Machine Translated by Google

revista de ingeniería de tráfico y transporte (edición en inglés) 2021; 8 (6): 1000 e1021

Disponible en línea en www.sciencedirect.com

CienciaDirecta

página de inicio de la revista: www.keaipublishing.com/jtte

Artículo de revisión

Investigación y aplicaciones de redes neuronales artificiales

en ingeniería de pavimentos: una revisión del estado del arte

XuYang a,b,* , Guan Jinchao a , Ling Ding c, **, Zhanping Usted d , Vicente CS Lee , mi

Mohd Rosli Mohd Hasan f, Xiaoyun Cheng C

a
Escuela de Carreteras, Universidad de Chang'an, Xi'an 710064, China
b
Escuela de Transporte del Futuro, Universidad de Chang'an, Xi'an 710064, China
C
Facultad de Ingeniería de Transporte, Universidad de Chang'an, Xi'an 710064, China
d
Departamento de Ingeniería Civil y Ambiental, Universidad Tecnológica de Michigan, Houghton, MI 49931, EE. UU.
mi
Facultad de Tecnología de la Información, Universidad de Monash, Clayton, VIC 3800, Australia
F
Escuela de Ingeniería Civil, Universiti Sains Malaysia, Nibong Tebal 14300, Pulau Pinang, Malasia

Destacar

Se revisaron las fronteras de las redes neuronales artificiales (ANN) en el diseño, construcción, inspección y mantenimiento de pavimentos.
Se resumieron tres arquitecturas ANN principales para diferentes escenarios de aplicación.
Se analizaron cinco desafíos de investigación y perspectivas de aplicación de ANN en ingeniería de pavimentos.
Se implementaron métodos estandarizados de búsqueda y clasificación de literatura.

información del artículo resumen

Historial del artículo: Dados los grandes avances en informática y ciencia de datos, las redes neuronales artificiales
Recibido el 25 de diciembre de 2020 (ANN) ha sido explorado y aplicado para manejar problemas complicados en el campo de
Recibido en forma revisada ingeniería de pavimentos. Este estudio llevó a cabo una revisión del estado del arte para estudiar la
12 marzo 2021 progreso reciente de la aplicación ANN en diferentes etapas de la ingeniería de pavimentos, incluyendo
Aceptado el 23 de marzo de 2021 diseño de pavimentos, construcción, inspección y monitoreo, y mantenimiento. Este estudio
Disponible en línea el 22 de octubre de 2021 se centró en los artículos publicados en las últimas tres décadas, especialmente en los estudios realizados desde 2013. A
través de la recuperación de literatura, se encontraron un total de 683 artículos en este campo.

Palabras clave: identificados, entre los cuales se seleccionaron 143 artículos para una revisión en profundidad. Las arquitecturas ANN utilizadas

ingeniería de pavimentos en estos estudios incluyeron principalmente redes neuronales de perceptrón multicapa.

Diseño de pavimento (MLPNN), red neuronal convolucional (CNN) y red neuronal recurrente (RNN) para
Red neuronal artificial procesamiento de datos unidimensionales, datos bidimensionales y datos de series de tiempo. basado en CNN

Aprendizaje profundo La inspección y el monitoreo de la salud del pavimento atrajeron el mayor interés de investigación debido a

Ciclo de vida del pavimento su potencial para reemplazar el trabajo humano. Si bien ANN ha demostrado ser una herramienta eficaz para

Inspección y vigilancia sanitaria diseño de material de pavimento, análisis de costos, detección de defectos y planificación de mantenimiento, es
enfrenta grandes desafíos en términos de recopilación de datos, optimización de parámetros, transferencia de modelos y
anotación de datos de bajo costo. Se debe prestar más atención para traer

* Autor correspondiente. Escuela de Carreteras, Universidad de Chang'an, Xi'an 710064, China. Teléfono: þ86 29 8233 8289.
** Autor correspondiente. Teléfono: þ86 29 8233 8289.
Direcciones de correo electrónico: yang.xu@chd.edu.cn (X. Yang), guan@chd.edu.cn (J. Guan), dingling@chd.edu.cn (L.Ding), zyou@mtu.edu (Z.Tú),

vincent.cs.lee@monash.edu (VCS Lee), cerosli@usm.my (MR Mohd Hasan), cxy@chd.edu.cn (X. Cheng).
Revisión por pares bajo la responsabilidad de las Oficinas periódicas de la Universidad de Chang'an.
https://doi.org/10.1016/j.jtte.2021.03.005
2095-7564/© 2021 Oficinas periódicas de la Universidad de Chang'an. Servicios de publicación de Elsevier BV en nombre de KeAi Communications Co.

Ltd. Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).

