Spatial non-stationary models for pavement deterioration and traffic accidents

Abstract

Effektivt vedlikehold av vegdekker utført på egnede lokasjoner er viktig for å opprettholde en høy grad av trafikksikkerhet og maksimere den samfunnsøkonomiske nytten av midler satt av til vedlikeholdsaktiviteter. I samarbeid med NTNU sikter Statens Vegvesen seg inn mot denne problemstillingen, og søker metoder for smartere vedlikehold.

I denne oppgaven blir årlige målinger av tilstand på vegdekker mellom 2016-2020 for E16 mellom Bergen og Voss brukt til å undersøke romlige avhengigheter mellom vegsegmenter ved å se på årlig endring i spordybde, i.e. sporing, i tillegg til en kort studie av ulykkeshendelser. Ulike romlige modeller er foreslått innen et Bayesiansk rammeverk, i form av latente Gaussiske modeller, hvor romlige avhengigheter er inkludert som Gaussiske tilfeldige felt (GRF). Romlig stasjonæritet samt ikke-stasjonæritet som varierer med hensyn på trafikkmengde er vurdert for sporing, og romlig ikke-stasjonæritet som varierer med hensyn på horisontal kurvatur er vurdert for ulykkeshendelser. Målet med studien er tosidig, hvor det første er å lære mer om den fysiske naturen til de romlige avhengighetene for disse to responsene, og hvordan ulike vegkarakteristikker påvirker de romlige avhengighetene. Det andre målet omhandler å fange opp romlig variasjon konstant over tid, for å gi indikasjoner på lokasjoner med forhøyet mengde sporing og som krever en nøyere visuell inspeksjon, hvor en GRF modell for sporing som inkluderer et årlig romlig felt og et romlig felt konstant over tid er foreslått og tilpasset.

De foreslåtte modellene for sporing synes å virke og gir innsikt i den fysiske naturen til de romlige avhengighetene, med resultater som indikerer ikke-stasjonæritet for sporing, med en økning i standardavvik og reduksjon i den romlige rekkevidden for et GRF når trafikkmengden øker. Inkluderingen av et GRF konstant i tid viser nyttige egenskaper fra et vedlikeholdsperspektiv, med god tolkbarhet, og synes å virke bra spesielt ved høye trafikkmengder, dog er prior sensitiviteten høy. Mulig ikke-stasjonæritet for ulykkeshendelser gir ingen klare resultater, og de foreslåtte modellene er ikke i stand til å skille mellom simulerte data fra en romlig stasjonær- og ikke-stasjonær prosess, noe de foreslåtte modellene for sporing i større grad klarte.

Effective pavement maintenance targeted at the right locations is important for retaining a high degree of road safety and maximizing the socioeconomic benefits from the resources allocated to maintenance activities. In cooperation with NTNU the Norwegian Public Road Administration target this problem, seeking methods for smarter maintenance.

In this thesis annual pavement surface measurements from 2016-2020 for E16 from Bergen to Voss are used to investigate the spatial dependencies between road segments in terms of the annual change in rut depth, i.e. rutting, in addition to a brief study on the occurrence of accidents. Various spatial models are proposed within a Bayesian framework, as latent Gaussian models, where spatial dependencies are included as Gaussian random fields (GRF). Spatial stationarity and non-stationarity varying with respect to the traffic intensity are considered for the rutting whereas non-stationarity varying with respect to curvature is considered for occurrence of accidents. The aim is two-fold, where the first is to learn about the physical nature of the spatial dependencies for these two responses, and if the road characteristics influence the spatial properties. Second, is the aim of capturing spatial variation constant in time, possibly highlighting locations with elevated rutting requiring a physical inspection, where a GRF model for rutting including a yearly spatial field and a spatial field constant in time is proposed and fitted.

The proposed models for rutting seems to work and provide insight into the physical nature of the spatial dependencies, with results indicating non-stationarity for rutting, with increasing standard deviation and decreasing spatial range of the GRF as the traffic intensity increases. Inclusion of a GRF constant in time is tractable from a maintenance and interpretation point of view, and seems to work well particularly at high traffic intensities, although the prior sensitivity is high. Assessing possible non-stationarity for the occurrence of accidents yields no clear results, and the proposed models are not able to distinguish between simulated data from a stationary and non-stationary process, which they did to some extent manage for the rutting models.