Determination of asphalt layer temperature in FWD and TSD measurements using machine learning

Jacek Sudyka; Grzegorz Mazurek

doi:10.7409/rabdim.025.015

Opublikowane: 2025-08-11

Tom 24 Nr 3 (2025)

Wyznaczanie temperatury warstw asfaltowych w pomiarach FWD i TSD z wykorzystaniem uczenia maszynowego

Jacek Sudyka

, Grzegorz Mazurek

Dział: Artykuły

https://doi.org/10.7409/rabdim.025.015

Abstrakt

W pracy przedstawiono zastosowanie technik uczenia maszynowego w szacowaniu temperatury warstw asfaltowych podczas pomiarów urządzeniami FWD i TSD. Problem precyzyjnego określenia temperatury jest kluczowy dla analizy trwałości nawierzchni drogowych. Tradycyjne metody, takie jak model BELLS3, choć szeroko stosowane, mają ograniczenia w dokładności prognoz. Praca prezentuje implementację zaawansowanych algorytmów, między innymi takich jak regresja adaptacyjna (MARS), wektory nośne (SVM), sieci neuronowe (ANN), drzewa losowe (RF) i drzewa wzmacniane (BT), w celu optymalizacji modelu szacowania temperatury warstw asfaltowych T_d. Model BELLS3, wykorzystany jako bazowy w procesie optymalizacji, został oceniony pod kątem skuteczności predykcji. Wyniki wykazały umiarkowaną skuteczność tego modelu (R² = 82%, RMSE = 2.3°C), co stanowiło potrzebę dalszych udoskonaleń. Zastosowanie technik uczenia maszynowego, w szczególności wzmacnianych drzew gradientowych (BT), pozwoliło na znaczne zwiększenie precyzji prognoz. Model BT osiągnął najwyższe dopasowanie do zmiennej zależnej T_d (R² = 99% and RMSE = 0.61°C), co wskazuje na jego wyraźną przewagę nad innymi modelami, w tym nad bazowym modelem BELLS3. Na koniec autorzy podkreślają potencjał integracji tradycyjnych podejść z zaawansowanymi metodami analizy danych w celu dalszej poprawy dokładności prognozowania temperatur warstw mieszanek mineralno-asfaltowych i efektywnego zarządzania infrastrukturą drogową.

Słowa kluczowe:

BELL3, eksploracja danych, FWD, nawierzchnia, temperatura, TSD, ugięcia, walidacja

