Resumen

La predicción de fallos es el núcleo del mantenimiento y diseño de los pavimentos de hormigón. Las agencias de carreteras siempre se enfrentan al problema de una menor precisión en la predicción, lo que provoca un mantenimiento costoso. Aunque muchos investigadores han desarrollado algunos modelos de predicción del comportamiento, la precisión de la predicción sigue siendo un reto. Este artículo revisa los modelos de predicción del rendimiento y los modelos de fallos JPCP que se han utilizado en investigaciones anteriores. A continuación, se prueban y comparan tres modelos, incluyendo el modelo de regresión no lineal multivariante (MNLR), el modelo de red neuronal artificial (ANN) y el modelo de cadena de Markov (MC), utilizando un conjunto de datos reales de estudio del pavimento tomados en una autopista interestatal con diferentes características de diseño, tráfico y datos climáticos. Se ha comprobado que el modelo MNLR necesita una mayor recalibración, mientras que el modelo ANN necesita más datos para el entrenamiento de la red. El modelo MC parece una buena herramienta para la predicción del rendimiento del pavimento cuando los datos son limitados, pero se basa en inspecciones visuales y no está relacionado explícitamente con parámetros físicos cuantitativos. Por tanto, este artículo sugiere que la dirección a seguir para desarrollar el modelo de predicción del rendimiento es incorporar las ventajas y desventajas de los diferentes modelos para obtener una mayor precisión.

• Materias:Cinética Industria del cemento Metales Cemento Ingeniería de estructuras Perforación de pozos de minas
• Subjects:Kinetics Cement industries Metals Cement Structural engineering Shaft sinking
• Palabras claves:modelo de predicción del rendimiento, modelo, modelo de fallos jpcp, red neuronal artificial, datos de estudio de los pavimentos, mantenimiento de los pavimentos de hormigón, parámetros físicos cuantitativos, precisión de la predicción, predicción del rendimiento de los pavimentos, regresión no lineal
• Keywords:performance prediction model, model, jpcp faulting model, artificial neural network, pavement survey data, concrete pavement maintenance, quantitative physical parameters, accuracy of prediction, pavement performance prediction, nonlinear regression