Machine Translated by Google

J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021 1001

técnicas multidisciplinarias en la ingeniería de pavimentos para abordar los desafíos existentes y

ampliar las oportunidades futuras.
© 2021 Oficinas periódicas de la Universidad de Chang'an. Servicios de publicación de Elsevier
BV en nombre de KeAi Communications Co. Ltd. Este es un artículo de acceso abierto bajo la
licencia CC BY-NC ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).

aprendizaje, se propusieron ampliar el ámbito de aplicación (Schmidhuber,

1. Introducción 2015). Otro ímpetu clave para el desarrollo de ANN son los grandes avances
en las técnicas de entrenamiento y el hardware de la computadora, como el
La red neuronal artificial (ANN), particularmente la red neuronal profunda algoritmo de propagación inversa (BP) y la computación de la unidad de
(DNN), es una de las técnicas de inteligencia artificial (IA) de más rápido
procesamiento de gráficos (GPU). De acuerdo con la arquitectura de la red,
crecimiento y lidera el desarrollo de la mayoría de las industrias (Moayedi et
las ANN se pueden clasificar en los siguientes tres tipos principales (Fig. 1).
al., 2020; Schmidhuber, 2015; Zhang et al., 1998). Impulsada por la red
neuronal y los grandes datos, la ingeniería de pavimentos enfrenta más
oportunidades y varios desafíos. Dado que existe una cantidad sustancial de
Red neuronal de perceptrón multicapa (MLPNN).
problemas complicados en las aplicaciones de ingeniería de pavimentos, es
Red neuronal recurrente (RNN).
imperativo encontrar una herramienta eficaz para reemplazar los cálculos
Red neuronal convolucional (CNN).
enormes y complicados de los métodos tradicionales. Por otro lado, los
investigadores esperan descubrir conocimientos más valiosos o interesantes
MLPNN es una ANN típica que utiliza una arquitectura de avance. Un
detrás del fenómeno físico y los datos experimentales. ANN, como la técnica
MLPNN consta de una capa de entrada, al menos una capa oculta y una
basada en datos más prometedora, es motivo de gran preocupación y se ha
capa de salida. Los MLPNN que involucran más de dos capas ocultas
demostrado que tiene un grado de éxito y confiabilidad en numerosas
generalmente se denominan DNN. Los nodos de cada capa están
materias y proyectos académicos (Hou et al., 2020; Khan y Yairi, 2018;
completamente conectados a los nodos de las capas adyacentes a través de
Srikanth y Arockiasamy , 2020; Zhu et al., 2017).
pesos. Los pesos entre los nodos se ajustarán continuamente mediante el
procedimiento de entrenamiento hasta que el error del modelo alcance el
mínimo. Hay una serie de algoritmos de entrenamiento alternativos para un
A principios de la década de 1990, se han estudiado diferentes temas en
entrenamiento eficiente, como el algoritmo de descenso de gradiente, el
el campo de la ingeniería de pavimentos utilizando ANN. Hausmann et al.
algoritmo de descenso de gradiente estocástico, el algoritmo de Levenberg
(1997) y Ceylan et al. (1998, 1999) desarrollaron modelos ANN como
Marquardt, etc. (Shrestha y Mahmood, 2019). En el proceso de entrenamiento,
herramientas alternativas de diseño de análisis para reducir la complejidad
la diferencia entre el objetivo y la predicción se puede cuantificar mediante la
de los programas de análisis de elementos finitos, prediciendo eficientemente
función de pérdida. Para diversas tareas de predicción, se pueden emplear
la tensión del pavimento bajo diferentes esquemas de diseño de estructuras. diferentes funciones de pérdida, incluida la pérdida cuadrática media, la
Attoh-Okine y Fekpe (1996), Najjar y Basheer (1997) y Zaman y Zhu (1998)
pérdida de entropía cruzada y la pérdida del coeficiente de dados para
utilizaron ANN para estimar la propiedad mecánica y la durabilidad de los
ajustarse al objetivo. Una vez que se completa el entrenamiento de MLPNN,
materiales del pavimento. Además de la exploración pionera en la estructura
la salida del modelo MLPNN se puede expresar mediante la fórmula
del pavimento y el diseño de materiales, la viabilidad de las redes neuronales
matemática específica. Por ejemplo, un MLPNN con una capa oculta y una
artificiales para el reconocimiento del deterioro del pavimento y la planificación
neurona de salida se puede convertir a la siguiente ecuación.
del mantenimiento se ha demostrado en investigaciones anteriores (Fwa y
Chan, 1993; Kaseko y Ritchie, 1993). En los últimos años, algunos estudios
se esforzaron por emplear ANN en diferentes etapas de la ingeniería de
Salida ¼ para BO þ X KWKfH BHK þ X Entrada Wii (1)
pavimentos, incluido el diseño de pavimentos (Ghorbani et al., 2020; i

Naderpour et al., 2018), la construcción (Androjic y Dola cek-Alduk, 2018 ;

Roxas et al. al., 2019), inspección y seguimiento (Tong et al., 2018; Zhang et donde fo y fH son las funciones de activación utilizadas en la capa de salida

al., 2017) y mantenimiento (Elbagalati et al., 2018; Hafez et al., 2019). y la capa oculta, BO y BH son el sesgo para la capa de salida y la capa

Hallazgos previos sobre la aplicación ANN en la ingeniería de pavimentos oculta, W es el peso entre los nodos, K es el número de nodos en la capa

sugieren su enorme potencial para un mayor desarrollo. oculta, e i es el número de las variables de entrada.

