CN115034480A - 一种沥青路面智能养护决策方法、系统及介质 - Google Patents
一种沥青路面智能养护决策方法、系统及介质 Download PDFInfo
- Publication number
- CN115034480A CN115034480A CN202210675857.8A CN202210675857A CN115034480A CN 115034480 A CN115034480 A CN 115034480A CN 202210675857 A CN202210675857 A CN 202210675857A CN 115034480 A CN115034480 A CN 115034480A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- pavement
- road
- decision
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000010426 asphalt Substances 0.000 title claims abstract description 47
- 230000008859 change Effects 0.000 claims description 33
- 230000008901 benefit Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 9
- 230000003449 preventive effect Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 7
- 238000007726 management method Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 11
- 238000003801 milling Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种沥青路面智能养护决策方法、系统及介质，通过目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标，然后基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果，再基于案例决策、计算机辅助决策和人工决策三种方式得到多个路面养护方案，对多个路面养护方案进行比选以得到最优方案。相比于现有的养护方案决策方式，本发明通过三种不同的方式生成多种路面养护方案，通过比选的方式科学、合理的得到最优的方案，降低沥青路面养护方案制定过程中主观因素的过多影响，减少了因人为误判造成的错误决策，使得决策结果更具经济型与准确性。
Description
技术领域
本发明涉及道路养护技术领域，尤其涉及一种沥青路面智能养护决策方法、系统及介质。
背景技术
由于经济的迅速发展，我国公路里程以及交通量与日俱增，截至2019年底，全国高速公路里程达到14.96多万公里，私有汽车总量达到2.25亿辆。随着路面使用年限的增加，以及交通量和交通荷载的不断增大，道路的历史检测数据和养护信息数据不断累积，路面养护管理压力巨大。
为了提高道路养护管理工作的效率，二十世纪末以来，我国各省相继建立了自己的路面管理系统，如北京市公路路网管理与应急处置系统、山东省交通运输厅公路局公路养护管理平台、江苏省交通运输厅公路局公路信息化平台等，这使得路面管理和养护决策逐渐向信息化、自动化、智能化发展。
然而，目前相关系统虽然建立了路面相关的基本信息库以及养护维修知识库，但其功能主要是数据管理，对于道路养护方案的决策仍旧需要通过人工分析数据，并参考专家的经验，这种方式依靠道路养护管理工作者的主观经验以及对沥青路面的定性观察，主观性强，缺乏客观、合理的科学分析以及科学的决策过程，决策结果在经济性和准确性方面亟待提高。
发明内容
有鉴于此，有必要提供一种沥青路面智能养护决策方法、系统及介质，用以解决如何较为客观准确的决策沥青路面的养护方案的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种沥青路面智能养护决策方法，包括：
获取目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标；
获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
对多个所述路面养护方案进行比选，得到最优方案。
进一步的，所述对多个所述路面养护方案进行比选，得到最优方案，包括：
获取每个所述路面养护方案对应的总费用现值；
根据所述性能变化预测结果及所述路面性能指标，得到路面性能效益值；
根据所述路面性能效益值及所述总费用现值，得到每个所述路面养护方案对应的效益费用比；
根据所述效益费用比，选择最优的所述路面养护方案作为所述最优方案。
进一步的，所述获取每个所述路面养护方案对应的总费用现值，包括：
建立现值计算模型；
根据所述路面信息及所述路面性能指标得到每个所述路面养护方案对应的初期建设费用、日常管理费用、大中修费用和路面残值；
