menor capacidad de precisión, no obstante, los resultados no son directamente comparables en términos de variable y de cantidad de datos usados.

Within the context of a collaboration agreement between Universidad Técnica Federico Santa María and the Directorate of Airports of the Ministry of Public Works, aimed at strengthening the airport pavement management system, a methodology was developed to create pavement performance models using Machine Learning (ML) techniques. Performance models play a key role in any pavement infrastructure management system where maintenance and rehabilitation (M&R) costs amount to millions of dollars. Their main function is to predict the condition or deterioration experienced by pavements over time, as well as to analyze the effects of conservation activities in the short and long term. An application of the proposed methodology was carried out both at the project level, using data from Andrés Sabella Airport, and at the network level, with data from Chile’s primary airport network. In each case, the performance of four Machine Learning algorithms was compared: Artificial Neural Network (ANN), Random Forest Regression (RFR), Support Vector Regression (SVR), and Decision Tree Regression (DTR). Furthermore, different scenarios with various variables were evaluated, measuring the effect of including a traffic-related variable (Scenarios 1 to 3) at the project level; and evaluating the inclusion of traffic- and climate-related variables at the network level (Scenarios 4 to 6). In a separate case (Scenario 7), the effects of including the variable to be predicted in a previous state were evaluated. Among the results of this work, the accuracy of the ML algorithms stands out, especially the RFR algorithm with R² > 0.9 in Scenarios 1 to 6. Meanwhile, in Scenario 7, it was shown that using the variable to be predicted in a previous state increases the model’s accuracy from R² = 0.48 to R² = 0.90, using RFR. Additionally, regressions were employed to contrast results at the network level, obtaining a lower accuracy capacity; however, the results are not directly comparable in terms of variables and the amount of data used.