Thesis:

Metodología de modelación de desempeño de pavimentos urbanos con inteligencia artificial

Los modelos de desempeño de pavimentos son una herramienta sumamente útil para las agencias encargadas de la gestión vial, permitiendo estimar el comportamiento y designar la medida correctiva óptima para mantenimiento de las vías. Investigaciones recientes han presentado resultados favorables al utilizar técnicas de Machine y Deep Learning en la modelación del comportamiento de pavimentos. En esta investigación se plantea una metodología de desarrollo de modelos de desempeño de primera fase para pavimentos urbanos, gestionados a nivel de red, para la predicción de la condición a corto y largo plazo utilizando técnicas de Machine y Deep Learning en su confección. Específicamente se utiliza la regresión de bosques aleatorios (RFR), regresión de vectores de soporte (VSR), regresor de refuerzo de gradiente (GBR), redes neuronales artificiales (ANN) y redes neuronales recurrentes (ANN). Con estos algoritmos se confeccionan modelos para predecir el Índice de Condición de Pavimentos Urbanos de Chile (ICPU) utilizando una base de datos sintética de elaboración propia en las simulaciones para luego evaluar su desempeño con datos reales obtenidos mediante procesos de auscultación manual. En cuanto a los resultados obtenidos, al momento de examinar el rendimiento de los algoritmos con los datos provenientes de la base sintética, las iteraciones ofrecen resultados favorables para la predicción a corto plazo, obteniendo bajos errores promedio de predicción y resultados de RMSE próximos a cero. En tanto que, al momento de examinar el rendimiento con los datos reales de campo se obtienen errores menores al 10% y valores de RMSE bajos, lo cual resulta de interés para cada una de las alternativas de algoritmos mencionadas anteriormente, pues las sitúan como herramientas recomendables para realizar predicciones sobre el desempeño de los pavimentos urbanos. Con respecto a la predicción de largo plazo, se generan curvas de desempeño para 2 escenarios acotados que representan calles de la red vial primaria de la comuna de Maipú y Macul. Cada una de las curvas posee un horizonte de predicción de 20 años desde el primer dato informado y dichas curvas se contrastan contra curvas generadas con datos de auscultación en terreno que fueron aunados bajo la metodología de ventanas. Los resultados de esta comparativa muestran que los modelos configurados con los algoritmos RFR y GBR poseen una predicción de alta precisión para un horizonte de predicción de hasta 10 años, puesto que, para horizontes más amplios, disminuye el desempeño.

Pavement performance models are an extremely useful tool for agencies responsible for road management, allowing them to estimate behavior and designate the optimal corrective measures for road maintenance. Recent research has presented favorable results using Machine and Deep Learning techniques in modeling pavement behavior. This study proposes a methodology for developing first-phase performance models for urban pavements, managed at the network level, to predict short- and long-term conditions using Machine and Deep Learning techniques. Specifically, Random Forest Regression (RFR), Support Vector Regression (SVR), Gradient Boosting Regressor (GBR), Artificial Neural Networks (ANN), and Recurrent Neural Networks (RNN) are employed. These algorithms are used to create models to predict the Chilean Urban Pavement Condition Index (ICPU) using a proprietary synthetic database generated through simulations, which is then evaluated using real data obtained through manual survey processes. Regarding the results, when examining algorithm performance with data from the synthetic database, the iterations yielded favorable results for short-term prediction, achieving low average prediction errors and RMSE values close to zero. When evaluating performance with real field data, errors below 10% and low RMSE values were obtained, which is of interest for each of the aforementioned algorithm alternatives, positioning them as recommended tools for predicting urban pavement performance. For long-term prediction, performance curves were generated for two constrained scenarios representing streets in the primary road network of the municipalities of Maipú and Macul. Each curve has a prediction horizon of 20 years from the first reported data, and these curves were compared against curves generated with field survey data combined under the windowing methodology. The results of this comparison show that models configured with RFR and GBR algorithms provide highly accurate predictions for a prediction horizon of up to 10 years, since performance decreases for longer horizons.