Optimisation of BELLS3 model coefficients to increase the precision of asphalt layer temperature calculations in FWD and TSD measurements

• Autorzy: Sudyka Jacek , Mechowski Tomasz , Harasim Przemysław , Graczyk Mirosław , Matysek Andrzej

Identyfikatory

DOI

10.7409/rabdim.024.021

Warianty tytułu

PL

Optymalizacja współczynników modelu BELLS3 w celu zwiększenia precyzji obliczeń temperatury warstw asfaltowych w pomiarach FWD I TSD

• Języki publikacji: EN PL

Abstrakty

EN

The article discusses the optimisation process of the BELLS3 model for predicting the temperature of asphalt layers, especially in deflection measurements on Polish roads. The BELLS3 model, based on data from the Long-Term Pavement Performance programme, is a popular tool for quick and non-contact temperature estimation of asphalt layers at various depths. However, its accuracy may be limited in the context of local climatic conditions, which differ from those included in the original model. In this paper, a verification analysis was carried out through testing the model on FWD measurements data, and then the model was optimised using the least squares method (LSM). This approach yielded a small improvement in accuracy (only 1%) while reducing the error to 2.12°C. Therefore, it was decided to extend the analysis by using a machine learning method (MARS) to obtain the explicit form of the model. The solution improved the accuracy by 6%, at the same time reducing the error to 1.84°C. Based on this, further research was suggested on hybrid and AI-based models that could improve the efficiency of asphalt layer temperature forecasting under local climatic conditions.

PL

W artykule omówiono proces optymalizacji modelu BELLS3, służącego do prognozowania temperatury warstw asfaltowych, szczególnie w pomiarach ugięć na polskich drogach. Model BELLS3, oparty na danych z programu Long-Term Pavement Performance, jest popularnym narzędziem umożliwiającym szybkie i bezkontaktowe oszacowanie temperatury warstw asfaltowych na różnych głębokościach. Jednakże jego dokładność może być ograniczona w kontekście lokalnych warunków klimatycznych, które różnią się od tych uwzględnionych w oryginalnym modelu. W pracy przeprowadzono analizę weryfikacyjną, testując model na danych z pomiarów FWD, a następnie dokonano jego optymalizacji za pomocą metody najmniejszych kwadratów (MNK). To podejście dało niewielką poprawę dokładności (zaledwie o 1%) przy jednoczesnej redukcji błędu do 2,12°C. Dlatego zdecydowano o rozszerzeniu analizy o zastosowanie metody uczenia maszynowego (MARS), która pozwala na uzyskanie postaci jawnej modelu. Rozwiązanie to poprawiło dokładność o 6%, redukując błąd do 1,84°C. Na tej podstawie zasugerowano dalsze badania nad modelami hybrydowymi i opartymi na sztucznej inteligencji, które mogłyby zwiększyć skuteczność prognozowania temperatury warstw asfaltowych w lokalnych warunkach klimatycznych.

Słowa kluczowe

EN

BELLS3; deflections; FWD; pavement; temperature; TSD; validation

PL

BELLS3; FWD; nawierzchnia; temperatura; TSD; ugięcia; walidacja

• Wydawca: Instytut Badawczy Dróg i Mostów
• Czasopismo: Roads and Bridges - Drogi i Mosty
• Rocznik: 2024
• Tom: Vol. 23, no. 4
• Strony: 437--456
• Opis fizyczny: Bibliogr. 32 poz., rys., tab.

