IT202100007688A1 - Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli - Google Patents
Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli Download PDFInfo
- Publication number
- IT202100007688A1 IT202100007688A1 IT102021000007688A IT202100007688A IT202100007688A1 IT 202100007688 A1 IT202100007688 A1 IT 202100007688A1 IT 102021000007688 A IT102021000007688 A IT 102021000007688A IT 202100007688 A IT202100007688 A IT 202100007688A IT 202100007688 A1 IT202100007688 A1 IT 202100007688A1
- Authority
- IT
- Italy
- Prior art keywords
- data
- conformities
- methodology
- vehicle
- transport
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 32
- 238000011156 evaluation Methods 0.000 title claims description 17
- 238000013528 artificial neural network Methods 0.000 title claims description 16
- 238000013461 design Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000012958 reprocessing Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 239000000725 suspension Substances 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of Optical Distance (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
Metodologia basata su Reti neurali per la valutazione delle caratteristiche geometriche e delle non conformit? delle infrastrutture del trasporto, attraverso Big Data acquisiti a bordo dei veicoli
CAMPO DI APPLICAZIONE
Forma oggetto del presente trovato una innovativa metodologia automatica ed intelligente afferente al campo tecnico del collaudo e della manutenzione delle infrastrutture per il trasporto, per la valutazione in remoto dei rischi e del comfort dell?infrastruttura direttamente correlati alle scelte di design geometrico, e il loro monitoraggio, finalizzato all?identificare e alla classificazione di eventuali non conformit?.
STATO DELLA TECNICA
La buona progettazione di un?infrastruttura per il trasporto implica l'equilibrio tra sicurezza e mobilit?, quest?ultima principalmente espressa in termini di comfort e praticit? per gli utenti. Ci? prescinde dall?accurata progettazione dei vari elementi del design geometrico, ognuno dei quali deve risultare complementare agli altri, in modo che combinandosi creino una infrastruttura che serve il traffico veicolare in modo sicuro ed efficiente, in linea con la funzione prevista dell?infrastruttura. In particolare, la progettazione deve riguardare sia elementi di design geometrico comuni a tutte le classi di infrastrutture per il trasporto, tra i quali distanza visiva, sopraelevazione, allargamenti in curva, pendenze, allineamenti orizzontali e verticali, sia gli elementi specifici delle classi funzionali in cui sono convolte le infrastrutture.
? chiara, quindi, l?importanza delle verifiche tecniche previste dalle leggi di settore che accertino la conformit? dell?infrastruttura alle prescrizioni tecniche prestabilite, sia in fase di collaudo che di esercizio della stessa.
In tal contesto, di particolare interesse sono i controlli sulla sicurezza delle infrastrutture, i quali sono un processo di tipo preventivo, tendente ad individuare le situazioni potenzialmente generatrici di incidenti.
Le verifiche sulla sicurezza vengono effettuate innanzitutto suddividendo le infrastrutture in tratti, in base a caratteristiche quali:
? contesto ed inserimento ambientale (ad esempio pianura, montagna, urbano, extraurbano);
? classe funzionale (ed eventuali ulteriori suddivisioni all?interno della classe in base a diverse organizzazioni della sezione trasversale, quali ad esempio la variazione del numero delle corsie);
? caratteristiche geometriche del tracciato;
? traffico (volumi, componenti, densit?, variabilit? temporale, ecc.);
? concentrazione degli incidenti.
Si procede, quindi, con l?analisi delle infrastrutture in maniera diffusa, sugli interi tratti in esame, o puntale, localizzate su singoli siti critici o potenzialmente critici, con il fine di:
? individuare le criticit? dell?infrastruttura;
? identificare i fattori di potenziale pericolo dell?infrastruttura;
? individuare la priorit? degli interventi correttivi;
? mantenere in costante osservazione lo stato di sicurezza delle infrastrutture.
Il convenzionale approccio prevede la valutazione del livello di rischio con metodi manuali basati su nozioni teoriche e sull?esperienza, i quali non sono in grado di tener conto della complessit? delle reali infrastrutture e non sono pertanto adatti a valutare in maniera certa il livello di rischio. Infatti, i risultati di tali valutazioni vengono ritenuti affidabili soltanto quando validati dalla pratica.
