Análisis de la gestión del mantenimiento de carreteras de pavimentos flexibles mediante la inclusión de variables climáticas de eventos extremos. Aplicación a las carreteras A-7 entre los P.K. 313+000 y 326+000 (provincia de Valencia)

Abstract

[ES] La gestión del mantenimiento del firme de carreteras requiere de una evaluación del estado y una predicción de su deterioro para planificar el momento óptimo de actuación y el mejor tratamiento de mantenimiento que debe realizarse en cada tramo de red viaria. En este sentido, es fundamental que la predicción del deterioro pueda estimar con certeza la evolución del estado del firme a lo largo de un horizonte temporal. Se sabe que el clima y el tráfico son dos factores claves del deterioro del firme. Sin embargo, no es común tener en cuenta el impacto del cambio climático en la estimación de dicho deterioro. Los cambios de temperatura, las fuertes lluvias, aunadas a malos drenajes y poco mantenimiento, exponen al firme a deterioros acelerados. El cambio climático afectará probablemente al firme de la carretera tanto de manera crónica a través de cambios graduales como de manera aguda a través de eventos climáticos extremos. El Trabajo Fin de Grado (TFG) evalúa el impacto de los eventos climáticos extremos en la predicción y planificación del mantenimiento del firme de carreteras. Para ello, se analiza la influencia de los eventos climatológicos extremos en el deterioro del pavimento. Los extremos climáticos a menudo muestran un comportamiento diferente en comparación con las condiciones climáticas promedio, por ello se desarrollan dos modelos de predicción de deterioro mediante redes neuronales: uno que considera variables climáticas promedio, y otro que contempla variables climáticas de eventos extremos. Estos modelos se utilizan para determinar la evolución del estado y planificar las estrategias a adoptar en las actividades de mantenimiento, con el fin de mejorar el desempeño de la red vial y reducir los recursos necesarios. Se aplicaron dichos modelos de manera práctica en la carretera A-7 durante un horizonte de cinco años, utilizando el programa NEUROVÍAS, desarrollado en el marco de un proyecto de innovación. Este programa emplea técnicas de inteligencia artificial, como redes neuronales, para predecir el deterioro de las carreteras, así como técnicas heurísticas para la planificación óptima del mantenimiento. Los datos necesarios para los modelos de predicción se obtuvieron de la base de datos estadounidense Long-Term Pavement Performance (LTPP). El uso de NEUROVÍAS permite conocer la evolución del deterioro del pavimento mediante una optimización multiobjetivo que considera criterios técnicos, económicos, sociales y ambientales. Este plan de mantenimiento se especifica para cada carretera el año en que se debe intervenir y el tipo de acción de mantenimiento necesario.

[EN] The management of road pavement maintenance requires an assessment of its condition and a prediction of its deterioration in order to plan the optimal time for intervention and determine the most appropriate maintenance treatment for each section of the road network. In this regard, it is essential that the prediction of deterioration can reliably estimate the evolution of pavement condition over a given time horizon. It is known that climate and traffic are two key factors in pavement deterioration. However, it is not common to account for the impact of climate change when estimating such deterioration. Temperature fluctuations, heavy rainfall, coupled with poor drainage and insufficient maintenance, subject the pavement to accelerated deterioration. Climate change will likely affect road pavements both chronically through gradual changes and acutely through extreme weather events.

The Final Degree Project (TFG) assesses the impact of extreme weather events on the prediction and planning of road pavement maintenance. For this purpose, the influence of extreme weather events on pavement deterioration is analysed. Extreme weather conditions often exhibit different behaviour compared to average climatic conditions, which is why two deterioration prediction models are developed using neural networks: one that considers average climatic variables, and another that includes climatic variables from extreme weather events. These models are used to determine the evolution of pavement condition and to plan the strategies to be adopted in maintenance activities, with the aim of improving road network performance and reducing the required resources.

These models were practically applied to the A-7 road over a five-year horizon, using the NEUROVÍAS programme, developed as part of an innovation project. This programme employs artificial intelligence techniques, such as neural networks, to predict road deterioration, as well as heuristic techniques for optimal maintenance planning. The data required for the prediction models were obtained from the U.S. Long-Term Pavement Performance (LTPP) database. The use of NEUROVÍAS allows for the assessment of pavement deterioration through multi-objective optimisation that takes into account technical, economic, social, and environmental criteria. This maintenance plan specifies the year in which intervention is needed for each road, as well as the type of maintenance action required.