Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Eine Plattform für die Wissenschaft: Bauingenieurwesen, Architektur und Urbanistik
Pavement management with dynamic traffic and artificial neural network: a case study of Montreal
This study improves the pavement management system by developing a linear programming optimization for the road network of the City of Montreal with simulated traffic for a period of 50 years and deals with the uncertainty of pavement performance modeling. Travel demand models are applied to simulate annual average daily traffic (AADT) every 5 years. A backpropagation neural network (BPN) with a generalized delta rule learning algorithm is applied to develop pavement performance models without uncertainties. Linear programming of life-cycle optimization is applied to develop maintenance and rehabilitation strategies to ensure the achievement of good levels of pavement condition subject to a given maintenance budget. The BPN network estimated that PCI values were predominantly determined by the differences in pavement condition index, AADT, and equivalent single axle loads. Dynamic linear programming optimization estimated that CAD$150 million is the minimum annual budget required to keep most of the arterial and local roads in good condition in Montreal.
La présente étude vise à améliorer les systèmes de gestion des revêtements de chaussée grâce à un processus d’optimisation de la programmation linéaire appliqué au réseau routier de la ville de Montréal, dans laquelle le trafic est simulé sur une période 50 ans. L’étude porte également sur les incertitudes associées à la modélisation des performances des revêtements. Les modèles de demande en transport servent à simuler le trafic moyen journalier annuel (TMJA) tous les cinq ans. On utilise un réseau neural de rétropropagation (RNR) associé à un algorithme d’apprentissage basé sur une règle delta généralisée pour élaborer des modèles d’analyse des performances des revêtements exempts d’incertitudes. Une programmation linéaire de l’optimisation du cycle de vie sert à élaborer des stratégies d’entretien et de réhabilitation permettant d’atteindre de bons niveaux de qualité de revêtement pour un budget d’entretien donné. À l’aide du RNR, on a pu constater que les valeurs de l’indice d’état de la chaussée (IÉC) dépendaient principalement des variations de l’IÉC, du TMJA et de l’équivalent de charge axiale simple. Au moyen de l’optimisation de la programmation linéaire dynamique, on a pu estimer à 150 millions de dollars canadiens le budget annuel minimum nécessaire pour maintenir en bon état la plupart des routes principales et secondaires de Montréal. [Traduit par la Rédaction]
Pavement management with dynamic traffic and artificial neural network: a case study of Montreal
This study improves the pavement management system by developing a linear programming optimization for the road network of the City of Montreal with simulated traffic for a period of 50 years and deals with the uncertainty of pavement performance modeling. Travel demand models are applied to simulate annual average daily traffic (AADT) every 5 years. A backpropagation neural network (BPN) with a generalized delta rule learning algorithm is applied to develop pavement performance models without uncertainties. Linear programming of life-cycle optimization is applied to develop maintenance and rehabilitation strategies to ensure the achievement of good levels of pavement condition subject to a given maintenance budget. The BPN network estimated that PCI values were predominantly determined by the differences in pavement condition index, AADT, and equivalent single axle loads. Dynamic linear programming optimization estimated that CAD$150 million is the minimum annual budget required to keep most of the arterial and local roads in good condition in Montreal.
La présente étude vise à améliorer les systèmes de gestion des revêtements de chaussée grâce à un processus d’optimisation de la programmation linéaire appliqué au réseau routier de la ville de Montréal, dans laquelle le trafic est simulé sur une période 50 ans. L’étude porte également sur les incertitudes associées à la modélisation des performances des revêtements. Les modèles de demande en transport servent à simuler le trafic moyen journalier annuel (TMJA) tous les cinq ans. On utilise un réseau neural de rétropropagation (RNR) associé à un algorithme d’apprentissage basé sur une règle delta généralisée pour élaborer des modèles d’analyse des performances des revêtements exempts d’incertitudes. Une programmation linéaire de l’optimisation du cycle de vie sert à élaborer des stratégies d’entretien et de réhabilitation permettant d’atteindre de bons niveaux de qualité de revêtement pour un budget d’entretien donné. À l’aide du RNR, on a pu constater que les valeurs de l’indice d’état de la chaussée (IÉC) dépendaient principalement des variations de l’IÉC, du TMJA et de l’équivalent de charge axiale simple. Au moyen de l’optimisation de la programmation linéaire dynamique, on a pu estimer à 150 millions de dollars canadiens le budget annuel minimum nécessaire pour maintenir en bon état la plupart des routes principales et secondaires de Montréal. [Traduit par la Rédaction]
Pavement management with dynamic traffic and artificial neural network: a case study of Montreal
Amador-Jiménez, Luis E (Autor:in) / Amin, Md. Shohel Reza
2016
Aufsatz (Zeitschrift)
Englisch
Pavement management with dynamic traffic and artificial neural network: a case study of Montreal
| British Library Online Contents | 2016
| DOAJ | 2022
Pavement friction management – artificial neural network approach
| Online Contents | 2016
Pavement friction management – artificial neural network approach
| Taylor & Francis Verlag | 2019
Application of an artificial neural network in pavement management system
| BASE | 2018