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

• Autorzy: Sudyka Jacek , Mazurek Grzegorz

Identyfikatory

DOI

10.7409/rabdim.025.015

Warianty tytułu

PL

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

• Języki publikacji: EN

Abstrakty

EN

The paper presents the application of machine learning techniques in estimating the temperature of asphalt layers during measurements using FWD (Falling Weight Deflectometer) and TSD devices (Traffic Speed Deflection). The problem of accurate determination of temperature is crucial for analysing the durability of road pavements. Traditional methods such as the BELLS3 model, although widely used, have limitations in forecast accuracy. The work presents the implementation of advanced algorithms such as multivariate adaptive regression spline (MARS), support vector machines (SVM), artificial neural networks (ANN), random forest (RF) and boosted trees (BT), among others, to optimise a model for estimating the temperature of asphalt layers Td. The BELLS3 model, used as the baseline in the optimisation process, was evaluated for prediction effectiveness. The results showed moderate effectiveness of this model (R2 = 82%, RMSE = 2.3°C), which triggered a need for further improvements. The use of machine learning techniques, particularly boosted gradient trees (BTs), has made it possible to significantly improve the precision of predictions. The BT model achieved the greatest fit for the dependent variable Td (R2 = 99% and RMSE = 0.61°C), indicating its clear advantage over other models, including the baseline BELLS3 model. Finally, the authors highlight the potential of integrating traditional approaches with advanced data analysis methods to further improve the accuracy of forecasting bituminous mixture layer temperature and effective management of road infrastructure.

PL

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 Td. 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 Td (R2 = 99% oraz 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

EN

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

PL

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

• Wydawca: Instytut Badawczy Dróg i Mostów
• Czasopismo: Roads and Bridges - Drogi i Mosty
• Rocznik: 2025
• Tom: Vol. 24, no. 3
• Strony: 267--282
• Opis fizyczny: Bibliogr. 30 poz., rys., tab.

Twórcy

autor

Sudyka Jacek

• Road and Bridge Research Institute, 1 Instytutowa St., 03-302 Warsaw, Poland

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

autor

Mazurek Grzegorz

• Kielce University of Technology, Faculty of Civil Engineering and Architecture, 7 Tysiąclecia Państwa Polskiego Av., 25-314 Kielce, Poland

• https://orcid.org/0000-0002-9735-1725

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: 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
• 3. 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)
• 4. 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
• 5. 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
• 6. 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
• 7. 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
• 8. Chollet F., Allaire J.J., Matuk K.: Deep learning: praca z językiem R i biblioteką Keras. Helion, Gliwice, 2019
• 9. Clemmensen L., Kjærsgaard R.: Data representativity for machine learning and AI systems. arXiv, 2203, 2023, Article ID: 04706, DOI: 10.48550/arXiv.2203.04706
• 10. 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
• 11. 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
• 12. 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
• 13. 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
• 14. 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
• 15. 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
• 16. 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
• 17. 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
• 18. 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
• 19. 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
• 20. 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
• 21. 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
• 22. 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
• 23. 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
• 24. 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
• 25. Biecek P.: Przewodnik po pakiecie R. Oficyna Wydawnicza GIS, wydanie 4 rozszerzone, Wrocław, 2017
• 26. 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
• 27. Breiman L.: Random forests. Machine Learning, 45, 2001, 5-32, DOI: 10.1023/A:1010933404324
• 28. 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
• 29. 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
• 30. 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)