Les arbres de décision à gradient boosté pour étudier les performances en laboratoire et sur le terrain dans la gestion des chaussées

Résumés Les incohérences entre les données de performance provenant d'échantillons préparés en laboratoire et sur le terrain ont été largement rapportées. Ces incohérences entraînent souvent des prévisions de condition inexactes, ce qui conduit à une planification de maintenance inefficace. Les systèmes traditionnels de gestion des chaussées (SGC) ne disposent pas des moyens appropriés (par exemple, des solutions mécaniques, des installations de traitement de données étendues, etc.) pour tenir compte de ces incohérences de données. Avec la demande croissante de matériaux durables, il est nécessaire de disposer de systèmes d'auto-apprentissage plus rapides capables de transférer rapidement les informations basées en laboratoire aux informations basées sur le terrain à l'intérieur du SGC. Cet article vise à présenter un cadre basé sur l'apprentissage machine, prêt pour l'avenir, pour analyser les différences entre les échantillons préparés en laboratoire et sur le terrain. Développé sur la base de données obtenues à partir de données de terrain et de laboratoire, le cadre basé sur les arbres de décision à gradient boosté a pu établir une bonne relation entre la performance en laboratoire et la performance sur le terrain (test R² > 80 pour tous les modèles). En même temps, le cadre pouvait également montrer des relations plus complexes qui ne sont souvent pas considérées en pratique.