Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Roads and Bridges - Drogi i Mosty

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: BELLS3

Sortuj według:

Ogranicz wyniki do:

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

Sudyka Jacek, Mazurek Grzegorz

Roads and Bridges - Drogi i Mosty

2025

Vol. 24, no. 3

267--282

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.

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.

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

Sudyka Jacek, Mechowski Tomasz, Harasim Przemysław, Graczyk Mirosław, Matysek Andrzej

Roads and Bridges - Drogi i Mosty

2024

Vol. 23, no. 4

437--456

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.

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.