基于所述现值计算模型计算每个所述日常管理费用、所述大中修费用和所述路面残值对应的现值，并结合所述初期建设费用，得到每个所述路面养护方案对应的所述总费用现值。
进一步的，所述路面性能指标包括路面技术状况指数，所述根据所述性能变化预测结果及所述路面性能指标，得到路面性能效益值，包括：
根据所述性能变化预测结果及所述路面技术状况指数，基于步进等效面积法，得到所述路面性能效益值。
进一步的，所述对多个所述路面养护方案进行比选，得到最优方案，包括：
基于粒子群算法从多个所述路面养护方案中选择出所述最优方案。
进一步的，所述基于案例决策得到路面养护方案，包括：
获取所述目标道路的病害状况；
获取多个历史养护案例，每个历史养护案例包括历史路面性能指标、历史道路病害状况及历史养护方案；
根据预设匹配条件选择与目标道路向匹配的历史养护案例，所述预设匹配条件包括所述目标道路的路面性能指标与所述历史路面性能指标相同，并且所述目标道路的病害状况与所述历史道路病害状况相同；
根据所选择的所述历史养护案例对应的所述历史养护方案，得到所述路面养护方案。
进一步的，所述基于计算机辅助决策得到路面养护方案，包括：
根据预设养护规范建立决策树模型；
根据预设养护规范及所述路面性能预测模型，得到多个建议预防性养护年限；
根据所述性能变化预测结果、所述决策树模型和所述建议预防性养护年限得到路面养护方案。
进一步的，还包括：
建立数据库，所述数据库包括道路地理信息库、道路基础信息库、道路设计资料库、历史检测信息库、历史养护信息库和养护计划信息库。
第二方面，本发明还提供了沥青路面智能养护决策系统，包括：
指标评定单元，用于获取目标道路的路面信息，基于预设评定标准评价路面使用性能，得到所述目标道路的路面性能指标；
性能预测单元，用于获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
方案生成单元，用于根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
方案比选单元，用于对多个所述路面养护方案进行比选，得到最优方案。
第三方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的沥青路面智能养护决策方法中的步骤。
本发明提供一种沥青路面智能养护决策方法、系统及介质，通过目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标，然后基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果，再基于案例决策、计算机辅助决策和人工决策三种方式得到多个路面养护方案，对多个路面养护方案进行比选以得到最优方案。相比于现有的养护方案决策方式，本发明通过三种不同的方式生成多种路面养护方案，通过比选的方式科学、合理的得到最优的方案，降低沥青路面养护方案制定过程中主观因素的过多影响，减少了因人为误判造成的错误决策，使得决策结果能够同时具备三种决策方式的优点，更具经济型与准确性。
附图说明
图1为本发明提供的沥青路面智能养护决策方法一实施例的方法流程图；
图2为本发明提供的沥青路面智能养护决策方法一实施例中的步骤S103中基于案例决策的方法流程图；
图3为本发明提供的沥青路面智能养护决策方法一实施例中的步骤S103中基于计算机辅助决策的方法流程图；
图4为本发明提供的沥青路面智能养护决策方法一实施例中的决策树模型的结构示意图；
图5为本发明提供的沥青路面智能养护决策方法一实施例中的步骤S104的方法流程图；
图6为本发明提供的沥青路面智能养护决策系统的系统架构图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种沥青路面智能养护决策方法、系统及存储介质，以下分别进行说明。
结合图1所示，本发明的一个具体实施例，公开了一种沥青路面智能养护决策方法，包括：
S101、获取目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标；
S102、获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
S103、根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
S104、对多个所述路面养护方案进行比选，得到最优方案。
相比于现有的养护方案决策方式，本发明通过三种不同的方式生成多种路面养护方案，通过比选的方式科学、合理的得到最优的方案，降低沥青路面养护方案制定过程中主观因素的过多影响，减少了因人为误判造成的错误决策，使得决策结果能够同时具备三种决策方式的优点，更具经济型与准确性。
本发明还提供一优选的实施例，该实施例中的沥青路面智能养护决策方法在执行上述步骤S101前，还包括：
建立数据库，所述数据库包括道路地理信息库、道路基础信息库、道路设计资料库、历史检测信息库、历史养护信息库和养护计划信息库。
其中，道路地理信息库结合GIS技术，包括公路的地理位置、几何形状以及其它属性信息，并实现用户直接在地图上选定特定路段，并对其进行查询和其他操作。
道路基础信息库包括路段的名称、起止桩号、路面结构信息、路面厚度、路面宽度、修建时间、修建单位等。
道路设计资料库主要用于存储道路的设计资料，供用户检索查询。