Si bien las MLPNN pueden describir las complicadas relaciones no

1.1. Clasificación de la red neuronal artificial
Inspirándose en el sistema nervioso humano, Rosenblatt (1958) creó el
perceptrón, que es la base de las primeras RNA. Las ANN basadas en
perceptrones generalmente consisten en varias capas de nodos. En las
décadas siguientes, la red neuronal recurrente (RNN) y la red neuronal
convolucional (CNN), también conocida como red neuronal profunda (DNN)
o red neuronal profunda
lineales entre las entradas y las salidas, ignora las interdependencias entre
las variables de entrada. Con este fin, RNN fue diseñado para resolver los
problemas de series de tiempo, como el pronóstico del tiempo y el
procesamiento de textos. Como se muestra en la Fig. 1, el despliegue de
RNN muestra que las neuronas en la capa oculta en el momento actual no
solo reciben la información de entrada actual, sino que también se ven
afectadas por la información anterior. Cada capa de desenrollado de RNN
tiene los mismos valores de peso, los cuales son entrenados en diferentes
momentos con
Machine Translated by Google

1002 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021

Fig. 1 e Clasificación de las RNA.

entradas relacionadas con el tiempo. Memoria de tiempo corto largo (LSTM)
(Hochreiter y Schmidhuber, 1997) y la unidad recurrente cerrada (GRU)
(Cho et al., 2014) son las implementaciones de la RNN.
En comparación con LSTM, GRU reduce el costo computacional manteniendo
el mismo rendimiento (Chung et al., 2014). En el campo de la ingeniería de
pavimentos, se ha demostrado que RNN puede capturar de manera efectiva
los patrones de deterioro del pavimento a partir de los datos de series
temporales.
CNN se desarrolló para extraer características de manera eficiente de
datos bidimensionales (2D), como imágenes (Krizhevsky et al., 2012). A
diferencia de las ANN y RNN que necesitan aplanar los datos 2D para su
posterior procesamiento, las CNN adoptan una serie de capas de convolución
y muestreo descendente para generar mapas de características que reflejan
la información clave en las imágenes. Durante la última década, las CNN
han logrado grandes logros en el campo de la visión artificial y el
reconocimiento de imágenes (Zhao et al., 2019).
Se han propuesto miles de arquitecturas de redes neuronales basadas en
CNN, como VGGNet (Simonyan y Zisserman, 2014), Resnet (He et al.,
2016) y U-net (Ronneberger et al., 2015), para la clasificación de objetos,
localización, segmentación semántica y segmentación de instancias en la
detección de imágenes (Fig. 2). La clasificación de deterioro del pavimento
y la localización generalmente se llevan a cabo mediante la integración de
capas de convolución y capas de conexión completas, mientras que las
tareas de segmentación se basan principalmente en la red neuronal
totalmente convolucional con codificador y decodificador.
secciones.
1.2. Motivación
Después de décadas de desarrollo, las ANN se han aplicado con éxito en
varios campos. Especialmente en los últimos años, con el surgimiento y el
impulso de las CNN, las DNN son cada vez más el modelo elegido en
muchos campos de aplicación, especialmente para tareas que requieren
mucha mano de obra. Como una herramienta extremadamente poderosa,
ANN puede proporcionar una nueva perspectiva para el desarrollo futuro de
la ingeniería de pavimentos.
Debido a los emocionantes éxitos de las ANN, se han llevado a cabo
una gran cantidad de investigaciones en términos del uso de redes
neuronales para mejorar el rendimiento del pavimento. Ceylán et al. (2014)
han resumido los hallazgos previos sobre la aplicación ANN en varias áreas
de la ingeniería de pavimentos.
Sin embargo, este trabajo solo se centró en temas específicos y no se
mantuvo al día con los nuevos desafíos y cambios.

Fig. 2 e Reconocimiento de imágenes. (a) Clasificación de objetos. (b) Localización de objetos. (c) Segmentación semántica. (d) Segmentación
de instancias (Liu et al., 2020a).
Machine Translated by Google

J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021 1003

situaciones considerando el auge del aprendizaje profundo a partir de 2012

Tabla 2 e Palabras clave utilizadas en la búsqueda bibliográfica.
(MIT Technology Review, 2013). En los últimos años, muchos académicos
han introducido y desarrollado con éxito nuevos métodos útiles basados en Categoría Palabra clave

DNN en el campo de la inspección y el control de la salud del pavimento. A Red neuronal artificial

Este interesante tema ha sido revisado varias veces por investigadores como red neuronal profunda
Red neuronal de convolución
Zakeri et al. (2017), Xu et al. (2019), Cao et al. (2020) y Hou et al.
Red neuronal recurrente
B Acera
(2020). Sin embargo, estos estudios de revisión de vanguardia se limitaron a Infraestructura vial
una aplicación específica, a saber, la detección de daños en la superficie del Curso base
pavimento basada en imágenes. Por lo tanto, existe una gran demanda de C diseño de materiales
una visión general completa de los logros, los principales desafíos y las Diseño de estructura
Construcción
tendencias futuras en este campo.
compactación
Análisis de costos
Este estudio tiene como objetivo realizar una revisión sistemática de la
Inspección
literatura sobre cómo se han utilizado las ANN en las diferentes etapas de la Detección de socorro
ingeniería de pavimentos, incluido el diseño, la construcción, la inspección y Predicción de rendimiento
el control del pavimento, y el mantenimiento. Los temas involucrados en este Mantenimiento y rehabilitación

