Sustainable Management of Flexible Pavements Maintenance under Extreme Climate Scenarios

[ES] El mantenimiento adecuado de los pavimentos es un elemento fundamental para garantizar la funcionalidad, la seguridad y la sostenibilidad de las infraestructuras viarias, con un impacto directo en el desarrollo económico y social de un país o región. En un contexto marcado por el envejecimiento de las redes de carreteras y por el aumento de la variabilidad climática, los sistemas de gestión de pavimentos (PMS, por sus siglas en inglés) tradicionales presentan limitaciones significativas para anticipar el deterioro del pavimento y planificar estrategias de mantenimiento eficientes y resilientes. En particular, la mayoría de los enfoques existentes se basan en modelos de deterioro simplificados, formulados bajo condiciones climáticas medias, y en esquemas de planificación estáticos que no capturan adecuadamente la influencia de los eventos climáticos extremos. Esta tesis doctoral aborda estas limitaciones mediante el desarrollo de un marco metodológico integrado para la planificación sostenible del mantenimiento de pavimentos, apoyado en técnicas de inteligencia artificial. El objetivo principal de la investigación es desarrollar un marco basado en aprendizaje por refuerzo (RL, por sus siglas en inglés) que permita planificar de forma sostenible el mantenimiento de pavimentos flexibles, garantizando su adaptación a condiciones climáticas extremas. En primer lugar, se desarrolla un modelo predictivo generalizable para estimar el International Roughness Index (IRI) a partir del Pavement Condition Index (PCI), incorporando información sobre los daños del pavimento, el tráfico y el clima. Este enfoque permite asegurar la coherencia entre los indicadores empleados en las distintas fases de los PMS y facilita la incorporación de criterios relacionados con los usuarios en la planificación del mantenimiento, incluso en contextos donde la medición directa de la rugosidad no es viable. Asimismo, se propone un modelo de predicción del deterioro del pavimento que integra de forma holística variables estructurales, de tráfico e indicadores asociados a eventos climáticos extremos. La inclusión de estos indicadores permite representar trayectorias de deterioro más realistas, especialmente en tramos sometidos a elevados niveles de estrés climático, superando las limitaciones de los modelos basados exclusivamente en condiciones climáticas medias. Estas predicciones se integran en un marco de planificación adaptativa basado en RL, en el que las decisiones de mantenimiento se definen como políticas dependientes del estado del pavimento, superando las limitaciones de los enfoques tradicionales de planificación estática basados en calendarios fijos de mantenimiento. Además, el marco de planificación incorpora de forma explícita objetivos económicos, ambientales, técnicos y sociales, lo que permite abordar el mantenimiento del pavimento desde una perspectiva verdaderamente sostenible, en la que se consideran de manera conjunta la efectividad del mantenimiento, los costes, las emisiones y los beneficios para los usuarios. Los resultados obtenidos demuestran que la consideración explícita de los eventos climáticos extremos modifica de forma significativa los planes óptimos de mantenimiento, dando lugar a intervenciones más tempranas, frecuentes o diferenciadas en comparación con los enfoques tradicionales. En conjunto, la tesis proporciona un marco robusto y adaptable que contribuye a mejorar la eficiencia, la resiliencia y la sostenibilidad de los sistemas de gestión de pavimentos frente a escenarios de creciente incertidumbre climática.