历史检测数据库包括路段的起止桩号、检测时间、检测单位、检测员、交通量、路面破损率、国际平整度、车辙深度、横向力系数、路面跳车数、路面结构强度、病害信息。
历史养护数据库包括养护时间、养护范围、起止桩号、养护单位、负责人、养护方式、养护费用等。
养护计划信息库除了包括养护计划资金、养护计划工程、道路指标计划，还包括养护材料、养护机具等其他相关数据。
数据库的具体内容可以根据实际情况调整，本文中所需要获取的相关数据也可以存储于上述数据库中，使用时从数据库中直接获取即可。
具体地，作为优选的实施例，本实施例中的步骤S101中，采用的预设评定标准为《公路技术状况评定标准》(JTG 5210-2018)，其获取的目标道路的路面信息包括路面破损率DR、国际平整度IRI、车辙深度RD、横向力系数SFC、第i类跳车数PB、路面结构强度系数SSR等，进而评价得到的路面性能指标包括有：路面技术状况指数PQI，路面损坏状况指数PCI、路面行驶质量指数RQI、路面车辙深度指数RDI、路面跳车指数PBI、路面结构强度指数PSSI等。实际中根据具体情况不同，也可以选择其他的预设评定标准，以得到其他的路面性能指数。
获取了路面性能指标后，需要对路面性能在未来的变化情况进行预测，才能准确地制定养护方案，因此在本实施例的步骤S102中，采用同济大学杜二鹏所建立的灰色预测马尔科夫模型，建立累积当量轴载和路面性能的关系，并不断根据已有数据对性能预测模型进行动态校正，实现对路面性能的预测，最后得到所述路面性能指标对应的性能变化预测结果。其中性能变化预测结果包括了每个路面性能指标对应的变化曲线等，根据实际中具体需求的不同，其表现形式也可以为表格、数据集合等。
然后需要通过多种途径得到多个备选的路面养护方案，在本实施例的步骤S103中、根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案。
具体地结合图2所示，本实施例步骤S103中的基于案例决策得到路面养护方案，包括：
S201、获取所述目标道路的病害状况；
S202、获取多个历史养护案例，每个历史养护案例包括历史路面性能指标、历史道路病害状况及历史养护方案；
S203、根据预设匹配条件选择与目标道路向匹配的历史养护案例，所述预设匹配条件包括所述目标道路的路面性能指标与所述历史路面性能指标相同，并且所述目标道路的病害状况与所述历史道路病害状况相同；
S204、根据所选择的所述历史养护案例对应的所述历史养护方案，得到所述路面养护方案。
上述步骤通过现有的案例得到养护方案，最为便捷，同时所选养护方案也已经经过了历史案例的检验，工作人员已经知晓其可行性以及一些缺点不足，进而可以更好的实施养护。下面将给出上述步骤的一个更加具体的实施例，其中历史养护案例可从提前建立好的数据库中获取，该实施例包括如下步骤：
步骤1：将PCI划分为100～90、90～85、85～80、80～70、70～55、55～0共六个等级，判断目标道路的PCI所处等级。
步骤2：将RQI划分为100～90、90～85、85～80、80～0共四个等级，判断目标道路的RQI所处等级。
步骤3：将RDI划分为100～90、90～80、80～75、75～0共四个等级，判断目标道路的RDI所处等级。
步骤4：判断历史检测数据库中的第i个历史养护案例中的PCI，即历史路面性能指标是否与目标道路的等级一致，若是进入步骤5；否则，将i加一并进入下一次循环，其中i指遍所有历史养护案例，后文同理。
步骤5：判断历史检测数据库中的第i个历史养护案例中的RQI，即该案例的另一历史路面性能指标是否与目标道路的等级一致，若是进入步骤6；否则，进入下一次循环。
步骤6：判断历史检测数据库中的第i个历史养护案例中的RDI，即该案例的另一历史路面性能指标是否与目标道路的等级一致，若是进入步骤7；否则，进入下一次循环。
步骤7：判断历史检测数据库中的第i个历史养护案例中的SRI，即该案例的另一历史路面性能指标是否与目标道路的等级一致，若是进入步骤8；否则，进入下一次循环。
步骤8：判断历史检测数据库中的第i个历史养护案例中的病害状况是否与目标道路的病害状况一致，若是进入步骤9；否则，退出本次循环，进入下一次循环。
步骤9：根据第i个历史养护案例的起始桩号和检测时间，在历史养护数据库中查找对应与第i个历史养护案例对应的历史养护方案，以该方案作为目标道路的养护决策结果，即路面养护方案。
另一方面，结合图3及图4所示，本实施例步骤S103中的基于计算机辅助决策得到路面养护方案，包括：
S301、根据预设养护规范建立决策树模型；
S302、根据预设养护规范及所述路面性能预测模型，得到多个建议预防性养护年限；
S303、根据所述性能变化预测结果、所述决策树模型和所述建议预防性养护年限得到路面养护方案。
计算机辅助决策的方式能够以较快的速度得到路面养护方案，并且能够得到多种基于理论上的最优解，且能够快速的应对以往没有出现过的情况，但是其不具备灵活性，得到的路面养护方案是否能够符合实际的情况仍旧需要考量。