documento se enumeran en la Tabla 1. Este estudio se centró en los artículos

publicados durante las últimas tres décadas, especialmente para los estudios
realizados desde 2013. Tal revisión puede proporcionar un análisis completo
y profundo para identificar los nuevos desafíos. y futuras direcciones de
investigación, que ayudan a los investigadores a descubrir dónde se aplica
esta nueva tecnología.
2. Método de recuperación de datos de literatura
Para lograr nuestro objetivo de investigación, se recopilaron los artículos
disponibles sobre la aplicación de ANN en la ingeniería de pavimentos.
Este artículo de revisión cubrió los artículos publicados en inglés entre enero
de 1992 y septiembre de 2020. Los datos de la literatura se recuperaron de
las siguientes bibliotecas digitales.
artículos relacionados, que se muestran en la Fig. 3. Se extrajo un total de
683 artículos de revistas y artículos de conferencias sobre este tema a partir
de datos de literatura sin procesar. La figura 4 muestra la distribución de
estos artículos en las últimas tres décadas. Se puede observar que el número
de trabajos publicados ha tenido un rápido crecimiento en los últimos diez
años. El menor número de publicaciones en 2020 se debe principalmente al
alcance de esta investigación, que no cubrió el período posterior a septiembre
de 2020. Entre los 683 artículos, la inspección y el monitoreo de pavimentos
atrajeron el mayor interés de investigación (59,9 %), seguido del diseño
( 20,5%), mantenimiento (13,3%) y construcción (6,3%). Además, encontramos
que Kasthurirangan Gopalakrishnan, Halil Ceylan, Sunghwan Kim, Kelvin CP
Wang, Allen Zhang y otros son los académicos más activos en este campo.
Dada la gran cantidad de trabajos de investigación existentes, no es práctico
analizarlos todos sistemáticamente. Por lo tanto, se utilizaron los siguientes
criterios para seleccionar los artículos para una revisión en profundidad.

Web de la Ciencia.
Science Direct.
Exploración IEEE.

Registro de Investigación de Transporte (TRR).
Los principales descriptores utilizados en la búsqueda bibliográfica se
generaron mediante la combinación de diferentes palabras clave (Tabla 2).
Después de buscar las palabras clave prescritas en las bases de datos
seleccionadas, se adoptaron los siguientes cinco pasos para identificar
Tabla 1 e Temas principales involucrados en este documento.
Se seleccionaron preferentemente los artículos con temas de investigación
candentes, como el aprendizaje profundo, el reconocimiento de imágenes
y la anotación de datos novedosos y la tecnología de aumento.
Los artículos con contribuciones significativas fueron seleccionados en
función de las citas, el tiempo de publicación, la novedad de los métodos
de investigación y el tamaño y la calidad de los datos.
Los artículos de revistas fueron preferidos a los artículos de congresos
bajo la premisa de la misma calidad.

Etapa principal Sub-tema
Diseño de pavimento
Construcción de pavimento
Inspección y seguimiento de
Con base en estos criterios, los autores seleccionaron un total de 143
artículos, que se revisarán exhaustivamente en el resto del artículo.
Diseño de estructura
Diseño de mezclas asfálticas
diseño de hormigón de cemento
Trabajabilidad y control de calidad.
Evaluación del desempeño en campo
3. Aplicación de ANN en el diseño de pavimentos
Análisis de costos
Clasificación de deterioro superficial

pavimentos Localización de fallas en la superficie El diseño de pavimento involucra las complejas interacciones entre el
Segmentación de deterioro superficial material, la estructura, la carga y el entorno. El procedimiento de diseño
Inspección de estructuras tradicional se basa en ingenieros experimentados y cálculos complicados.
Mantenimiento de pavimentos Evaluación del desempeño Con los datos de investigación en ingeniería de pavimentos cada vez más
Predicción de rendimiento accesibles, los investigadores han intentado generar y evaluar esquemas de
Planificación de mantenimiento
diseño utilizando
Machine Translated by Google

1004 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021

Fig. 3 e Proceso de búsqueda y procesamiento de la literatura.

Fig. 4 e Resultados de la búsqueda de literatura.

