Моделирование управляющих воздействий на эксплуатационной стадии жизненного цикла автомобильных дорог

Введение. Одной из сложных проблем управления дорожными активами является отсутствие единых интегральных показателей их состояния, учитывающих одновременно изменение продольной ровности покрытия, визуального состояния и общего модуля упругости на эксплуатационной стадии жизненного цикла (ЖЦ) автомобильной дороги. Их отсутствие приводит к невозможности эффективного моделирования различных сценариев изменения эксплуатационного состояния дороги при осуществлении управляющих воздействий в виде работ по содержанию, ремонту капитальному ремонту. Цель исследования — выработка данного критерия и формулирование основ для моделирования различных сценариев применения управляющих воздействий на эксплуатационной стадии ЖЦ.

Материалы и методы. В качестве основного показателя состояния автомобильной дороги на эксплуатационной стадии ЖЦ используется интегральный уровень сохранности, представляющий собой произведение долей участка автомобильной дороги, находящихся в удовлетворительном состоянии, по показателям — общий модуль упругости на поверхности дорожной одежды, продольная ровность и визуальное состояние. Для обоснования применимости данного показателя и развития методики моделирования управляющих воздействий используется аппарат теории надежности и математической статистики.

Результаты. На основе зависимостей, характеризующих изменение каждого из показателей в течение срока службы с учетом предположения о нормальном характере их распределения, получена проектная кривая изменения интегрального уровня сохранности для автомобильных дорог с интенсивным движением. Рассмотрены различные сценарии назначения управляющих воздействий и показано их влияние на величину интегрального уровня сохранности автомобильной дороги.

Выводы. Установлено, что для ряда случаев восстановление потребительских свойств автомобильной дороги без восстановления несущей способности не обеспечит продление срока службы. Выполнено моделирование различных сценариев назначения управляющих воздействий в виде работ по содержанию, ремонту и капитальному ремонту. Определены перспективы применения предложенного подхода, связанные с использованием аппарата теории эффективности технических систем.

1. Леонович И.И., Новгородский Я.Я., Буртыль Ю.В. Транспортно-эксплуатационное состояние сети республиканских автомобильных дорог и основные направления повышения их качества // Вестник Белорусского национального технического университета. 2008. № 6. С. 56–63. EDN VVALSN.

2. Красиков О.А. Оптимальные значения // Автомобильные дороги. 2021. № 9 (1078). С. 134–137. EDN ZZMBRJ.

3. Кириллов А.М., Завьялов М.А. Прогнозирование остаточного срока службы асфальтобетонных покрытий // Вестник МГСУ. 2018. Т. 13. № 3 (114). С. 356–367. DOI: 10.22227/1997-0935.2018.3.356-367

4. Elhadidy A.A., El-Badawy S.M., Elbeltagi E.E. A simplified pavement condition index regression model for pavement evaluation // International Journal of Pavement Engineering. 2021. Vol. 22. Issue 5. Pp. 643–652. DOI: 10.1080/10298436.2019.1633579

5. Fakhri M., Dezfoulian R.S. Pavement structural evaluation based on roughness and surface distress survey using neural network model // Construction and Building Materials. 2019. Vol. 204. Pp. 768–780. DOI: 10.1016/j.conbuildmat.2019.01.142

6. Васильев А.П. Целевые показатели оценки результативности модернизации, ремонта и содержания автомобильных дорог // Наука и техника в дорожной отрасли. 2005. № 1 (32). С. 5–8. EDN OIJYPF.

7. Васильев А.П., Ефименко В.Н. К обоснованию протяжения автомобильных дорог, подлежащих реконструкции, модернизации, капитальному ремонту и ремонту, в субъектах федерации // Вестник Томского государственного архитектурно-строительного университета. 2014. № 6 (47). С. 157–167. EDN TBZNID.

8. Углова Е.В., Саенко С.С. Обзор инструментов управления состоянием дорожных конструкций // Транспортные сооружения. 2016. Т. 3. № 1. С. 6. EDN WKTSFF.

9. Тиратурян А.Н., Белоусов Е.С., Шаталов В.Ю. Имитационное моделирование ухудшения эксплуатационного состояния нежестких дорожных конструкций на основе вероятностного подхода // Инженерный вестник Дона. 2016. № 3 (42). С. 65. EDN YGSTBV.

10. Jiang X., Gabrielson J., Huang B., Bai Y., Polaczyk P., Zhang M. et al. Evaluation of inverted pavement by structural condition indicators from falling weight deflectometer // Construction and Building Materials. 2022. Vol. 319. Pp. 125991. DOI: 10.1016/j.conbuildmat.2021.125991

11. Rabbi M.F., Mishra D. Using FWD deflection basin parameters for network-level assessment of flexible pavements // International Journal of Pavement Engineering. 2021. Vol. 22. Issue 2. Pp. 147–161. DOI: 10.1080/10298436.2019.1580366

12. Jing C., Zhang J., Song B. An innovative evaluation method for performance of in-service asphalt pavement with semi-rigid base // Construction and Building Materials. 2020. Vol. 235. P. 117376. DOI: 10.1016/j.conbuildmat.2019.117376