为了更好的解释上述步骤，本发明还提供一优选的实施例，该实施例中的方法的主要应用对象为中部地区典型沥青路面，根据工程经验，以湖北省为代表的中部地区高速公路沥青路面最为常用几种养护措施为：铣刨重铺、微表处、超薄磨耗层、加铺补强、薄层罩面五种。根据《公路沥青路面养护设计规范》(JTG 5421-2018)和《公路沥青路面养护技术规范》(JTG 5142-2019)，建立适用于中部地区的典型沥青路面养护决策树模型，如图4所示。相较于其他决策模型，该决策树针对以湖北省京珠高速为代表的的典型沥青路面进行设计，所考虑的养护措施为该地区内高速公路沥青路面养护时最为常用的几种养护措施，该决策树的具体决策逻辑如下：
1.判断PSSI是否大于70，若是进入步骤2，否则进行大修补强；
2.判断PCI是否小于55，若是进行铣刨基层重铺，否则进入步骤3；
3.判断PCI是否在55-70小于70之间，若是，进入步骤47；否则进入步骤45；
4.判断RDI是否小于45，若是则铣刨基层重铺；否则铣刨面层重铺；
5.判断PCI是否小于80，若是进入步骤6；否则进入步骤8；
6.判断RDI是否小于45，若是铣刨面层重铺；否则进入步骤7；
7.判断RDI是否小于75，若是铣刨上面层重铺；否则直接加铺补强；
8.判断PCI是否小于85，若是进入步骤9；否则进入步骤13；
9.判断RQI是否小于80，若是直接加铺补强，否则计入步骤13；
10.判断PCI是否小于90，若是进入步骤11，否则进入步骤16；
11.判断RQI是否小于80，若是进行薄层罩面，否则进入步骤12；
12.判断RQI是否小于85，若是进入步骤13，否则进入步骤14；
13.判断RDI是否小于75，若是进行加铺补强，否则进行薄层罩面；
14.判断RDI是否小于75，若是进行加铺补强，否则进入步骤15；
15判断RDI是否小于82，若是进行薄层钟爱面；否则进行超薄磨耗层；
16.判断RQI是否小于85，若是进行薄层罩面；否则进入步骤17；
17.判断RQI是否小于90，若是进入步骤18；否则进入步骤19；
18.判断RDI是否小于85，若是进行微表处；否则，进行日常养护即可；
19.判断RDI是否小于80，若是，铣刨上面层重铺；否则进入步骤20；
20.判断RDI是都小于90，若是进行微表处；否则进行日常养护即可。
为了实现养护资金的最大化，应从道路建设、运营、弃置的全寿命周期对高速公路的养护方案进行比选。因此，对于目标道路，需要以10年为一个分析周期，根据之前所得到的性能变化预测结果及《公路沥青路面养护设计规范》(JTG 5421-2018)，即预设养护规范，确定路面服役性能上限和下限并获取建议的实施预防性养护的年份，即进行步骤S302，其具体步骤如下：
1.从第一年开始进入循环，判断目标道路第i年PCI是否小于85，若是则第i年为必须养护的年份并退出循环；否则进步步骤2；
2.判断目标道路第i年PCI是否小于90，若是进入步骤3；否则进入步骤4；
3.判断目标道路第i年RQI是否小于85，若是则第i年为必须养护的年份并退出循环；否则进入下一次循环；
4.判断目标道路第i年RQI是否小于85，若是则第i年为必须养护的年份并退出循环；否则进入步骤5；
5.判断目标道路第i年RQI是否大于90，若是进入步骤6；否则进入下一次循环；
6.判断目标道路第i年RDI是否小于80，若是则第i年为必须养护的年份并退出循环；否则进入下一次循环。
上述过程完成后，便得到了目标道路必须进行养护的年份i，然后根据具体情况年份i附近的若干年份，作为建议预防性养护年限。然后可执行步骤S303。
具体地，本发明还提供了步骤S303的一个更加具体的实施例：
1.根据养护决策树，确定路面在必须养护的年份i需要采取的养护措施，生成养护方案一；
2.推迟养护，即在必须养护的年份i后一年再采取养护措施，生成养护方案二；
3.提前进行预防性养护，即根据养护决策树在必须养护的年份i前一年再采取养护措施，生成养护方案三；
4.提前进行预防性养护，即根据养护决策树在必须养护的年份i前两年再采取养护措施，生成养护方案四。
其中，养护方案一至四便为本实施例中基于计算机辅助决策所得到的多个路面养护方案。
进一步的，本实施例的步骤S103中的基于人工决策得到路面养护方案，即为人工决策，例如通过经验或者人为计算以得到一个或多个路面养护方案，其具体决策过程可根据实际情况灵活运用，本发明中不做过多说明。人工决策具备比案例决策、计算机辅助决策更好的灵活性，能够及时的运用最前沿的理论知识，并结合最准确的路面情况得到路面养护方案。
通过上述步骤得到多个路面养护方案后，便需要对多种方案进行比选，以得到最优方案。结合图5所示，作为优选的实施例，本实施例中的步骤S104包括：
S501、获取每个所述路面养护方案对应的总费用现值；
S502、根据所述性能变化预测结果及所述路面性能指标，得到路面性能效益值；
S503、根据所述路面性能效益值及所述总费用现值，得到每个所述路面养护方案对应的效益费用比；
S504、根据所述效益费用比，选择最优的所述路面养护方案作为所述最优方案。
上述步骤通过效益费用比作为评价标准来评价多个路面养护方案的优异程度，使得最后得到的最优方案可以兼顾经济性和效益性。
具体地，作为优选的实施例，本实施例中的步骤S501、获取每个所述路面养护方案对应的总费用现值，包括：
建立现值计算模型；
根据所述路面信息及所述路面性能指标得到每个所述路面养护方案对应的初期建设费用、日常管理费用、大中修费用和路面残值；
基于所述现值计算模型计算每个所述日常管理费用、所述大中修费用和所述路面残值对应的现值，并结合所述初期建设费用，得到每个所述路面养护方案对应的所述总费用现值。
