Spatial Non-Stationary Bayesian Analysis of Deterioration of Pavement With Uncertainty
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3024757Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Et godt vedlikeholdt vegdekke er viktig for trafikksikkerheten og målrettet vedlikehold er viktig for å maksimere den samfunnsøkonomiske effekten av ressursene som tildeles. Gjennom prosjektet SMARTere vedlikehold har Norges teknisk-naturvitenskapelige universitet (NTNU) og Statens vegvesen angrepet denne problemstillingen ved å utvikle teknologi, metoder og kompetanse for å forbedre og effektivisere vedlikeholdet av det norske vegnett.
Denne avhandlingen undersøker endringen i spordybde som mål på vegdekkeslitasje langs Europavei 16 (E16) mellom Bergen og Voss på Vestlandet for årene 2015 til 2020. Målet er å lokalisere faktorer som er ansvarlige for økt spordannelse, og å bruke resultatene til å forutsi spordybden frem i tid. Vi undersøker effekten av trafikkintensitet, vegbredde, og vegdekketype, bestående enten av asfaltbetong (Ab), asfaltgrusbetong (Agb) eller skjelletasfalt (Ska). Vi undersøker også å legge til romlige felt i modellen og inkluderer en tilfeldig årseffekt. En romlig stasjonær modell og en romlig ikke-stasjonær modell som varierer med trafikkintensiteten presenteres. De romlige feltene består av ett tidskonstant felles felt, og årlig varierende romlige felt. Modellene er foreslått innenfor et Bayesiansk rammeverk som latente Gaussiske modeller (LGM), hvor de romlige feltene er modellert som Gaussiske tilfeldige felt (GRF).
Resultatene viser at det er tegn for at det er en romlig avhengighet, og at den romlige avhengigheten varierer med trafikkintensiteten. Den romlige ikke-stasjonære modellen brukes derfor til prediksjon. Resultatene viser at vegdekketypen skjelettasfalt gir minst forventet spordannelse, mens vegdekketypen asfaltgrusbetong gir mest. Forventet spordannelse øker også med økt trafikkintensitet. Når vegbredden er smalere, øker den forventede spordannelsen, som følger av at når vegen er smal ligger hjulene på kjøretøyene i tilnærmet samme posisjon hele tiden, som fører til mer belastning på denne delen av vegen. Den romlige effekten fra det tidskonstante felles feltet gir forskjellen fra forventet spordannelse dersom det ikke var inkludert en romlig effekt. Dette visert at det er ventet mindre enn antatt spordannelse nær Bergen, og at det er ventet mer enn antatt spordannelse mot Voss. Prediksjon av spordannelse for E16 mellom Bergen og Voss gjøres for år 2021, som gjør det mulig å beregne forventet spordybde. Basert på grenser spordybden kan bli før asfaltering må skje, identifiserer en strekning som overskrider denne og trenger asfaltering. A well maintained pavement is important for road safety, and targeted maintenance is important for maximising the socioeconomic impact from the resources allocated. Through the project SMARTer maintenance, the Norwegian University of Science and Technology (NTNU) and the Norwegian Public Roads Administration target this problem by developing technology, methods and competence to improve and streamline maintenance of Norway’s road network.
This thesis investigates the change in rut depth, the rutting, as a measure of pavement deterioration, along the European route E16 between Bergen and Voss in the Western part of Norway for the years 2015 to 2020. The aim is to locate factors responsible for increased rutting, and use the results to predict the rut depth forward in time. We investigate the effect of traffic intensity, road width, and road cover type, being either asphalt concrete (Ab), asphalt gravel concrete (Agb), or stone mastic asphalt (Ska). We also investigate adding spatial fields to the model, and include a random yearly effect. A spatial stationary model, and a spatial non-stationary model varying with the traffic intensity are presented. The spatial fields consist of one time constant common field, and annually varying spatial fields. The models are proposed within a Bayesian framework as latent Gaussian models (LGMs), where the spatial fields are modeled as Gaussian random fields (GRFs).
The results show that there are evidence that there is a spatial dependence, and that that spatial dependence varies with the traffic intensity. The spatial non-stationary model is therefore used for prediction. The results show that road cover type stone mastic asphalt gives the least expected rutting, while road cover type asphalt gravel concrete gives the most. The expected rutting also increases with an increase in traffic intensity. When the road width is narrower, the expected rutting increases, following from the fact that when the road is narrow, the wheels of the vehicles lie in the same lane leading to more stress on the road at this point. The spatial effect from the time constant common field gives the difference from the expected rutting if there were no spatial effect. This shows that there is less than expected rutting near Bergen, and more than expected rutting towards Voss. Prediction of the rutting for the European route E16 between Bergen and Voss is done for the year 2021, allowing to calculate the predicted rut depth. Based on limits of the rut depth before repaving, a stretch exceeding this is identified.