| dc.description.abstract | God oversikt over den strukturelle tilstanden til veinettet er et viktig grunnlag for prioritering av hvor det skal gjennomføres vedlikehold og rehabilitering. Dette kan bidra til bedre utnyttelse av offentlige midler og til reduksjon av klimagassutslipp. I 2021 ble det satt i gang et prosjekt av Statens Vegvesen (SVV) med hensikt å måle bæreevnen på hele det norske riksveinettet i løpet av tre sommersesonger. Når det gjennomføres målinger i såpass stor skala over såpass lang tid er det viktig å kalibrere målingene for ulike faktorer som påvirker resultatet. Siden bitumen i asfalt har varierende stivhet med temperatur, vil også den målte bæreevnen variere med temperatur. Derfor er det viktig å korrigere målingene til en referansetemperatur for å få sammenlignbare resultater. På bakgrunn av dette ønsker SVV å undersøke mer om hvordan slik temperaturkorreksjon kan utføres.
Målet for denne oppgaven er å finne en generell metode for temperaturkorreksjon av nedbøyningsmålinger som kan benyttes på alle nedbøyningsmålinger som blir utført i Norge. Som en del av oppgaven er det først gjennomført et litteratursøk for å kartlegge eksisterende korreksjonsmodeller. Deretter er det testet ulike modeller for estimering av representativ dekketemperatur. Til slutt er det gjennomført testing og vurdering av ulike korreksjonsmodeller, for korreksjon av både nedbøyninger og E-moduler.
I analysen er det inkludert 10 modeller for estimering av temperatur, 8 modeller for korreksjon av nedbøyninger og 13 modeller for korreksjon av E-moduler. I tillegg er det også gjort en vurdering av korreksjonsformelen SVV bruker i dag. Dataen som brukes til testing i oppgaven kommer fra falloddsmålinger utført på Fv 704 og Fv 6612 i Trondheim spesielt for denne oppgaven, fallodds- og Raptormålinger på Rv 36 i Telemark og fra Raptormålinger på NCAT test track i USA. Til sammen er det målt på 9 ulike delstrekninger. Analysen er gjennomført ved å ta for seg verdier fra to målinger på den samme strekningen ved forskjellige temperaturer, som begge er korrigert til referansetemperatur med den samme korreksjonsmodellen. Ved en optimal korreksjon skal disse verdiene i teorien da bli like. Avviket mellom verdiene beskrives ved hjelp av den statistiske størrelsen Root Mean Square Error (RMSE), som beskriver standardavviket mellom verdiene. Disse beregningene har blitt gjennomført for alle korreksjonsmodeller og alle målinger på alle delstrekninger.
Datagrunnlaget som analysen av temperaturestimeringsmodellene er basert på er relativt tynt, og har derfor begrenset variasjon i værforhold, dekketykkelser og temperaturspekter. Dette fører til at det er vanskelig å trekke noen klar konklusjon på hvilken modell som er best generelt. Resultatene viser imidlertid at det er modellen BELLS som gjør det best, tett etterfulgt av BELLS3 og deretter Lai. Korreksjonsmodellene for nedbøyninger og E-moduler har blitt testet og analysert separat, ettersom det er ulike parametere som korrigeres. Det er til dels store variasjoner i resultatet mellom de ulike delstrekningene, og det er også mistanke om unøyaktige måledata på enkelte delstrekninger. Etter en helhetsvurdering er det kommet fram til at for korreksjon av nedbøyninger er det modellen Brezina_n som gir best resultater. Park_n og Xiao er også sterke kandidater. For korreksjon av E-moduler så er det modellen Lukanen som generelt gir best resultater, men Rambølls metode og D_park_e gir også gode resultater. Formelen som Statens Vegvesen bruker til temperaturkalibrering i dag gir resultater på nivå med de andre modellene som er testet. Tatt i betraktning hvor enkel den er i bruk, er dette en god metode for å skaffe sammenlignbare verdier for målinger som er utført ved forskjellige temperaturer. | |
| dc.description.abstract | A good overview of the structural condition of the road network is an important foundation for prioritizing where to perform maintenance and rehabilitation measures. This could contribute to better utilization of public funds and reduced greenhouse gas emissions. In 2021, the Norwegian Public Roads Administration (SVV) launched a project with the aim of measuring the bearing capacity of the entire national road network over the span of three summer seasons. When measurements are conducted on such a scale over such a long period of time, it is important to calibrate the measurements for different factors that can affect the results. Since the bitumen in asphalt has varying stiffness depending on temperature, the measured bearing capacity will also vary with temperature. Therefore, it is important to correct the measurements to a reference temperature to get comparable results. Due to this, the SVV wishes to investigate how to best perform such temperature corrections.
The aim of this thesis is to find a general method for temperature correction of deflection measurements that can be applied to all deflection measurements in Norway. As a first part of the thesis, a literature review was conducted to map existing correction models. Next, different models for estimating a representative pavement temperature were tested. Finally, testing and evaluation of different correction models were conducted, including models for correction of both deflections and elastic moduli.
Included in the analysis are 10 models for estimating pavement temperatures, 8 models for correction of deflections, and 13 models for correction of elastic moduli. In addition, the correction formula currently used by SVV was also assessed. The data used for testing in this thesis consists of falling weight deflectometer measurements conducted at Fv 704 and Fv 6612 in Trondheim specifically for this thesis, falling weight deflectometer and Raptor measurements at Rv 36 in Telemark, and Raptor measurements at the NCAT test track in the USA. In total, there have been conducted measurements on 9 separate subsections. The analysis is performed by considering values from two measurements conducted at the same section at different temperatures, that are both corrected to a reference temperature with the same correction model. With an optimal correction, these values should in theory be equal. The difference between the values is described by the statistical metric Root Mean Square Error (RMSE), which describes the standard deviation between the values. These calculations have been performed for all correction models and all measurements at all subsections.
The data basis on which the analysis of temperature estimation models is based is limited and is consequently lacking variation in terms of weather conditions, pavement thicknesses, and temperature range. This makes it challenging to reach a clear conclusion on which model is generally best. However, the results show that the BELLS model is performing best, closely followed by BELLS3 and then Lai. The models for correction of deflections and elastic moduli have been tested and analyzed separately, as there are different parameters that are being corrected. There are partly large variations in the results between different subsections, and there is also a suspicion of inaccurate measurement data from some subsections. After an overall assessment, it was found that the best performing model for correction of deflections is Brezina_n, with Park_n and Xiao also being strong candidates. For correction of elastic moduli, the best performing model is Lukanen, but Rambøll’s method and D_park_e also give good results. The formula currently used by SVV is giving results at the same level as the other models that have been tested. Considering how simple it is to use, this is a good method for acquiring comparable values for measurements conducted at different temperatures. | |