ANN. Como herramienta alternativa eficaz, las ANN han comenzado a cambiar el
procedimiento de diseño. A través de la revisión de la literatura, se identificaron tres
puntos críticos de investigación en la etapa de diseño de pavimentos: diseño de
estructuras, predicción del rendimiento de la mezcla asfáltica y predicción del
rendimiento del hormigón de cemento.
3.1. Diseño de estructura
Los datos de carga de tráfico son uno de los elementos clave necesarios para el diseño
de la estructura del pavimento. La carga por eje simple equivalente (ESAL) se usa
ampliamente para reflejar el nivel de carga del tráfico, que convierte diferentes tipos de
carga del vehículo en una carga por eje común (AASHTO, 1993). La clasificación
precisa de los vehículos es la base para estimar el número de ESAL. Kwigizile et al.
(2005)
desarrolló una red neuronal probabilística basada en el clasificador clásico de Bayes
para clasificar los vehículos según el número de ejes, el espacio entre ejes, la longitud
del vehículo y el peso total del vehículo. Los datos reales del terreno de este estudio
se obtuvieron mediante clasificación visual. Para integrar la influencia del tipo de rueda
(simple y doble) en el cálculo de ESAL, Amorim et al. (2015) presentaron un MLPNN
con dos capas ocultas para determinar el coeficiente de influencia de diferentes
configuraciones de ejes. Dado que la ecuación mecánico-empírica existente es
demasiado compleja para la estimación del ESAL de diseño, Tigdemir (2014) estableció
una relación directa entre el ESAL de diseño y la constitución del pavimento utilizando
MLPNN. La estimación precisa de ESAL puede proporcionar información confiable de
carga de tráfico para el análisis de estructuras.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Tabla 3 e Comparación de diferentes arquitecturas ANN utilizadas en la predicción del rendimiento de mezclas asfálticas.
Referencia Predicción
El-Badawy et al. (2018) módulo dinámico
Seitllari et al. (2019) módulo dinámico
Moussa y Owais (2020) módulo dinámico
Tapkin (2014) Vida fatigada
Moghaddam et al. (2016) Vida fatigada
Wang et al. (2018) Vida fatigada
Ziari y Divandari (2013) Número de flujo
Moghaddam et al. (2015) Deformación permanente acumulativa
Oeser y Freitag (2016) Comportamiento tensión-deformación-tiempo
Mirabdolazimi y profundidad de bacheo
Shafabajsh (2017)
Majidifard et al. (2019) Energía de fractura
Otro desafío en el diseño de estructuras de pavimentos es el enorme
Cálculos complicados y lentos para el pavimento.
análisis de respuesta. Para superar esta dificultad, algunos estudios recientes
hizo esfuerzos para emplear el MLPNN computacionalmente eficiente
modelos para reemplazar el análisis de elementos finitos (FE). Fakhri y
Ghanizadeh (2014) desarrolló un marco basado en MLPNN y
respuesta que describe la función para determinar la magnitud y
forma del pulso de respuesta tridimensional (3D) en la parte inferior
de la capa de asfalto, que proporcionó la base para el pavimento
diseño incluyendo el espesor y la rigidez de las capas. para mejorar la
capacidad de generalización del modelo, Ziyadi y Al-Qadi (2017)
propuso un modelo MLPNN que incorpora una técnica de validación cruzada
k-fold para investigar el efecto de la base amplia
neumáticos sobre las respuestas del pavimento de asfalto, que predijo con precisión
las once respuestas críticas del pavimento simuladas por el modelo
tridimensional FE (3D-FE). En el diseño de pavimentos rígidos para aeropuertos,
Se ha demostrado que los modelos MLPNN tienen un gran potencial para
predicción precisa del estrés en poco tiempo (Kaya et al., 2017,
2018b). Sin embargo, estos estudios solo intentan usar MLPNN con
una sola capa oculta para predecir los resultados del cálculo de FE.
Para involucrar más factores que influyen en la respuesta del pavimento,
Se han aplicado redes neuronales más profundas para describir la
relación no lineal entre las entradas y salidas.
Ceylán et al. (1999) utilizó un MLPNN con dos capas ocultas para
predecir los esfuerzos máximos de flexión y el máximo
deflexión vertical en los pavimentos de hormigón articulado del aeródromo.
Los resultados implicaron que el error cuadrático medio disminuye
con el aumento de los parámetros de la red. Mediante
optimización de la arquitectura de red, Rezaei-Tarahomi
et al. (2019) desarrollaron MLPNN con un número diferente de
capas ocultas y neuronas bajo diferentes casos para predecir
las respuestas críticas del pavimento asociadas con la top-down
falla de agrietamiento. Sobre la base de este estudio, Rezaei-Tarahomi
et al. (2020) intentó varias arquitecturas MLPNN y
algoritmos de entrenamiento para predecir con precisión el máximo
máxima tensión de tracción producida por 156 aviones diferentes. General,
se debe determinar la escala de la red neuronal
según la complejidad de los problemas.
3.2. Predicción del rendimiento de mezclas asfálticas
Una aplicación importante de las técnicas ANN en la etapa de diseño de
pavimentos es la predicción del comportamiento del material,
1005
Material arquitectura RNA
HMA MLPNN de dos capas ocultas
Envejecimiento HMA MLPNN de una capa oculta
HMA CNN
Ceniza volante modificada HMA MLPNN de tres capas ocultas
Tereftalato de polietileno MLPNN de una capa oculta
HMA modificado
HMA emulsionado con cemento MLPNN de dos capas ocultas
HMA MLPNN de una capa oculta
Tereftalato de polietileno Neurodifuso adaptativo
HMA modificado red neuronal
HMA RNN con dos capas ocultas