Twórcy

autor

Sudyka Jacek

• Instytut Badawczy Dróg i Mostów, ul. Instytutowa 1, 03-302 Warszawa

• https://orcid.org/0000-0002-4360-2365

autor

Mechowski Tomasz

• Instytut Badawczy Dróg i Mostów, ul. Instytutowa 1, 03-302 Warszawa

• https://orcid.org/0000-0001-9366-1489

autor

Harasim Przemysław

• Instytut Badawczy Dróg i Mostów, ul. Instytutowa 1, 03-302 Warszawa

• https://orcid.org/0000-0002-6922-8527

autor

Graczyk Mirosław

• Instytut Badawczy Dróg i Mostów, ul. Instytutowa 1, 03-302 Warszawa

• https://orcid.org/0000-0002-0601-7554

autor

Matysek Andrzej

• Instytut Badawczy Dróg i Mostów, Filia Kielce, ul. Chorzowska 28, 25-852 Kielce

• https://orcid.org/0000-0001-6530-0336

Bibliografia

• 1. 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
• 2. 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: Raab C. (eds) Proceedings of the 9th International Conference on Maintenance and Rehabilitation of Pavements – Mairepav9. Lecture Notes in Civil Engineering, Springer, Cham, 76, 2020, 859-870, DOI: 10.1007/978-3-030-48679-2_80
• 3. Zofka A., Sudyka J., Maliszewski M., Harasim P., Sybilski D.: Alternative approach for interpreting traffic speed deflectometer results. Journal of the Transportation Research Board, 2457, 1, 2014, 12-18, DOI: 10.3141/2457-02
• 4. Graczyk M., Zofka A., Rafa J., Sudyka J.: Analytical solution of pavement deflections and its application to the TSD measurements. Transport Research International Documentation, Proceedings of 26th ARRB Conference – Research driving efficiency, Sydney, New South Wales, 2014
• 5. Lukanen E.O., Stubstad R., Briggs R.: Temperature predictions and adjustment factors for asphalt pavement. Turner-Fairbank Highway Research Center, Publication no. FHWA-RD-98-085, McLean, VA, USA, 2000
• 6. Gedafa D.S., Hossain M., Romanoschi S.A.: Perpetual pavement temperature prediction model. Road Materials and Pavement Design, 15, 1, 2014, 55-65, DOI: 10.1080/14680629.2013.852610
• 7. Alavi M.Z., Pouranian M.R., Hajj E.Y.: Prediction of asphalt pavement temperature profile with finite control volume method. Journal of the Transportation Research Board, 2456, 1, 2014, 96-106, DOI: 10.3141/2456-10
• 8. Ntramah S., Tutu K., Tuffour Y., Adams C.A., Adanu E.: Evaluation of selected empirical models for asphalt pavement temperature prediction in tropical climate: The case of Ghana. Sustainability, 15, 22, 2023, Article ID: 15846, DOI: 10.3390/su152215846
• 9. Sedighian-Fard M., Solatifar N.: Development of a non-linear regression-based model for prediction of depth temperature of asphalt layers using LTPP data – case study: Ohio, USA. Transportation Engineering Quarterly, 13, 3, Serial No. 52, 2022, 1587-1600, DOI: 10.22119/jte.2021.217101.2426
• 10. Diefenderfer B.K., Al-Qadi I.L., Diefenderfer S.D.: Model to predict pavement temperature profile: development and validation. Journal of Transportation Engineering, 132, 2, 2006, 162-167, DOI: 10.1061/(ASCE)0733-947X(2006)132:2(162)
• 11. Minhoto M.J.C., Pais J.C., Pereira P.A.A., Picado-Santos L.G.: Predicting asphalt pavement temperature with a three-dimensional finite element method. Transportation Research Record: Journal of the Transportation Research Board, 1919, 1, 2005, 96-110, DOI: 10.1177/0361198105191900111
• 12. Hermansson Å.: Mathematical model for calculation of pavement temperatures: comparison of calculated and measured temperatures. Transportation Research Record: Journal of the Transportation Research Board, 1764, 1, 2001, 180-188, DOI: 10.3141/1764-19
• 13. Lekea A., Steyn W.J.vdM.: Performance of pavement temperature prediction Models. Applied Scientes, 13, 7, 2023, Article ID: 4164, DOI: 10.3390/app13074164