13. Vyas V., Singh A.P., Srivastava A. Entropy-based fuzzy SWOT decision-making for condition assessment of airfield pavements // International Journal of Pavement Engineering. 2021. Vol. 22. Issue 10. Pp. 1226–1237. DOI: 10.1080/10298436.2019.1671590

14. Bosurgi G., Pellegrino O., Sollazzo G. Pavement condition information modelling in an I-BIM environment // International Journal of Pavement Engineering. 2022. Vol. 23. Issue 13. Pp. 4803–4818. DOI: 10.1080/10298436.2021.1978442

15. Vyas V., Singh A.P., Srivastava A. Prediction of asphalt pavement condition using FWD deflection basin parameters and artificial neural networks // Road Materials and Pavement Design. 2021. Vol. 22. Issue 12. Pp. 2748–2766. DOI: 10.1080/14680629.2020.1797855

16. Wang J., Chen M., Gao W., Guo Z., Liu Y. A comparison of network level pavement condition assessment in road asset management // International Journal of Transportation Engineering and Technology. 2020. Vol. 6. Issue 3. P. 95. DOI: 10.11648/j.ijtet.20200603.14

17. Kumar R., Suman S.K. Development of overall pavement condition index for maintenance strategy selection for Indian highways // International Journal of System Assurance Engineering and Management. 2022. Vol. 13. Issue 2. Pp. 832–843. DOI: 10.1007/s13198-021-01344-z

18. Issa A., Sammaneh H., Abaza K. Modeling pavement condition index using cascade architecture: classical and neural network methods // Iranian Journal of Science and Technology, Transactions of Civil Engineering. 2022. Vol. 46. Issue 1. Pp. 483–495. DOI: 10.1007/s40996-021-00678-9

19. Han C., Fang M., Ma T., Cao H., Peng H. An intelligent decision-making framework for asphalt pavement maintenance using the clustering-PageRank algorithm // Engineering Optimization. 2020. Vol. 52. Issue 11. Pp. 1829–1847. DOI: 10.1080/0305215X.2019.1677636

20. Ndume V., Mlavi E., Mwaipungu R. Development of road pavement condition index using combined parameters // Civil Engineering Research. 2020. Vol. 10. Issue 3. Pp. 53–62. DOI: 10.5923/j.jce.20201003.01

21. Kravcovas I., Vaitkus A., Kleizienė R. Comparison of pavement performance models for urban road management system // The Baltic Journal of Road and Bridge Engineering. 2020. Vol. 15. Issue 3. Pp. 111–129. DOI: 10.7250/bjrbe.2020-15.487

22. Mubaraki M., Sallam H. The most effective index for pavement management of urban major roads at a network level // Arabian Journal for Science and Engineering. 2021. Vol. 46. Issue 5. Pp. 4615–4626. DOI: 10.1007/s13369-020-05122-0

23. Titi H., Qamhia I.I., Ramirez J., Tabatabai H. Long-term performance of flexible pavements constructed on recycled base layers // Transportation Research Record: Journal of the Transportation Research Board. 2022. Vol. 2676. Issue 11. Pp. 206–222. DOI: 10.1177/03611981221092000

24. Nabipour N., Karballaeezadeh N., Dineva A., Mosavi A., Mohammadzadeh S.D., Shamshirband S. Comparative analysis of machine learning models for prediction of remaining service life of flexible pavement // Mathematics. 2019. Vol. 7. Issue 12. P. 1198. DOI: 10.3390/math7121198

25. Elshamy M.M.M., Tiraturyan A.N., Uglova E.V. Evaluation of the elastic modulus of pavement layers using different types of neural networks models // Advanced Engineering Research. 2022. Vol. 21. Issue 4. Pp. 364–375. DOI: 10.23947/2687-1653-2021-21-4-364-375

26. Elshamy M.M.M., Tiraturyan A.N., Uglova E.V., Zakari M. Development of the non-destructive monitoring methods of the pavement conditions via artificial neural networks // Journal of Physics: Conference Series. 2020. Vol. 1614. Issue 1. P. 012099. DOI: 10.1088/1742-6596/1614/1/012099

27. Elshamy M.M.M., Tiraturyan A.N., Uglova E.V., Elgendy M.Z. Evaluation of pavement condition deterioration using artificial intelligence models // Advanced Engineering Research. 2022. Vol. 22. Issue 3. Pp. 272–284. DOI: 10.23947/2687-1653-2022-22-3-272-284

28. Elshamy M.M.M., Tiraturyan A.N., Uglova E.V., Elgendy M.Z. Comparison of feed-forward, cascade-forward, and Elman algorithms models for determination of the elastic modulus of pavement layers // 2021 4th International Conference on Geoinformatics and Data Analysis. 2021. Pp. 46–53. DOI: 10.1145/3465222.3465235

29. Wang H. Life cycle assessment of asphalt pavement maintenance. Rutgers University. Center for Advanced Infrastructure and Transportation, 2014.

30. Ushakov I. Reliability: past, present, future // Reliability: Theory & Applications. 2006. Vol. 1. No. 1 (1). Pp. 10–16.