上述步骤能够很好的反映出路面养护方案消耗经费的程度，下面结合一个案例来详细说明其具体步骤：
以一新建路段为例，制定了如下4个路面养护方案用于进行比选：
方案一：在道路新建后第三年微表处处理；
方案二：在道路新建后第四年微表处处理；
方案三：在道路新建后第四年采用4cmSMA-13罩面处理；
方案四：在道路新建后第五年采用铣刨重铺处理；
采用现值法，把分析期内不同年份的经济支出费用按照一定的贴现率转换为现在的费用即现值，本实施例中建立的现值模型为：
式中，PVC为第n年费用现值；PV为第n年费用终值；r为折现率；本实施例中折现率取8％。
经济支出费用主要包括一下几个方面：
1)初期建设费用
初期建设费用是指道路在建设期投入的费用。根据相关材料的价格，目前建设1km的高速公路，需要投入170万元的建设费用。
2)日常养护费用
高速公路沥青路面的日常养护费用与道路的交通量和交通量的发展密切相关。同济大学道路与交通工程教育部重点实验室于2019年提出了以路面破损状况指数PCI和平均交通量AADT为主要影响参数的日常养护费用模型：
MCi--0.34+3.44×10-6×(100-PCIi)AADTi
式中，AADTi表示该路段第i年的平均交通量，PCIi表示该路段第i年的路面损坏状况指数。
根据以上模型计算出的日常养护费用如表1所示：
表1不同养护方案日常管理费用(现值)
| 年份 | 方案一 | 方案二 | 方案三 | 方案四 |
| 2019 | 0.34 | 0.34 | 0.34 | 0.34 |
| 2020 | 0.518519 | 0.518519 | 0.518519 | 0.518519 |
| 2021 | 0.951646 | 0.951646 | 0.951646 | 0.951646 |
| 2022 | 0.269903 | 2.310052 | 2.310052 | 2.310052 |
| 2023 | 1.448009 | 0.24991 | 0.24991 | 6.071347 |
| 2024 | 3.307634 | 1.558536 | 1.265885 | 0.231398 |
| 2025 | 7.625052 | 3.629777 | 2.892479 | 0.567153 |
| 2026 | 16.01098 | 8.437271 | 6.774323 | 1.312853 |
| 2027 | 28.38573 | 17.75324 | 14.78716 | 3.63601 |
| 2028 | 41.84082 | 31.50568 | 27.73881 | 10.02499 |
| 2029 | 53.68876 | 46.45831 | 43.1789 | 23.83594 |
3)大中修费用
中修费用是路面分析期内采取大中修养护措施所产生的费用。根据相关工程数据，计算获得个方案大中修费用值分别为5.28万元、4.89万元、30.23万元、114.28万元。
4)路面残值
由于分析期末路面寿命并不一定终止，即在分析期末时路面还可以继续使用，这部分可继续利用的价值成为路面残值。路面残值以路面养护后剩余寿命与预期使用寿命的比值表示，及计算公式为：
式中，LA为最后一次养护年份到分期末的时间；LE为该措施的预期使用寿命；Cr为该方案对应养护措施的成本。通过上式计算的各方案的的残值计算结果如表2所示：
表2不同养护方案残值计算表
| L<sub>A</sub> | L<sub>E</sub> | Cr | SV | |
| 方案一 | 7 | 7 | 66469 | 0.00 |
| 方案二 | 6 | 7 | 66469 | 9495.57 |
| 方案三 | 6 | 8 | 411234 | 102808.50 |
| 方案四 | 5 | 10 | 1679134.398 | 839567.20 |
然后便可以根据之前建立的现值计算模型，结合初期建设费用、日常管理费用、大中修费用及路面残值以计算总费用现值，具体计算公式如下：
式中，C表示初期建设费用；MCi表示第i年日常养护费用；Cr表示第j年采取大中修的费用；SV表示分析期末路面残值；r表示折线率。通过上式计算的各养方案所得到的总费用现值如表3所示：
表3不同养护方案管理者费用表
计算好总费用现值后，便可以执行步骤S502，计算出路面性能效益值，本实施例中，该步骤具体包括：
根据所述性能变化预测结果及所述路面技术状况指数PQI，基于步进等效面积法，得到所述路面性能效益值。
为了量化不同养护措施对路面服役性能的改善效果，采用步进等效面积法对路面的性能效益进行分析，即以性能变化预测结果中的路面性能指标衰变曲线与路面性能指标最低值所围成的面积作为该时间段内的路面性能效益，所得到的计算结果如下表所示：
表4不同养护方案路面性能效益值
| 路面性能指标 | 方案一 | 方案二 | 方案三 | 方案四 |
| PCI | 1221.66 | 1174.92 | 1188.95 | 1204.08 |
| RQI | 2343.76 | 2287.83 | 2316.60 | 2346.97 |
| RDI | 3441.07 | 3380.95 | 3407.82 | 3479.94 |
| SRI | 4613.82 | 4528.12 | 4567.97 | 4586.86 |