• 14. Khroustalev B.M., Liu Tingguo, Akeliev V.D., Li Zhongyu, Aliakseyeu H.Yu., Zankаvich V.V.: Heat resistance and heat-and-mass transfer in road pavements. ENERGETIKA, Proceedings of CIS higher education institutions and power engineering associations, 62, 6, 2019, 536-546, DOI: 10.21122/1029-7448-2019-62-6-536-546 (in Russian)
• 15. Mohseni O., Stefan H.G.: A monthly streamflow model. Water Resources Research, 34, 5, 1998, 1287-1298, DOI: 10.1029/97WR02944
• 16. Gu X., Liang X., Dong Q.: Numerical simulation of long-term pavement temperature field. Proceedings of GeoShanghai 2018 International Conference: Transportation Geotechnics and Pavement Engineering. Springer, Singapore, 2018 DOI: https://doi.org/10.1007/978-981-13-0011-0_43
• 17. Yavuzturk C., Ksaibati K., Chiasso A.D.: Assessment of temperature fluctuations in asphalt pavement due to thermal environmental conditions using a two-dimensional, transient finite-difference approach. Journal of Materials in Civil Engineering, 17, 4, 2005, 465-475, DOI: 10.1061/(ASCE)0899-1561(2005)17:4(465)
• 18. 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/coatings9040271q
• 19. Adwan I., Milad A., Abdullah N.H., Widyatmoko I., Mubaraki M., Mat Yazid M.R., Yusoff N.I.M.: Predicting asphalt pavement temperature by using neural network and multiple linear regression approach in the Eastern Mediterranean region. Journal of Engineering Science and Technology, 17, 1, 2022, 15-32.
• 20. Wang X., Zhao J., Li Q., Fang N., Wang P., Ding L., Li S.: A hybrid model for prediction in asphalt pavement performance based on support vector machine and grey relation analysis. Journal of Advanced Transportation, 1, 2020, Article ID: 7534970, DOI: 10.1155/2020/7534970
• 21. 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 (in Polish)
• 22. Solatifar N., Abbasghorbani M., Kavussi A., Sivilevičius H.: Prediction of depth temperature of asphalt layers in hot climate area. Journal of Civil Engineering and Management, 24, 7, 2018, 516-525, DOI: 10.3846/jcem.2018.6162
• 23. Dynatest International A/S. ELMOD user’s manual (ELMOD5) Dynatest Engineering A/S, A/S Reg. No. 63.866 Denmark, 2014
• 24. Stanisz A., Tadeusiewicz R.: Przystępny kurs statystyki z zastosowaniem STATISTICA PL na przykładach z medycyny. StatSoft, 2, Kraków 2007 (in Polish)
• 25. Jańczewski D., Różycki C., Synoradzki L.: Projektowanie procesów technologicznych: matematyczne metody planowania eksperymentów. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2010 (in Polish)
• 26. Nwanganga F., Chapple M.: Practical machine learning in R, 1st ed. John Wiley and Sons, Indianapolis, 2020 DOI: https://doi.org/10.1002/9781119591542
• 27. Box G.E.P., Cox D.R.: An analysis of transformations. Journal of the Royal Statistical Society, Series B (Methodological), 26, 2, 1964, 211-252 DOI: https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• 28. Lander J.P., Włodarz M.: R dla każdego: zaawansowane analizy i grafika statystyczna. In: Dane i Analizy. APN Promise, Warszawa, 2018 (in Polish)
• 29. Chollet F., Allaire J.J.: Deep Learning: praca z językiem R i biblioteką Keras. Helion, Gliwice, 2019 (in Polish)
• 30. Rigabadi A., Rezaei Zadeh Herozi M., Rezagholilou A.: An attempt for development of pavements temperature prediction models based on remote sensing data and artificial neural network. International Journal of Pavement Engineering, 23, 9, 2021, 2912–2921, DOI: 10.1080/10298436.2021.1873334
• 31. McShane S.L., Glinow M.A.V., Sharma R.R.: Organizational behavior: emerging knowledge and practice for the real world. Tata McGraw Hill, New Delhi, 2011
• 32. Hastie T., Tibshirani R., Friedman J.H.: The elements of statistical learning: data mining, inference, and prediction, 2nd ed. in Springer series in statistics. Springer, New York, NY, 2009 DOI: https://doi.org/10.1007/978-0-387-84858-7