Entscheidungsfindung für Straßeninfrastrukturen in einem Netzwerk basierend auf einer Policy-Gradienten-Methode

Die Entwicklung geeigneter Wartungs- und Sanierungsinvestitionspläne ist entscheidend für die Verlängerung der Lebensdauer von Straßeninfrastrukturen, während das erforderliche Serviceniveau unter Kapitalbeschränkungen erhalten bleibt. Dieses Papier schlägt einen Ansatz des Reinforcement Learning vor, um eine optimale Strategie zur Auswahl von Wartungs-, Reparatur- und Sanierungsalternativen für ein Netzwerk von Straßeninfrastruktur-Anlagen zu bestimmen. Der vorgeschlagene Ansatz basiert auf einer Policy-Gradienten-Methode und überwindet die rechnerische Komplexität von Optimierungsproblemen aufgrund der großen Anzahl möglicher Kombinationen von Netzwerkbedingungen und Wartungs-, Reparatur- und Sanierungsalternativen. Die entwickelte optimale Managementpolitik berücksichtigt die Wechselwirkungen zwischen den Infrastruktureinrichtungen in einem Straßennetzwerk. Numerische Studien zu Betonbrückenbelägen in Straßennetzen werden durchgeführt, um den Vorteil, die Durchführbarkeit und die Leistungsfähigkeit des vorgeschlagenen Ansatzes zu demonstrieren.