Inne teksty tego samego autora

Marek Iwański, Grzegorz Mazurek, Anna Chomicz-Kowalska, Przemysław Buczyński, Małgorzata Cholewińska, Mateusz Marek Iwański, Krzysztof Maciejewski, Piotr Ramiączek, Wpływ spoiwa mieszanego na właściwości recyklowanej mieszanki mineralno-asfaltowej z asfaltem spienionym w aspekcie jej uziarnienia , Roads and Bridges – Drogi i Mosty: Tom 22 Nr 1 (2023)
Mariusz Urbański, Jacek Sudyka, Katarzyna Grondys, Ocena ekspercka zarządzania infrastrukturą drogową , Roads and Bridges – Drogi i Mosty: Tom 20 Nr 4 (2021)
Przemysław Buczyński, Grzegorz Mazurek, Marek Iwański, Prognozowanie właściwości mieszanki mineralno-spoiwowej wytwarzanej w technologii na „zimno" z asfaltem spienionym w aspekcie właściwości zapraw ze spoiw hydraulicznych , Roads and Bridges – Drogi i Mosty: Tom 22 Nr 4 (2023)
Marek Iwański, Grzegorz Mazurek, Wpływ wapna hydratyzowanego na odporność nawierzchni SMA na okleinowanie , Roads and Bridges – Drogi i Mosty: Tom 12 Nr 4 (2013)
Grzegorz Mazurek, Przemysław Buczyński, Marek Iwański, Renata Horodecka, Wpływ trójskładnikowego spoiwa hydraulicznego na właściwości recyklowanej podbudowy z asfaltem spienionym oraz emulsją asfaltową: badania terenowe , Roads and Bridges – Drogi i Mosty: Tom 21 Nr 4 (2022)
Jacek Sudyka, Przemysław Harasim, Monika Kowalska-Sudyka, Tomasz Mechowski, Kontrola jakości pomiarów realizowanych ugięciomierzem TSD na sieci drogowej , Roads and Bridges – Drogi i Mosty: Tom 20 Nr 4 (2021)
Marek Iwański, Grzegorz Mazurek, Wpływ wosku syntetycznego na moduł sztywności betonu asfaltowego , Roads and Bridges – Drogi i Mosty: Tom 11 Nr 3 (2012)
Grzegorz Mazurek, Przemysław Buczyński, Marek Iwański, Artur Kowalczyk, Marcin Podsiadło, Prognozowanie nieodwracalnej podatności i nawrotu sprężystego asfaltów modyfikowanych plastomerami odpadowymi w badaniu MSCR , Roads and Bridges – Drogi i Mosty: Tom 22 Nr 4 (2023)
Jacek Sudyka, Tomasz Mechowski, Przemysław Harasim, Mirosław Graczyk, Andrzej Matysek, Optymalizacja współczynników modelu BELLS3 w celu zwiększenia precyzji obliczeń temperatury warstw asfaltowych w pomiarach FWD i TSD , Roads and Bridges – Drogi i Mosty: Tom 23 Nr 4 (2024)

Pobierz pliki

PDF

Zasady cytowania

Sudyka, J., & Mazurek, G. (2025). Wyznaczanie temperatury warstw asfaltowych w pomiarach FWD i TSD z wykorzystaniem uczenia maszynowego. Roads and Bridges – Drogi I Mosty, 24(3), 267–282. https://doi.org/10.7409/rabdim.025.015

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.

Bibliografia

Sudyka J., Harasim P., Kowalska-Sudyka M., Mechowski T.: Quality control of Traffic Speed Deflectometer measurements on road network. Roads and Bridges – Drogi i Mosty, 20, 4, 2021, 441-450, DOI: 10.7409/rabdim.021.026 DOI: https://doi.org/10.7409/rabdim.021.026
Google Scholar

Deep P., Andersen M.B., Rasmussen S., Marradi A., Thom N.H., Presti D.L.: Simulating deflection of a jointed rigid pavement under Rolling Wheel Deflectometer (RAPTOR) loading. In: Proceedings of the 9th International Conference on Maintenance and Rehabilitation of Pavements-Mairepav9, Lecture Notes in Civil Engineering, 76, Springer, Cham, 2020, 859-870, DOI: 10.1007/978-3-030-48679-2_80 DOI: https://doi.org/10.1007/978-3-030-48679-2_80
Google Scholar

Zarządzenie nr 21 Generalnego Dyrektora Dróg Krajowych i Autostrad z dnia 17 czerwca 2019 roku w sprawie diagnostyki stanu nawierzchni i wybranych elementów korpusu drogi. GDDKiA, https://www.archiwum.gddkia.gov.pl/pl/2982/Diagnostyka-Stanu-Nawierzchni (10.07.2025)
Google Scholar

Alghoul M., Irshad K.: Asphalt pavement temperature fluctuation: Impacts and solutions. Journal of Architectural Environment & Structural Engineering Research, 6, 3, 2023, 1-3, DOI: 10.30564/jaeser.v6i3.5869 DOI: https://doi.org/10.30564/jaeser.v6i3.5869
Google Scholar

Adwan I., Milad A., Memon Z.A., Widyatmoko I., Ahmat Zanuri N., Memon N.A., Yusoff N.I.M.: Asphalt pavement temperature prediction models: A review. Applied Sciences, 11, 9, 2021, Article ID: 3794, DOI: 10.3390/app11093794 DOI: https://doi.org/10.3390/app11093794
Google Scholar