[EN] Proper pavement maintenance is a fundamental element in ensuring the functionality, safety, and sustainability of road infrastructure, with a direct impact on the economic and social development of a country or region. In a context characterized by aging road networks and increasing climate variability, traditional pavement management systems (PMS) exhibit significant limitations in anticipating pavement deterioration and planning efficient and resilient maintenance strategies. In particular, most existing approaches rely on simplified deterioration models developed under average climatic conditions, as well as on static planning schemes that fail to adequately capture the influence of extreme climatic events. This doctoral thesis addresses these limitations through the development of an integrated methodological framework for sustainable pavement maintenance planning, supported by artificial intelligence techniques. The main objective of the research is to develop a framework based on reinforcement learning (RL) that enables sustainable maintenance planning for flexible pavements while ensuring adaptation to extreme climatic conditions. First, a generalizable predictive model is developed to estimate the International Roughness Index (IRI) from the Pavement Condition Index (PCI), incorporating information related to pavement distress, traffic, and climate. This approach ensures consistency among the indicators used across different phases of PMS and facilitates the inclusion of user-related criteria in maintenance planning, even in contexts where direct roughness measurements are not feasible. In addition, a pavement deterioration prediction model is proposed that holistically integrates structural variables, traffic characteristics, and indicators associated with extreme climatic events. The inclusion of these indicators allows for the representation of more realistic deterioration trajectories, particularly for pavement sections exposed to high levels of climatic stress, overcoming the limitations of models based solely on average climatic conditions. These predictions are subsequently integrated into an adaptive RL-based planning framework, in which maintenance decisions are defined as state-dependent policies rather than fixed maintenance schedules, thereby overcoming the limitations of traditional static planning approaches. Moreover, the planning framework explicitly incorporates economic, environmental, technical, and social objectives, enabling pavement maintenance to be addressed from a truly sustainable perspective that jointly considers maintenance effectiveness, costs, emissions, and user benefits. The results demonstrate that explicitly accounting for extreme climatic events significantly alters optimal maintenance plans, leading to earlier, more frequent, or differentiated interventions compared to traditional approaches. Overall, the thesis provides a robust and adaptable framework that contributes to improving the efficiency, resilience, and sustainability of pavement management systems under scenarios of increasing climatic uncertainty.

[CA] El manteniment adequat dels paviments és un element fonamental per a garantir la funcionalitat, la seguretat i la sostenibilitat de les infraestructures viàries, amb un impacte directe en el desenvolupament econòmic i social d'un país o d'una regió. En un context marcat per l'envelliment de les xarxes de carreteres i per l'augment de la variabilitat climàtica, els sistemes tradicionals de gestió de paviments (PMS, per les seues sigles en anglés) presenten limitacions significatives per a anticipar l'evolució del paviment i planificar estratègies de manteniment eficients i resilients. En particular, la majoria dels enfocaments existents es basen en models de deteriorament simplificats, formulats sota condicions climàtiques mitjanes, així com en esquemes de planificació estàtics que no capten adequadament la influència dels esdeveniments climàtics extrems. Aquesta tesi doctoral aborda aquestes limitacions mitjançant el desenvolupament d'un marc metodològic integrat per a la planificació sostenible del manteniment de paviments, basat en tècniques d'intel·ligència artificial. L'objectiu principal de la investigació és desenvolupar un marc fonamentat en l'aprenentatge per reforç (RL, per les seues sigles en anglés) que permeta planificar de manera sostenible el manteniment de paviments flexibles, garantint la seua adaptació a condicions climàtiques extremes. En primer lloc, es desenvolupa un model predictiu generalitzable per a estimar l'International Roughness Index (IRI) a partir del Pavement Condition Index (PCI), incorporant informació sobre els danys del paviment, el trànsit i el clima. Aquest enfocament permet assegurar la coherència entre els indicadors emprats en les diferents fases dels PMS i facilita la incorporació de criteris relacionats amb els usuaris en la planificació del manteniment, fins i tot en contextos on la mesura directa de la rugositat no és viable. Així mateix, es proposa un model de predicció de l'evolució del paviment que integra de manera holística variables estructurals, de trànsit i indicadors associats a esdeveniments climàtics extrems. La inclusió d'aquests indicadors permet representar trajectòries de deteriorament més realistes, especialment en trams sotmesos a elevats nivells d'estrés climàtic, superant les limitacions dels models basats exclusivament en condicions climàtiques mitjanes. Aquestes prediccions s'integren en un marc de planificació adaptativa basat en RL, en el qual les decisions de manteniment es defineixen com a polítiques dependents de l'estat del paviment, superant les limitacions dels enfocaments tradicionals de planificació estàtica basats en calendaris fixos de manteniment. A més, el marc de planificació incorpora de manera explícita objectius econòmics, ambientals, tècnics i socials, permetent abordar el manteniment del paviment des d'una perspectiva veritablement sostenible, en la qual es consideren conjuntament l'efectivitat del manteniment, els costos, les emissions i els beneficis per als usuaris. Els resultats obtinguts demostren que la consideració explícita dels esdeveniments climàtics extrems modifica de manera significativa els plans òptims de manteniment, donant lloc a intervencions més primerenques, més freqüents o diferenciades en comparació amb els enfocaments tradicionals. En conjunt, la tesi proporciona un marc robust i adaptable que contribueix a millorar l'eficiència, la resiliència i la sostenibilitat dels sistemes de gestió de paviments davant escenaris de creixent incertesa climàtica.