HMA modificado con fibra Forta MLPNN de tres capas ocultas
HMA MLPNN de tres capas ocultas
especialmente para mezclas asfálticas modificadas. Tabla 3
resume algunos estudios recientes sobre la mezcla asfáltica
predicción del rendimiento utilizando diferentes arquitecturas ANN.
Hay varias propiedades materiales que atraen grandes
interés en estos estudios, incluido el módulo dinámico,
rendimiento de fatiga y rendimiento de ahuellamiento.
Mientras que el módulo dinámico es una propiedad fundamental para
mezcla asfáltica, se basa en costosos equipos avanzados para
prueba para que no esté fácilmente disponible. Para las mezclas asfálticas
diseño y optimización, se requiere probar las tremendas mezclas con
diferentes componentes para obtener la dinámica
módulo. Por lo tanto, es laborioso y costoso para cada
investigación experimental. Para mejorar la eficiencia, Kaya
et al. (2018a) desarrolló un módulo dinámico basado en MLPNN
modelos de predicción para mezcla asfáltica en caliente (HMA) y mezcla en caliente
mezclas asfálticas (WMA), en las que la granulometría de los áridos,
Se consideraron las propiedades del asfalto y las propiedades volumétricas.
Seitllari et al. (2019) estimaron los cambios del módulo dinámico
de mezcla asfáltica envejecida utilizando MLPNN con una capa oculta.
Mientras tanto, los modelos MLPNN de dos capas ocultas también fueron
utilizado para predecir el módulo dinámico HMA (Barugahare
et al., 2020; El-Badawy et al., 2018). Además de usar
MLPNN, Moussa y Owais (2020) propusieron una CNN profunda
modelo con seis bloques de convolución para módulo dinámico HMA
predicción. El bloque de convolución constaba de
capas de convolución, capas de normalización por lotes (BN) y ReLU
capas de activación. Sin embargo, existe un riesgo potencial de sobreajuste
cuando los datos experimentales son muy limitados.
El comportamiento a fatiga de las mezclas asfálticas se ve afectado por
diversos factores, como el comportamiento del material, el entorno climático
y la carga del tráfico. Con el impulso de las ANN, algunos
Los estudios se han esforzado por desarrollar el rendimiento de la fatiga.
modelos de predicción para diferentes tipos de mezclas asfálticas.
Moghaddam et al. (2016) adoptó varios métodos de aprendizaje automático
métodos que incluyen MLPNN para predecir la vida de fatiga de
mezclas asfálticas modificadas con tereftalato de polietileno,
que probó la factibilidad del uso de la red neuronal
para la predicción de la vida a la fatiga. Para la optimización de la MLPNN
arquitecturas, Tapkin (2014) intentó MLPNN con uno,
dos y tres capas ocultas para determinar la vida de fatiga de
mezclas asfálticas densas modificadas con cenizas volantes. Para considerar
los diferentes modos de prueba de vida a la fatiga, Ahmed et al. (2017)
desarrolló dos tipos de modelos MLPNN para la vida a fatiga
Machine Translated by Google
1006 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
predicción de HMA con las pruebas controladas por deformación y las
pruebas controladas por tensión. Los resultados indicaron que la precisión de
predicción del modelo de prueba de deformación funcionó mejor que la del
modelo de prueba de tensión.
El rendimiento de formación de surcos es uno de los indicadores
importantes para el diseño de mezclas asfálticas. Con el fin de reducir las
pruebas que consumen mucho tiempo, varios estudios se centraron
gradualmente en la aplicación de ANN en la predicción del rendimiento de
formación de surcos (Hussan et al., 2019; Shafabakhsh et al., 2015).
Mirzahosseini et al. (2011) y Ziari y Divandari (2013) aplicaron MLPNN para
evaluar el potencial de formación de surcos de las mezclas de asfalto y
agregados, lo que correlacionó el número de flujo de la muestra Marshall con
el contenido de asfalto, las gradaciones de los agregados y las propiedades
volumétricas de la mezcla. Teniendo en cuenta los patrones de carga
variables, Hafeez (2018) investigó el efecto de la carga de forma de onda, los
niveles de velocidad del camión y la duración del pulso de carga en la
deformación permanente de la mezcla asfáltica utilizando MLPNN.
Para mezclas asfálticas modificadas, Moghaddam et al. (2015) propusieron
una red neuronal de inferencia neuro-difusa adaptativa para predecir la
deformación permanente acumulada de las mezclas asfálticas modificadas
con tereftalato de polietileno.
A través de experimentos numéricos con 1000 MLPNN, Mirabdolazimi y
Shafabakhsh (2017) identificaron la mejor MLPNN de tres capas ocultas para
la predicción de la profundidad de surco de las mezclas de asfalto modificado
con fibra forta.
3.3. Predicción del rendimiento del hormigón de cemento
Los materiales de hormigón modernos requieren alta durabilidad y resistencia
para un servicio de larga duración. Es crucial desarrollar nuevos materiales y
optimizar la proporción de la mezcla para mejorar el desempeño del concreto.
Para lograr una predicción precisa de la resistencia a la flexión y compresión,
Fakhri et al. (2017) propusieron una red neuronal evolucionada de algoritmo
genético (GA) para estimar las características del pavimento de hormigón
compactado con rodillo (RCCP) con diferentes composiciones.
El AG se aplicó en el proceso de formación de la red. Además, se realizó el
análisis de sensibilidad para identificar el contenido efectivo para cemento,
pavimento asfáltico recuperado (RAP) y caucho. A diferencia del método
anterior de integración de GA, Liu et al. (2020b) primero obtuvieron un modelo