Assogba O.C., Tan Y., Zhou X., Zhang C., Anato J.N.: Numerical investigation of the mechanical response of semi-rigid base asphalt pavement under traffic load and nonlinear temperature gradient effect. Construction and Building Materials, 235, 2020, Article ID: 117406, DOI: 10.1016/j.conbuildmat.2019.117406 DOI: https://doi.org/10.1016/j.conbuildmat.2019.117406
Google Scholar

Zhang N., Wu G., Chen B., Cao C.: Numerical model for calculating the unstable state temperature in asphalt pavement structure. Coatings, 9, 4, 2019, Article ID: 271, DOI: 10.3390/coatings9040271 DOI: https://doi.org/10.3390/coatings9040271
Google Scholar

Chollet F., Allaire J.J., Matuk K.: Deep learning: praca z językiem R i biblioteką Keras. Helion, Gliwice, 2019
Google Scholar

Clemmensen L., Kjærsgaard R.: Data representativity for machine learning and AI systems. arXiv, 2203, 2023, Article ID: 04706, DOI: 10.48550/arXiv.2203.04706
Google Scholar

Ahmed N.S., Huynh N., Gassman S., Mullen R., Pierce C., Chen Y.: Predicting pavement structural condition using machine learning methods. Sustainability, 14, 14, 2022, Article ID: 8627, DOI: 10.3390/su14148627 DOI: https://doi.org/10.3390/su14148627
Google Scholar

Guo X.; Hao P.: Using a random forest model to predict the location of potential damage on asphalt pavement. Applied Sciences, 11, 21, 2021, Article ID: 10396, DOI: 10.3390/app112110396 DOI: https://doi.org/10.3390/app112110396
Google Scholar

Veeraragavan R.K., Nivedya M.K., Mallick R.B.: Accurate identification of pavement materials that are susceptible to moisture damage with the use of advanced conditioning and test methods and the use of machine learning techniques. SN Applied Sciences, 1, 79, 2019, DOI: 10.1007/s42452-018-0086-8 DOI: https://doi.org/10.1007/s42452-018-0086-8
Google Scholar

Younos M.A., Abd El-Hakim R.T., El-Badawy S.M., Afify H.A.: Multi-input performance prediction models for flexible pavements using LTPP database. Innovative Infrastructure Solutions, 5, 27, 2020, DOI 10.1007/s41062-020-0275-3 DOI: https://doi.org/10.1007/s41062-020-0275-3
Google Scholar

Milad A.A., Adwan I., Majeed S.A., Memon Z.A., Bilema M., Omar H.A.: Development of a hybrid machine learning model for asphalt pavement temperature prediction. In: IEEE Access, 9, 2021, 158041-158056, DOI: 10.1109/ACCESS.2021.3129979 DOI: https://doi.org/10.1109/ACCESS.2021.3129979
Google Scholar

Piryonesi S.M., El-Diraby T.E.: Using machine learning to examine impact of type of performance indicator on flexible pavement deterioration modeling. Journal of Infrastructure Systems, 27, 2, 2021, DOI: 10.1061/(ASCE)IS.1943-555X.0000602 DOI: https://doi.org/10.1061/(ASCE)IS.1943-555X.0000602
Google Scholar

Gopalakrishnan K., Agrawal A., Ceylan H., Kim, S., Choudhary A.: Knowledge discovery and data mining in pavement inverse analysis. Transport, 28, 1, 2013, 1-10, DOI: 10.3846/16484142.2013.777941
Google Scholar

Nafaa S., Essam H., Ashqar H., Ashour K., Emad D., Hassan A., Mohamed R., Elhenawy M., Alhadidi T.: Automated pavement cracks detection and classification using deep learning. Proceeding of the 2024 IEEE 3rd International Conference on Computing and Machine Intelligence (ICMI), Mt Pleasant, MI, USA, 2024, 1-5, DOI: 10.1109/ICMI60790.2024.10586098 DOI: https://doi.org/10.1109/ICMI60790.2024.10586098
Google Scholar