| PQI | 2342.628 | 2286.309 | 2310.743 | 2340.893 |
取PQI所对应的效益值作为本方法所需的路面性能效益值。
计算出效益值后便可以执行步骤S503，以得到每个所述路面养护方案对应的效益费用比，本实施例中以PQI和总费用的效益费用比评价不同方案的优劣，效益费用比越大，该方案越优。四个方案的效益费用比计算结果如下表所示：
表5不同养护方案效益费用比
| 方案 | 总费用现值 | PQI效益 | 效益费用比 |
| 方案一 | 329.67 | 2342.63 | 7.11 |
| 方案二 | 288.16 | 2286.31 | 7.93 |
| 方案三 | 296.48 | 2310.74 | 7.79 |
| 方案四 | 295.19 | 2340.89 | 7.93 |
从上表可以直接发现，方案二和方案四的效益费用比都较好，再此基础上可以选择效益更好的方案四作为最终的方案，即最优方案，完成多个路面养护方案的比选。
进一步的，本发明还提供一优选的实施例，该实施例中的步骤S104，还包括：
基于粒子群算法从多个所述路面养护方案中选择出所述最优方案。
具体地，对于大型路网，由于道路会产生较多的方案组合，逐一比较会产生极大的工作量，因此本实施例还采用粒子群算法进行方案的比选。假设路网中有n个路段，每个路段有m个方案，采用粒子群算法进行最优方案的选择，算法参数设置如下所示，种群粒子数为100，设置迭代次数为100，其中使用的一些条件如下：
目标函数(适应度值)：
约束条件：
速度更新：
惯性权重：
位置更新：
式中，Xij为第i个路段的所选方案号；Z1ij第i个路段的所选方案的养护效益；Z2ij第i个路段的所选方案的总成本；COmax为总养护预算；vi k为第i个粒子第k次迭代时的速度；xi k为第i个粒子第k次迭代时的位置；w为惯性权重。
基于粒子群算法得到最优方案的其他步骤均为现有技术，本发明中将不再做过多说明。
本实施例的方法中，比选包括了通过效益费用比和通过粒子群算法进行比选两种方式，实际中可根据需要选用二者之一进行比选，也可以将二者结合，根据不同的方案类型选用不同的比选方式，得到最优方案。
为了更好实施本发明实施例中的沥青路面智能养护决策方法，在该方法基础之上，对应的，请参阅图6，图6为本发明提供的沥青路面智能养护决策系统的一实施例的结构示意图，本发明实施例提供了一种沥青路面智能养护决策系统600，包括：
指标评定单元610，用于获取目标道路的路面信息，基于预设评定标准评价路面使用性能，得到所述目标道路的路面性能指标；
性能预测单元620，用于获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
方案生成单元630，用于根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
方案比选单元640，用于对多个所述路面养护方案进行比选，得到最优方案。
这里需要说明的是：上述实施例提供的对应的沥青路面智能养护决策系统600可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
本实施例还提供了一种计算机可读存储介质，其上存储有可读取的程序，该程序被执行时，可实现上述任一实施例中的方法和步骤。
本发明提供一种沥青路面智能养护决策方法、系统及介质，通过目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标，然后基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果，再基于案例决策、计算机辅助决策和人工决策三种方式得到多个路面养护方案，对多个路面养护方案进行比选以得到最优方案。相比于现有的养护方案决策方式，本发明通过三种不同的方式生成多种路面养护方案，通过比选的方式科学、合理的得到最优的方案，降低沥青路面养护方案制定过程中主观因素的过多影响，减少了因人为误判造成的错误决策，使得决策结果能够同时具备三种决策方式的优点，更具经济型与准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种沥青路面智能养护决策方法，其特征在于，包括：
获取目标道路的路面信息，基于预设评定标准对所述路面信息进行使用性能评价，得到所述目标道路的路面性能指标；
获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
对多个所述路面养护方案进行比选，得到最优方案。
2.根据权利要求1所述的沥青路面智能养护决策方法，其特征在于，所述对多个所述路面养护方案进行比选，得到最优方案，包括：
获取每个所述路面养护方案对应的总费用现值；
根据所述性能变化预测结果及所述路面性能指标，得到路面性能效益值；
根据所述路面性能效益值及所述总费用现值，得到每个所述路面养护方案对应的效益费用比；
根据所述效益费用比，选择最优的所述路面养护方案作为所述最优方案。
3.根据权利要求2所述的沥青路面智能养护决策方法，其特征在于，所述获取每个所述路面养护方案对应的总费用现值，包括：
建立现值计算模型；
根据所述路面信息及所述路面性能指标得到每个所述路面养护方案对应的初期建设费用、日常管理费用、大中修费用和路面残值；
