Resumen:
|
[EN] In recent years, interurban pavement maintenance has gained significant prominence,
leading highway agencies to focus on the maintenance of their existing networks.
Often, these networks have been managed with ...[+]
[EN] In recent years, interurban pavement maintenance has gained significant prominence,
leading highway agencies to focus on the maintenance of their existing networks.
Often, these networks have been managed with reactive maintenance approaches,
resulting in costly and extensive rehabilitation. However, effective maintenance
management demands a preventive approach that minimizes the costs and emissions
associated with maintenance interventions.
This thesis addresses the need to optimize the maintenance management of urban
pavements through the prediction of their deterioration. Given the periodic wear
suffered by these pavements and the budgetary limitations in the maintenance of
interurban networks in Spain, the predictive approach becomes relevant to improve
management efficiency.
The methodology used is based on the NEUROVIAS tool, created in the context of the
NEUROVIAS project, which is composed of four modules: road pavement monitoring,
pavement condition assessment, condition evolution prediction and maintenance
planning with a sustainable approach.
This final degree project performs a calibration of the modules of the NEUROVIAS tool
and establishes a maintenance plan adapted to the A-23 road, using predictive tools
and artificial intelligence techniques. The process involves the acquisition of images of
the pavement along the stretch from PK 17+000 to PK 27+000 using the monitoring
system. Convolutional neural networks are then used to detect and quantify road
damage, using the Pavement Condition Index (PCI) as a metric of pavement condition.
The results obtained by the neural network were found to be comparable to manual
analysis.
Subsequently, the prediction module is used to determine the progression of the
pavement condition over a 5-year analysis period. Finally, a process of optimization of
maintenance actions is carried out, considering economic, environmental, and social
criteria. This process is first applied to the A-23 road from PK 17+000 to PK 27+000 and
then to the combination of this section and the A-7 road from PK 313+000 to PK
326+000 in total, with the aim of determining the prioritization of maintenance actions
under budget constraint scenarios and provide insights for the efficient and
sustainable management of roads.
[-]
[ES] En los últimos años, el mantenimiento de los pavimentos interurbanos ha ganado una
relevancia significativa, lo que ha llevado a las agencias de carreteras a centrarse en la
conservación de sus redes interurbanas ...[+]
[ES] En los últimos años, el mantenimiento de los pavimentos interurbanos ha ganado una
relevancia significativa, lo que ha llevado a las agencias de carreteras a centrarse en la
conservación de sus redes interurbanas existentes. A menudo, estas redes han sido
administradas con enfoques reactivos de mantenimiento, lo que ha resultado en
costosas y extensas rehabilitaciones. Sin embargo, una gestión eficaz del
mantenimiento demanda un enfoque preventivo que minimice los costos y las
emisiones relacionados con las intervenciones de mantenimiento.
Este Trabajo de Fin de Grado aborda la necesidad de optimizar la gestión del
mantenimiento de pavimentos urbanos a través de la predicción de su deterioro. Dado
el desgaste periódico que sufren estos pavimentos y las limitaciones presupuestarias
en el mantenimiento de las redes urbanas en España, el enfoque predictivo cobra
relevancia como medio para mejorar la eficiencia en la gestión.
La metodología empleada se basa en la herramienta NEUROVÍAS, creada en el
contexto del proyecto NEUROVIAS, que se compone de cuatro módulos:
monitorización del pavimento de la carretera, evaluación de la condición del
pavimento, predicción de la evolución de la condición y planificación de las
actuaciones de mantenimiento con enfoque sostenible.
Este Trabajo Final de Grado realiza una calibración de los módulos de la herramienta
NEUROVIAS y establece un plan de mantenimiento adaptado a la carretera A-23,
utilizando herramientas predictivas y técnicas de inteligencia artificial. El proceso
involucra la adquisición de imágenes del pavimento a lo largo del tramo del PK 17+000
hasta PK 27+000 mediante el sistema de monitorización. Se emplean redes neuronales
convolucionales para detectar y cuantificar los daños en la vía, utilizando el indicador
Pavement Condition Index (PCI) como métrica del estado del pavimento. Se ha
comprobado que los resultados obtenidos por la red neuronal son comparables a
análisis manuales.
Posteriormente, mediante el módulo de predicción, se determina la progresión de la
condición del pavimento durante un período de análisis de 5 años. Finalmente, se lleva
a cabo un proceso de optimización de las actuaciones de mantenimiento,
considerando criterios económicos, ambientales y sociales. Este proceso se aplica en
primer lugar a la carretera A-23 desde PK 17+000 hasta PK 27+000 y luego a la
combinación de este tramo y la carretera A-7 desde PK 313+000 hasta PK 326+000
como conjunto, con el objetivo de determinar la priorización de actuaciones de
mantenimiento bajo escenarios de restricción presupuestaria, proporcionando
conclusiones para la gestión eficiente y sostenible de las carreteras.
[-]
|