Koné A., Es-Sabar A., Do M.-T.: Application of machine learning models to the analysis of skid resistance data. Lubricants, 11, 8, Article ID: 328, DOI: 10.3390/lubricants11080328 DOI: https://doi.org/10.3390/lubricants11080328
Google Scholar

Mazurek G., Bąk-Patyna P.: Application of data mining techniques to predict luminance of pavement aggregate. Applied Sciences, 13, 7, 2023, Article ID: 4116, DOI: 10.3390/app13074116 DOI: https://doi.org/10.3390/app13074116
Google Scholar

Gopalakrishnan K., Agrawal A., Ceylan H., Kim S., Choudhary A.: Knowledge discovery and data mining in pavement inverse analysis. Transport, 28, 1, 2013, 1-10, DOI: 10.3846/16484142.2013.777941 DOI: https://doi.org/10.3846/16484142.2013.777941
Google Scholar

Mansour F., Reza Shahni D.: Pavement structural evaluation based on roughness and surface distress survey using neural network model. Construction and Building Materials, 204, 2019, 768-780, DOI: 10.1016/j.conbuildmat.2019.01.142 DOI: https://doi.org/10.1016/j.conbuildmat.2019.01.142
Google Scholar

Sudyka J., Mechowski T., Harasim P., Graczyk M., Matysek A.: Optimisation of BELLS3 model coefficients to increase the precision of asphalt layer temperature calculations in FWD and TSD measurements. Roads and Bridges – Drogi i Mosty, 23, 4, 2024, 437-456, DOI: 10.7409/rabdim.024.021 DOI: https://doi.org/10.7409/rabdim.024.021
Google Scholar

Hastie T., Tibshirani R., Friedman J.: Unsupervised learning. In: The elements of statistical learning. Springer Series in Statistics. Springer, New York, NY, 2009, 485-585, DOI: 10.1007/978-0-387-84858-7_14 DOI: https://doi.org/10.1007/978-0-387-84858-7_14
Google Scholar

Mahmud K., Azam S., Karim A., Zobaed S., Shanmugam B., Mathur D.: Machine learning based PV power generation forecasting in Alice Springs. IEEE Access, 9, 2021, 46117-46128, DOI: 10.1109/ACCESS.2021.3066494 DOI: https://doi.org/10.1109/ACCESS.2021.3066494
Google Scholar

Biecek P.: Przewodnik po pakiecie R. Oficyna Wydawnicza GIS, wydanie 4 rozszerzone, Wrocław, 2017
Google Scholar

Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B.: Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2011, 2825-2830
Google Scholar

Breiman L.: Random forests. Machine Learning, 45, 2001, 5-32, DOI: 10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
Google Scholar

Freund Y., Schapire R.E.: A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55, 1, 1997, 119-139, DOI: 10.1006/jcss.1997.1504 DOI: https://doi.org/10.1006/jcss.1997.1504
Google Scholar

Zhang H., Yang Q., Shao J., Wang G.: Dynamic streamflow simulation via online gradient-boosted regression tree. Journal of Hydrologic Engineering, 24, 10, 2019, Article ID: 04019041, DOI: 10.1061/(ASCE)HE.1943-5584.0001822 DOI: https://doi.org/10.1061/(ASCE)HE.1943-5584.0001822
Google Scholar

Wytyczne diagnostyki stanu nawierzchni dla dróg wojewódzkich. Zarząd Dróg Wojewódzkich w Olsztynie, https://www.zdw.olsztyn.pl/strona-glowna/dokumenty-techniczne.html (10.10. 2018)
Google Scholar

Wyznaczanie temperatury warstw asfaltowych w pomiarach FWD i TSD z wykorzystaniem uczenia maszynowego

Abstrakt

Słowa kluczowe:

Inne teksty tego samego autora

Pobrania

Jacek Sudyka

Grzegorz Mazurek