基于所述现值计算模型计算每个所述日常管理费用、所述大中修费用和所述路面残值对应的现值，并结合所述初期建设费用，得到每个所述路面养护方案对应的所述总费用现值。
4.根据权利要求2所述的沥青路面智能养护决策方法，其特征在于，所述路面性能指标包括路面技术状况指数，所述根据所述性能变化预测结果及所述路面性能指标，得到路面性能效益值，包括：
根据所述性能变化预测结果及所述路面技术状况指数，基于步进等效面积法，得到所述路面性能效益值。
5.根据权利要求1所述的沥青路面智能养护决策方法，其特征在于，所述对多个所述路面养护方案进行比选，得到最优方案，包括：
基于粒子群算法从多个所述路面养护方案中选择出所述最优方案。
6.根据权利要求1所述的沥青路面智能养护决策方法，其特征在于，所述基于案例决策得到路面养护方案，包括：
获取所述目标道路的病害状况；
获取多个历史养护案例，每个历史养护案例包括历史路面性能指标、历史道路病害状况及历史养护方案；
根据预设匹配条件选择与目标道路向匹配的历史养护案例，所述预设匹配条件包括所述目标道路的路面性能指标与所述历史路面性能指标相同，并且所述目标道路的病害状况与所述历史道路病害状况相同；
根据所选择的所述历史养护案例对应的所述历史养护方案，得到所述路面养护方案。
7.根据权利要求1所述的沥青路面智能养护决策方法，其特征在于，所述基于计算机辅助决策得到路面养护方案，包括：
根据预设养护规范建立决策树模型；
根据预设养护规范及所述路面性能预测模型，得到多个建议预防性养护年限；
根据所述性能变化预测结果、所述决策树模型和所述建议预防性养护年限得到路面养护方案。
8.根据权利要求1所述的沥青路面智能养护决策方法，其特征在于，还包括：
建立数据库，所述数据库包括道路地理信息库、道路基础信息库、道路设计资料库、历史检测信息库、历史养护信息库和养护计划信息库。
9.一种沥青路面智能养护决策系统，其特征在于，包括：
指标评定单元，用于获取目标道路的路面信息，基于预设评定标准评价路面使用性能，得到所述目标道路的路面性能指标；
性能预测单元，用于获取预设的路面性能预测模型，基于所述预设的路面性能预测模型确定所述路面性能指标对应的性能变化预测结果；
方案生成单元，用于根据所述路面性能指标及对应的所述性能变化预测结果，并基于案例决策、计算机辅助决策和人工决策得到多个路面养护方案；
方案比选单元，用于对多个所述路面养护方案进行比选，得到最优方案。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项沥青路面智能养护决策方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675857.8A CN115034480A (zh) | 2022-06-15 | 2022-06-15 | 一种沥青路面智能养护决策方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675857.8A CN115034480A (zh) | 2022-06-15 | 2022-06-15 | 一种沥青路面智能养护决策方法、系统及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034480A true CN115034480A (zh) | 2022-09-09 |
Family
ID=83125279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210675857.8A Pending CN115034480A (zh) | 2022-06-15 | 2022-06-15 | 一种沥青路面智能养护决策方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034480A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115573230A (zh) * | 2022-12-09 | 2023-01-06 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
-
2022
- 2022-06-15 CN CN202210675857.8A patent/CN115034480A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115573230A (zh) * | 2022-12-09 | 2023-01-06 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
| CN115573230B (zh) * | 2022-12-09 | 2023-04-28 | 山东同陆云信息科技有限公司 | 一种基于大数据的智能养护预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Life cycle energy consumption and GHG emission from pavement rehabilitation with different rolling resistance | |