de predicción de resistencia a la compresión para compuestos cementosos
reforzados con fibra de alcohol polivinílico (PVA) que contenían nano-SiO2
utilizando MLPNN, y luego aplicaron GA en la optimización de la proporción
de mezcla de los materiales compuestos para maximizar la resistencia a la
compresión. GA, como algoritmo de optimización, se integró ampliamente en
el desarrollo de MLPNN.
La permeabilidad es uno de los factores clave que influyen en la
durabilidad a largo plazo del hormigón. Algunos estudios han adoptado
diferentes métodos para medir la permeabilidad del hormigón, como la prueba
rápida de permeabilidad al cloruro (RCPT) y la prueba de ebullición (BT). Con
base en estos resultados experimentales, diferentes arquitecturas ANN
predijeron la permeabilidad del concreto (Yasarer y Najjar, 2011, 2012, 2014).
Dado que la retracción del concreto puede inducir grietas, lo que lleva a la
infiltración de sustancias corrosivas, también es de gran preocupación para la
predicción efectiva de la retracción del concreto. Bal y Buyle-Bodin (2013)
desarrollaron un modelo MLPNN con dos capas ocultas para predecir de
manera efectiva la deformación por contracción por secado del concreto,
analizando más a fondo el efecto de los parámetros de entrada en la
contracción a diferentes edades. Liu et al. (2016a) estimaron la
retracción autógena de mezclas de concreto utilizando MLPNN y máquina de
vectores de soporte (SVM), en las que se consideró la proporción de material,
la temperatura de curado y la edad de hidratación. Utilizando variables de
entrada similares a las del estudio anterior, Garoosiha et al. (2019) evaluaron
el desempeño de MLPNN con diferentes arquitecturas y algoritmos de
entrenamiento en la predicción de la contracción del concreto. En general,
MLPNN es una herramienta eficaz y eficiente para reflejar relaciones no
lineales complicadas entre el rendimiento y la composición del material, que
es aplicable a la mayoría de los diseños de materiales de pavimento.
Sin embargo, MLPNN es fácil de sobreajustar cuando se maneja un pequeño
conjunto de datos experimentales. La arquitectura MLPNN debe diseñarse de
manera elaborada para que coincida con la complejidad de los datos. Además,
dado que el desempeño material involucra varios factores, es crítico optimizar
las variables de entrada de la MLPNN para aprender conocimiento efectivo.
4. Aplicación de ANN en la construcción
de pavimentos
En comparación con las otras tres etapas, menos estudiosos se centraron en
la aplicación de ANN en el proceso de construcción de pavimentos. A través
de la revisión de la literatura, se identificaron tres temas, que incluyen la
calidad de la construcción del pavimento, el rendimiento del campo del
material y el costo y el consumo de energía. Los estudios específicos serán
revisados en esta sección.
El control de calidad de la compactación tiene efectos significativos en el
deterioro del pavimento asfáltico. Una tecnología prometedora es el control
de la compactación en tiempo real basado en el rodillo inteligente.
Al integrar ANN en el analizador de compactación de asfalto, Commuri y
Zaman (2008) realizaron una clasificación automatizada del nivel de
compactación del pavimento, que extrajo las características clave de las
señales de vibración como entradas de ANN. Sobre esta base, se desarrolló
un MLPNN más profundo con dos capas ocultas para estimar la rigidez de la
subrasante durante la compactación (Imran et al., 2018). Este estudio calibró
la salida ANN (es decir, cuatro niveles de rigidez diferentes) para obtener el
módulo continuo de la subrasante. Para el proceso de construcción de
pavimentos de hormigón, el asentamiento del hormigón juega un papel
importante en la trabajabilidad de la construcción. Oztas et al. (2006)
€
exploraron la aplicabilidad de las ANN para predecir el asentamiento del de
‚ concreto
alta resistencia, que utilizó la proporción de la mezcla y el contenido de
aditivos como entradas del modelo. Chandwani et al. (2015) desarrollaron un
modelo MLPNN que incorpora GA para modelar la relación entre el
asentamiento del concreto premezclado y diferentes proporciones de mezcla
de diseño, lo que mejoró la velocidad de convergencia y la precisión de
predicción del modelo MLPNN mediante el uso de GA para la optimización
del peso del modelo. Además de la predicción de la trabajabilidad de la
construcción, el rendimiento del campo del material, como el módulo resiliente
del suelo de la subrasante y la resistencia del material granular, también es
de gran importancia para la calidad del pavimento.
El módulo de resiliencia del suelo de la subrasante no solo se ve afectado
por la propiedad rutinaria del suelo, sino que también cambia según las
condiciones ambientales. Entre varias técnicas estadísticas, las ANN se
destacan en la predicción del módulo resiliente (Khasawneh y Al-jamal, 2019;
Saha et al., 2018). Nazzal y Tatari (2013) aplicaron un modelo MLPNN de
una capa oculta para estimar el módulo resiliente de la subrasante en función
del índice del suelo.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
propiedades. Para mejorar la precisión de la predicción, se utilizó GA en este
estudio para seleccionar variables de entrada para minimizar los errores del
modelo. Dado que el contenido de humedad del suelo y
la temperatura varía con las estaciones, Zhang y Yu (2018) estimaron el módulo
elástico de la subrasante en diferentes estaciones utilizando un MLPNN de dos