La ricerca in tale ambito ? rivolta allo studio di metodologie data driven basate su machine learning per l?elaborazione dei dati dell?infrastruttura. Un esempio ? il brevetto CN109671274A, in cui ? presentata una metodologia data driven automatica di valutazione del rischio stradale per compensare le carenze delle valutazioni manuali. Tale metodologia prevede di analizzare le strade con livelli di rischio noti, da cui vengono estratti un primo set di parametri delle condizioni stradali ed utilizzati per addestrare una rete neurale, in modo da realizzare una relazione funzionale tra i parametri delle condizioni stradali e i livelli di rischio. A questo punto si esegue l?analisi di una strada con livello di rischio sconosciuto per ricavare un set di parametri che sar? inviato alla rete neurale per l?elaborazione, cui risultato sar? il corrispondente livello di rischio.
Tale approccio ha come limitazione la necessit? di dover ricavare i set di parametri stradali, sia per l?addestramento che per le valutazioni sui livelli di rischio, attraverso una campagna sperimentale di misurazioni sul posto oggetto di analisi. Il presente trovato non presenta tale criticit?, in quanto la metodologia proposta opera in remoto ed in maniera completamente automatica anche nella fase di raccolta dati. Inoltre, il presente trovato si pone come generico, applicabile a qualsiasi infrastruttura del trasporto, quali ad esempio stradale e ferroviario.
La metodologia, secondo il trovato, consente inoltre il monitoraggio delle infrastrutture per il trasporto per l?individuazione e la classificazione di eventuali non conformit?.
L'estensione dei periodi di servizio unito alla rapida crescita dei volumi di traffico, che spesso raggiungono valori superiori alle aspettative, hanno comportato un aumento domanda di manutenzione delle infrastrutture.
Un approccio sistematico per la loro gestione ? perci? necessario per fornire sia le effettive caratteristiche dello stato di deterioramento dell?infrastruttura e la sua evoluzione nel tempo, sia le procedure per scegliere, tra le alternative possibili, quella ottimale in base al rapporto costi/benefici e a considerazioni su tutti gli aspetti afferenti alla sicurezza dell?infrastruttura.
Le valutazioni sullo stato di salute ed il monitoraggio continuo sono prerequisiti essenziali per ottimizzare il programma degli interventi di manutenzione a breve, medio e lungo termine nell?ambito di una procedura di gestione sistematica che consenta la gestione ottima delle risorse disponibili, garantendo sempre il mantenimento di standard funzionali e di sicurezza prefissati.
Esistono diversi approcci convenzionalmente adottati per la valutazione delle condizioni dell?infrastruttura, distinti per l'entit? della valutazione, il livello di dettaglio raccolto e gli strumenti di valutazione utilizzati. Ad esempio, al livello pi? dettagliato, viene condotta un'indagine a livello di progetto su sezioni dell?infrastruttura isolate. Un'indagine a livello di progetto pu? essere condotta come studio forense per esplorare le cause e le possibili soluzioni a problemi di prestazioni specifici, oppure pu? essere condotta per ottenere gli input necessari per progettare una strategia di riabilitazione appropriata su un?infrastruttura che ? gi? stata contrassegnata per l?accrescimento del capitale.
In entrambi i casi, le valutazioni si basano su misurazioni con strumenti di test distruttivi e non distruttivi, i cui esiti sono soggetti all'esperienza lavorativa del personale e al giudizio soggettivo.
Negli ultimi anni, metodologie basate su un approccio di tipo data driven hanno cercato di svincolare le valutazioni sullo stato di salute dell?infrastruttura dal fattore umano, utilizzando tecniche di machine learning per l?elaborazione dei dati.
Un esempio ? il brevetto CN110334429A, in cui ? presentata una metodologia per prevedere la vita a fatica residua di una pavimentazione in asfalto, in cui una rete neurale artificiale riceve in input informazioni quali lo spessore dello strato superficiale, modulo dello strato superficiale, spessore dello strato di base, modulo dello strato di base, modulo del sotto-strato, cumulata del numero di transiti di veicoli avvenuti e valore di deflessione dinamica del laser. Il livello di output restituisce il numero di transiti veicolari corrispondenti alla fatica residua della pavimentazione in asfalto.
Un altro esempio ? il brevetto CN108335002A, che fornisce un sistema di analisi dei big data per la manutenzione stradale, quali dati di base stradali, dati sui danni, dati sul rilevamento delle prestazioni stradali, dati di flusso, dati video, dati di sovraccarico e dati meteorologici e geologici. Essa ? basata sull?utilizzo di una rete neurale per predire in modo affidabile le future prestazioni stradali, al fine di proporre eventuali misure di manutenzione.
Tali metodologie sono tuttavia specifiche al solo campo della manutenzione delle pavimentazioni stradali. Con il presente trovato si propone una metodologia generica e applicabile a qualsiasi infrastruttura del trasporto, quali ad esempio stradale e ferroviario. Inoltre, tutte le metodologie citate si riferiscono alla sola valutazione di eventuali danni o alla sola valutazione della sicurezza dell?infrastruttura. Con il presente trovato si propone una metodologia che consente di effettuare entrambe le valutazioni, siano esse relative al grado di sicurezza dovuto a scelte di design geometrico, che relative a eventuali danni sull?infrastruttura.
In generale, il presente trovato si distingue dallo stato dell?arte per la tipologia di dati elaborati. Infatti, nel presente trovato i dati misurati sono quelli acquisibili direttamente a bordo di un convenzionale veicolo appositamente strumentato per rilevare le grandezze che caratterizzano la manovra durante la percorrenza su un tratto di infrastruttura, quindi accelerazioni, velocit? e posizione, oltre a data e ora. Completano il set di dati le caratteristiche fisiche e meccaniche dello specifico veicolo, quali la massa, la vetust? o il grado di usura, e la tipologia di sospensioni. Pertanto, non sono necessari specifici test disruttivi e non per rilevare le caratteristiche fisiche e meccaniche dell?infrastruttura.
Per ovviare a tutti gli inconvenienti su menzionati ed ottenere ulteriori vantaggi, il Richiedente ha studiato e realizzato il presente trovato.
ESPOSIZIONE DEL TROVATO
Il presente trovato ? esposto e caratterizzato nella rivendicazione principale.
Altre caratteristiche sono presenti nelle rivendicazioni secondarie.
Scopo del presente trovato ? definire una innovativa metodologia automatica ed intelligente per la valutazione in remoto dei rischi e del comfort dell?infrastruttura direttamente correlati alle scelte di design geometrico, e il loro monitoraggio, finalizzato a identificare e classificare eventuali non conformit?.
La presente invenzione riferisce ad una metodologia per risolvere il problema di cui sopra, caratterizzata da cinque fasi specifiche.
Fase 1: acquisizione dei parametri durante la marcia dei veicoli, quali accelerazioni e velocit? del veicolo lungo le tre direzioni principali, a cui si aggiungono la geolocalizzazione del veicolo, la data e l?ora dell?acquisizione delle misure e l?identificativo del veicolo. Relativamente a ciascun veicolo in esame, la fase di acquisizione dati prevede il monitoraggio continuo del set di parametri, con frequenza dipendente dallo strumento di misura adoperato. Per ciascuno di essi viene predefinito un valore critico di soglia, il cui superamento innesca la registrazione dei valori dei parametri in una memoria locale, in attesa dell?invio al server remoto e della ricezione da quest?ultimo della conferma di avvenuto ricevimento dati.
Fase 2: i dati acquisiti durante la marcia dei veicoli e registrati nelle memorie locali vengono trasmessi con l?ausilio di strumenti quali, ma non solo, reti mobili, ad un server remoto. All?acquisizione dei dati si effettua una verifica dell?integrit? e della coerenza degli stessi, a valle della quale il server remoto procede all?invio di un codice di conferma di avvenuta trasmissione al sistema di acquisizione dati dello specifico veicolo, che provveder? a cancellare dalla memoria locale tali dati. Il sistema di acquisizione dati, nel caso non riceva il codice di avvenuta trasmissione in un lasso di tempo stabilito o riceva un codice di errore, proceder? al rinvio dell?intero pacchetto dati.
Fase 3: Il sistema effettuer? uno storage dei dati grezzi all?interno di un database per poter tenere traccia dell?elaborazione ed eventualmente fornire dei dati su cui addestrare nuove tipologie di reti. Successivamente all?archiviazione dei raw data si proceder? con l?interrogare, tramite l?identificativo univoco del veicolo, un database dedicato per l?acquisizione dei dati del veicolo, per andare ad integrare i dati che arrivano direttamente dal veicolo e che devono essere processati dalla rete neurale. Nello specifico, tali dati riguardano le caratteristiche fisiche e meccaniche dello specifico veicolo, quali la massa, la vetust? o il grado di usura, e la tipologia di sospensioni.
Fase 4: i dati acquisiti vengono rielaborati attraverso rete neurale multi-layer opportunamente addestrata per valutazioni sulla sicurezza e sul comfort dell?infrastruttura del trasporto, riguardo gli elementi direttamente legati al suo design geometrico. A queste si aggiungono l?identificazione e la classificazione di eventuali non conformit?. I dati elaborati saranno successivamente stoccati in un database dedicato per il continuo addestramento delle reti neurali.
Fase 5: Visualizzazione dei risultati della rielaborazione con rete neurale su un sistema informativo geografico (GIS) dedicato, che consente di associare ai dati la loro posizione geografica, per agevolare le ispezioni e coordinare gli interventi per la manutenzione.
I parametri caratteristici della marcia dei veicoli sono acquisiti attraverso, ma non solo, uno specifico dispositivo che, montato a bordo del veicolo, consente le misurazioni di velocit?, accelerazioni, posizione, data e ora, attraverso opportuni sensori.
I vantaggi del presente trovato, rispetto allo stato dell?arte, risiedono sia nella sua generalit?, in quanto applicabile a qualsiasi infrastruttura del trasporto, quali ad esempio stradale e ferroviario, sia nelle valutazioni consentite, in quanto analizza contemporaneamente le scelte di design geometrico da un punto di vista della sicurezza e del comfort, ed eventuali non conformit? dell?infrastruttura.
ILLUSTRAZIONE DEI DISEGNI
La descrizione di una forma preferenziale del trovato chiarisce le caratteristiche innovative dello stesso. Tale forma del trovato ? fornita a titolo esemplificativo, non limitativo, nell?annesso disegno in cui:
La Fig. 1 illustra una schematizzazione del flusso delle informazioni secondo la metodologia del presente trovato.
MODO MIGLIORE PER ATTUARE L?INVENZIONE
La metodologia ? innovativa, in quanto si pone pi? obiettivi: valutazione degli elementi di design geometrico definiti nel corso della progettazione delle infrastrutture del trasporto; l?identificazione di eventuali non conformit? dell?infrastruttura; la classificazione del tipo di non conformit?. Inoltre, il flusso logico dei dati, dall?acquisizione, alla rielaborazione, fino alle valutazioni ed analisi finali sono innovativi.
Per di pi?, la metodologia ? generale, ovvero applicabile a qualsiasi tipo di infrastruttura, dalle strade, alle piste di decollo/atterraggio aerei, alle infrastrutture per il trasporto ferroviario.
Una forma preferenziale del trovato vede la metodologia applicata per valutazioni su infrastrutture del trasporto stradale. I veicoli, equipaggiati con i sensori necessari alle misure dei parametri indicati tra i Parameter Set in figura, durante la loro marcia sui tratti stradali, acquisiscono in continuo i segnali di velocit?, accelerazioni, e posizione. Qualora i parametri significativi alla verifica raggiungano valori superiori a soglie prestabilite, questi vengono registrati nella memoria locale del sistema di acquisizione. Un esempio chiaro di tale funzionalit? ? dato dal veicolo durante una percorrenza di una curva: parametro principe che caratterizza le manovre di un veicolo in dinamica laterale ? l?accelerazione laterale, la quale non deve superare un certo valore di soglia affinch? il veicolo possa eseguire la manovra in sicurezza ed i passeggeri avvertano la traiettoria come sicura. Altro esempio di tale funzionalit? ? riferito al profilo di accelerazioni e velocit? di un veicolo, il quale deve evitare brusche variazioni di andamento che possono compromettere la tenuta del veicolo, ma che in generale sono indesiderate dal punto di vista del comfort. Ai dati registrati nella memoria locale ? associato un ID univoco, il quale ? caratteristico del veicolo in esame.
Questi dati vengono inviati ad un server remoto, attraverso strumenti, quali, ma non solo, reti mobili, per il loro stoccaggio, in attesa della successiva rielaborazione.
Successivamente si proceder? con l?interrogare, tramite l?identificativo univoco del veicolo, un database dedicato per l?acquisizione dei dati che riguardano le caratteristiche fisiche e meccaniche dello specifico veicolo, quali la massa, la vetust? o il grado di usura, e la tipologia di sospensioni. Questi vanno ad integrare i dati misurati e a completare il Parameters Set.
La rielaborazione con rete neurale multi-layer consente di valutare i rischi e il comfort dell?infrastruttura stradale, per gli aspetti direttamente correlati alle scelte di design geometrico. Inoltre, consente di identificare la presenza di eventuali non conformit?: la metodologia permette di valutare la vita residua in termini percentuali di sezioni critiche dell?infrastruttura, ma anche di valutare il tipo di non conformit?. Infatti, questa prevede di utilizzare delle lookup tables che mettono in relazione i risultati della rielaborazione attraverso rete neurale con i tipi di non conformit? del manto stradale, quali fessurazioni, distorsioni, pelature e sgranamenti, alterazioni del piano di rotolamento degli pneumatici, rappezzi, consentendo, quindi, valutazioni anche sugli interventi da effettuare.
Claims (5)
1. Una innovativa metodologia automatica ed intelligente per la valutazione in remoto della sicurezza e del comfort delle infrastrutture per il trasporto relativi agli aspetti direttamente correlati alle scelte di design geometrico, e il loro monitoraggio, finalizzato all?identificazione e classificazione di eventuali non conformit?, caratterizzata da cinque fasi specifiche:
1) Fasi 1: misurazione, durante la marcia dei veicoli, dei parametri caratteristici della manovra, e, al superamento dei valori critici di soglia, registrazione degli stessi in una memoria locale e associazione di un ID univoco allo specifico veicolo;
2) Fase 2: trasmissione dei dati acquisti con l?ausilio di strumenti quali, ma non solo, reti mobili, ad un server remoto, verifica dell?integrit? e della coerenza degli stessi, ed invio del codice di conferma di avvenuta trasmissione al sistema di acquisizione dati del veicolo, che provveder? a cancellare dalla memoria locale tali dati. Il sistema di acquisizione dati, nel caso non riceva il codice di avvenuta trasmissione in un lasso di tempo stabilito o riceva un codice di errore, proceder? al rinvio dell?intero pacchetto dati
3) Fase 3: archiviazione dei raw data in un database, e successiva interrogazione, tramite l?identificativo univoco del veicolo, di un database dedicato per l?acquisizione dei dati del veicolo, quali, ma non solo, la massa, la vetust?, la tipologia di sospensioni, che integreranno i dati di marcia del veicolo.
4) Fase 4: rielaborazione dei dati attraverso rete neurale multi-layer per valutazioni sulla sicurezza e sul comfort dell?infrastruttura del trasporto, riguardo gli elementi direttamente legati al suo design geometrico. Parallelo processo di identificazione e classificazione di eventuali non conformit?. I dati elaborati saranno successivamente stoccati in un database dedicato per il continuo addestramento delle reti neurali.
5) Fase 5: visualizzazione dei risultati della rielaborazione con rete neurale su un sistema informativo geografico (GIS) dedicato.
2. Un dispositivo con cui equipaggiare i veicoli l?acquisizione dei parametri di marcia, come da rivendicazione 1, costituito da sensori per la misura di grandezza, quali ma non solo, velocit?, accelerazioni, posizione, data e ora, oltre a processore, memoria e scheda di rete.
3. Una metodologia, come da rivendicazione 1, che consente valutazioni sulla sicurezza e sul comfort relativi alle scelte di design geometrico, applicabile a qualsiasi infrastruttura adibita al trasporto.
4. Una metodologia, come da rivendicazione 1, che consente di identificare la presenza di eventuali non conformit? e al contempo di valutarne la tipologia, applicabile a qualsiasi infrastruttura adibita al trasporto.
5. Una metodologia, come da rivendicazione 1, che consente valutazioni sulla sicurezza e sul comfort delle infrastrutture per il trasporto, e simultaneamente consente di identificare e classificare loro eventuali non conformit?.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000007688A IT202100007688A1 (it) | 2021-04-01 | 2021-04-01 | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000007688A IT202100007688A1 (it) | 2021-04-01 | 2021-04-01 | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202100007688A1 true IT202100007688A1 (it) | 2022-10-01 |
Family
ID=76270000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102021000007688A IT202100007688A1 (it) | 2021-04-01 | 2021-04-01 | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli |
Country Status (1)
| Country | Link |
|---|---|
| IT (1) | IT202100007688A1 (it) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2792539A2 (en) * | 2013-04-19 | 2014-10-22 | Honda Motor Co., Ltd. | System and method for electric vehicle charging analysis and feedback |
| US20180151004A1 (en) * | 2015-08-05 | 2018-05-31 | EZ Lynk SEZC | System and method for real time wireless ecu monitoring and reprogramming |
| CN108335002A (zh) | 2017-01-20 | 2018-07-27 | 亚信蓝涛（江苏）数据科技有限公司 | 一种可视化的道路养护大数据分析系统 |
| US20190026962A1 (en) * | 2015-08-05 | 2019-01-24 | EZ Lynk SEZC | System and method for real time wireless ecu monitoring and reprogramming |
| CN109671274A (zh) | 2019-01-24 | 2019-04-23 | 交通运输部公路科学研究所 | 一种基于特征构造和融合的公路风险自动评估方法 |
| CN110334429A (zh) | 2019-07-01 | 2019-10-15 | 河南省高远公路养护技术有限公司 | 一种沥青路面剩余疲劳寿命的预测方法 |
-
2021
- 2021-04-01 IT IT102021000007688A patent/IT202100007688A1/it unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2792539A2 (en) * | 2013-04-19 | 2014-10-22 | Honda Motor Co., Ltd. | System and method for electric vehicle charging analysis and feedback |
| US20180151004A1 (en) * | 2015-08-05 | 2018-05-31 | EZ Lynk SEZC | System and method for real time wireless ecu monitoring and reprogramming |
| US20190026962A1 (en) * | 2015-08-05 | 2019-01-24 | EZ Lynk SEZC | System and method for real time wireless ecu monitoring and reprogramming |
| CN108335002A (zh) | 2017-01-20 | 2018-07-27 | 亚信蓝涛（江苏）数据科技有限公司 | 一种可视化的道路养护大数据分析系统 |
| CN109671274A (zh) | 2019-01-24 | 2019-04-23 | 交通运输部公路科学研究所 | 一种基于特征构造和融合的公路风险自动评估方法 |
| CN110334429A (zh) | 2019-07-01 | 2019-10-15 | 河南省高远公路养护技术有限公司 | 一种沥青路面剩余疲劳寿命的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Autonomous rail track inspection using vision based system | |
| CN110363403A (zh) | 铁路钢轨损伤预测方法及装置 | |
| Elseifi et al. | Assessment of the traffic speed deflectometer in Louisiana for pavement structural evaluation | |
| Zeng et al. | Identifying deficient pavement sections by means of an improved acceleration-based metric | |
| Bojarczak et al. | UAVs in rail damage image diagnostics supported by deep-learning networks | |
| Flintsch et al. | Probe vehicles used to measure road ride quality: Pilot demonstration | |
| Meyer et al. | A method for in-field railhead crack detection using digital image correlation | |
| Nazari et al. | Identification of railroad ballast fouling through statistical process control on ballast particle movement | |
| Ghiasi et al. | An unsupervised anomaly detection framework for onboard monitoring of railway track geometrical defects using one-class support vector machine | |
| Lydon et al. | Development and testing of a composite system for bridge health monitoring utilising computer vision and deep learning | |
| IT202100007688A1 (it) | Metodologia basata su reti neurali per la valutazione delle caratteristiche geometriche e delle non conformità delle infrastrutture del trasporto, attraverso big data acquisiti a bordo dei veicoli | |
| Li et al. | Calibrating VISSIM roundabout model using a critical gap and follow-up headway approach | |
| Gogola | Analysing the vibration of bicycles on various road surfaces in the city of Žilina | |
| Catbas et al. | Fleet health monitoring of large populations: Aged concrete T-beam bridges in Pennsylvania | |
| Simpson et al. | Evaluating pavement condition of the national highway system | |
| Aalst et al. | Automated Ravelling Inspection and Maintenance Planning on Porous Asphalt in the Netherlands | |
| Kisilowski et al. | The vision system for diagnostics of railway turnout elements | |
| Lima et al. | Methodology to assess airport pavement condition using GPS, laser, video image and GIS | |
| Kolev | Bridge Weigh-in-Motion Long-Term Traffic Monitoring in the State of Connecticut | |
| Kanis et al. | Automatic detection of track length defects | |
| Pradena et al. | Functional criteria for sustainable design of urban pavements | |
| Jiang et al. | Use of three-dimensional pavement surface data to analyze crack deterioration: Pilot study on Georgia State Route 26 | |
| Tasmin et al. | A probabilistic approach to evaluate the relationship between visual and quantified pavement distress data using logistic regression | |
| Haardt et al. | Monitoring during life cycle of bridges to establish performance indicators | |
| Timm et al. | Pavement condition model based on automated pavement distress surveys. |