Un enfoque basado en aprendizaje automático para predecir la formación de surcos en la carretera considerando la incertidumbre

Las carreteras, como activos públicos vitales, son la columna vertebral de los sistemas de transporte y apoyan el desarrollo social constante. Recientemente, tecnologías basadas en datos como los gemelos digitales y, especialmente, el aprendizaje automático han demostrado un gran potencial para mantener el nivel de servicio de la infraestructura vial existente mediante modelado preciso de condiciones futuras y recomendaciones óptimas de tratamiento de mantenimiento. Sin embargo, la comunidad de pavimentación sufre de datos inadecuados y errores experimentados en la recolección de datos, lo que limita inevitablemente el rendimiento del aprendizaje automático. Además, centrarse únicamente en los datos sin considerar el comportamiento físico subyacente sigue siendo un desafío para la implementación práctica del aprendizaje automático. Con este fin, este estudio proporciona un enfoque basado en aprendizaje automático para predecir la formación de surcos en caminos teniendo en cuenta las incertidumbres del aprendizaje automático. La base de datos pública de Rendimiento de Pavimentos a Largo Plazo de EE. UU. se ha utilizado como la fuente principal de datos mientras se añadió datos sintéticos suplementarios utilizando simulaciones por elementos finitos basadas en física. Los resultados obtenidos indican que la adición de datos de simulación adicionales mejoró la precisión de la predicción a corto plazo del modelo en un 4.4% y redujo la incertidumbre de la predicción a largo plazo en un 6.76%. El enfoque podría mitigar potencialmente el problema de la falta de datos y las incertidumbres en torno a los datos recolectados, al integrar el entendimiento existente del comportamiento físico del pavimento en el pipeline de modelado de aprendizaje automático.