| CN111737916B (zh) | 一种基于大数据的道路桥梁病害分析与养护决策方法 | |
| CN111160728B (zh) | 一种路桥养护决策优化方法及装置 | |
| CN111652520B (zh) | 一种基于大数据的路面养护智能决策系统及方法 | |
| Kim et al. | Life cycle assessment based environmental impact estimation model for pre-stressed concrete beam bridge in the early design phase | |
| CN116050670B (zh) | 一种基于数据驱动的道路养护决策方法及系统 | |
| CN106257541A (zh) | 一种桥梁有限元模型的修正方法 | |
| CN115034480A (zh) | 一种沥青路面智能养护决策方法、系统及介质 | |
| Ye et al. | A new environmental governance cost prediction method based on indicator synthesis and different risk coefficients | |
| García-Segura et al. | Integration of deep learning techniques and sustainability-based concepts into an urban pavement management system | |
| Park et al. | Life-cycle assessment-based environmental impact estimation model for earthwork-type road projects in the design phase | |
| Mubaraki | Predicting deterioration for the Saudi Arabia Urban road network | |
| Westrom et al. | Multimodal trip generation model to assess travel impacts of urban developments in the District of Columbia | |
| Lethanh et al. | A hidden Markov model for modeling pavement deterioration under incomplete monitoring data | |
| Elmansouri et al. | Pavement condition assessment using pavement condition index and multi-criteria decision-making model | |
| CN108764518B (zh) | 一种基于物联网大数据的交通资源动态优化方法 | |
| Latifi et al. | A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA | |
| Semnarshad et al. | Development of a Pavement Overall Deterioration Index (Case Study: Iran) | |
| Park et al. | Development of environmental load-estimating model for road planning phase: focus on road earthwork | |
| Citir et al. | Predicting Iowa concrete overlay performance and remaining service life using statistics and deep learning techniques | |
| Abaza et al. | Pavement rehabilitation project ranking approach using probabilistic long-term performance indicators | |
| CN113516258B (zh) | 公路养护智能决策分析系统 | |
| Wang et al. | Modeling and algorithms of VMT and AADT estimation for community area traffic networks | |
| Stevens et al. | Analysis of data for 6,978 bridges to inform a data strategy for predictive maintenance | |
| de Dieu et al. | A Review of Bridge Management System: Deterioration Models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |