Pavement deterioration prediction models in the absence of archived data

Résumé

La planification stratégique et à long terme d`un système de gestion des chaussées (SGC) repose principalement sur des modèles de prévision de détérioration, pour assurer une gestion efficace et préventive et pour définir les besoins budgétaires actuels et futurs. Un SGC comprend de nombreuses activités essentielles au niveau du réseau et des projets. La modélisation de la détérioration des chaussées est l'une des activités les plus importantes au niveau du réseau SGS qui doit être réalisée de manière coordonnée avec d'autres activités pour disposer d'un SGC adapté. Évidemment, l'entretien préventif de la route coûte moins cher que sa reconstruction après avoir été endommagée. Dans de nombreux pays en développement, les routes sont de plus en plus endommagées en raison du manque d'entretien régulier. Cela renforce la nécessité de développer un système de prévision de la détérioration des routes afin de déterminer les stratégies d'intervention optimales pour le réseau routier. De plus, l'analyse de la progression de la détérioration de la chaussée au fil du temps donne un aperçu du comportement fonctionnel de la chaussée pour soutenir efficacement le SGC. En général, les modèles de détérioration des chaussées peuvent être développés de manière déterministe ou probabiliste. Dans des circonstances normales, la modélisation déterministe de la détérioration de la chaussée nécessite des mesures régulières de l'état de la chaussée au fil du temps. Cependant, en l'absence de telles informations dans de nombreux cas, comme dans les pays en développement, une telle méthode ne peut pas être utilisée, et une alternative consiste à utiliser la modélisation probabiliste de l'opinion des experts locaux. Cette recherche présente trois méthodologies pour prédire et analyser l'état de la chaussée et son évolution lorsque les données historiques d'indice de chaussée ne sont pas disponibles. La première méthode suggérée est une approche probabiliste de régression linéaire bayésienne pour développer un modèle de performance lorsque les données sur l'historique des chaussées ne sont pas disponibles. Au lieu de cela, le modèle utilise les connaissances d'experts comme une distribution préalable. A ce titre, des experts qui ont longtemps travaillé avec les administrations routières et de transport ont été interrogés pour développer une partie des données d'entrée pour alimenter le modèle Bayésien. La distribution a posteriori a été calculée à l'aide de la fonction d'estimation de la vraisemblance basée sur les inspections de l'état des routes selon un protocole prédéfini. Dans cette étude, les paramètres du modèle ont été estimés et des intervalles de confiance à 95% et ont été établis autour de ces paramètres estimés. Les résultats sont des modèles de prédiction de la détérioration des chaussées basés sur un échantillon de quelques inspections sur place en interaction avec des connaissances d'experts. La deuxième méthode est une technique probabiliste pour analyser la progression de la détérioration de la chaussée au fil du temps afin de permettre une meilleure compréhension du comportement fonctionnel de la chaussée pour soutenir efficacement le SGC. Le but de cette méthode est d'étudier et de prévoir les tendances de la détérioration de la chaussée à l'aide d'une analyse de séries temporelles par moyenne mobile intégrée autorégressive (ARIMA). Les données utilisées dans cette étude sont l'indice de rugosité international (IRI) qui a été estimé à l'aide d'inspections visuelles de la chaussée. La pertinence des modèles a été évaluée en traçant les résidus de la fonction d'auto-corrélation (ACF) et de la fonction d'auto-corrélation partielle (PACF). Tous les résidus se trouvent dans les bandes, ce qui signifie que tous les modèles sont appropriés. Les statistiques de Ljung – Box (Q) ont été appliquées à tous les modèles et les résultats ont montré que tous les coefficients des modèles étaient significativement différents de zéro. Tous les modèles ajustés sont adéquats car ils ont épousé toutes les données. La troisième méthode consiste à développer un modèle de prévision de la détérioration pour anticiper les conditions futures de la chaussée à l'aide du modèle de Markov caché (HMM). Cette étude a expliqué comment estimer la séquence la plus probable des états de la chaussée qu'une chaussée spécifique va suivre en se détériorant selon 10 étapes de transition. Une base de données initiale représentant l'état de la chaussée pour une période de temps donnée est utilisée dans le processus de développement. Les probabilités de transition et les probabilités d'émission sont également calculées.

Date	29 juin 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Gabriel J. Assaf (Directeur(-trice))