capas ocultas. Además, algunos estudios midieron la resistencia de los suelos de
la subrasante y los materiales granulares no ligados por la relación de carga de
California (CBR) y aplicaron ANN para predecir los resultados de las pruebas de
campo (Attoh-Okine y Fekpe, 1996; Ghorbani y Hasanzadehshooiili, 2018).
La evaluación del costo de construcción y el consumo de energía es una
sección esencial para el control de costos y el ajuste del cronograma del proyecto.
El costo de construcción se ve afectado por el material, la mano de obra, el
equipo, etc. Kaiser et al. (2005) utilizaron MLPNN para relacionar el costo total de
construcción con las características de la construcción y el contrato, lo que
capturó con precisión las tendencias de costos de construcción. Él et al. (2014)
desarrollaron un MLPNN con una entrada integral de posibles factores de
influencia, incluidos factores de ubicación, factores de recursos y factores
relacionados con el tiempo, para predecir el costo de la construcción del
pavimento. Para la selección razonable de variables de entrada, Roxas et al.
(2019) realizaron un análisis de correlación para optimizar las entradas de
MLPNN. Con el crecimiento de los requisitos ambientales, el consumo de energía
también es una preocupación en el proceso de construcción. Androjic y Dola cek-
Alduk (2018) utilizaron MLPNN para predecir el consumo de gas natural en el
proceso de producción de HMA, que consideró la influencia de diferentes tipos de
mezcla asfáltica, contenido de humedad, capacidad horaria y temperatura de
producción. Mientras tanto, la temperatura del agregado es uno de los factores
importantes que influyen en el consumo de energía en la producción de HMA.
Andrójic et al. (2019) propusieron un modelo MLPNN con dos capas ocultas para
estimar la temperatura de las pilas de áridos. En este estudio se tuvieron en
cuenta los diferentes enfoques de las reservas de áridos (es decir, una reserva
de áridos descubierta estándar y una reserva de áridos solares). En resumen,
MLPNN es la arquitectura ANN más utilizada en la etapa de construcción de
pavimentos. Para otros tipos de ANN, como CNN para el reconocimiento de
imágenes, existen pocas aplicaciones exitosas en la construcción inteligente de
pavimentos. Es prometedor integrar varias ANN en la seguridad y gestión de la
construcción de pavimentos.
5. Aplicaciones de ANN en inspección y monitoreo de
pavimentos
Además de la exposición al entorno natural, se espera que los pavimentos
soporten una cantidad sustancial de carga de tráfico durante la etapa de operación.
Para mantener el pavimento en buenas condiciones, es imperativo que las
agencias viales evalúen de manera efectiva el estado del pavimento para organizar
el mantenimiento adecuado. A partir de la revisión de la literatura, la detección de
fallas en la superficie del pavimento se basa principalmente en imágenes que
incluyen imágenes 2D, imágenes 3D e imágenes térmicas, mientras que la
inspección de la estructura se basa en datos del radar de penetración en el suelo
(GPR) o del deflectómetro de caída de peso (FWD). Dadas las diferentes
características de los datos de varios sensores, se han aplicado diferentes
arquitecturas ANN para abordar problemas prácticos.
1007
5.1. Clasificación de deterioro de la superficie del pavimento
La clasificación de deterioro de la superficie del pavimento, cuyo objetivo es
reconocer automáticamente el tipo de deterioro en cada imagen de la superficie,
ha sido un tema de investigación activo desde la década de 1990. Con el
desarrollo del aprendizaje profundo, los métodos de clasificación basados en
ANN han cambiado significativamente. En general, los métodos de clasificación
del deterioro del pavimento se pueden dividir en dos marcos principales, a saber,
el marco de clasificación semiautomático con extracción de características
predefinidas y el marco de clasificación automatizado con extracción de
características activa (Fig. 5).
Antes del surgimiento del aprendizaje profundo, la clasificación de deterioro
de la superficie del pavimento se basaba principalmente en MLPNN. El mayor
desafío para los métodos de clasificación basados en MLPNN fue la extracción
de características de la imagen. Con este fin, se adoptaron una serie de técnicas
de extracción de características predefinidas basadas en el procesamiento de
imágenes para extraer las características clave de la imagen como entradas de la MLPNN.
Chou et al. (1994) utilizó un MLPNN de tres capas para clasificar los diferentes
tipos de deterioro del pavimento. El modelo recibió invariantes de momento
calculados a partir de diferentes tipos de angustia como entradas. Para reducir la
información redundante, Xu et al. (2008) propusieron dos parámetros
característicos (tasa de agrietamiento y rectángulo externo mínimo de la grieta)
para reflejar la información útil en las imágenes de grietas. En función de los
parámetros de características predefinidos, se construyó un MLPNN para distinguir
la grieta de cocodrilo y la grieta lineal. Teniendo en cuenta las diferentes
características de varios tipos de problemas, se introdujo la distribución de
mosaicos de problemas para proporcionar características efectivas para los
clasificadores MLPNN (Salari y Bao, 2011; Salari y Yu, 2011; Yu y Salari, 2011).
Si bien la clasificación de deterioro del pavimento se puede completar utilizando
el marco de clasificación semiautomático, es vulnerable a los enfoques de
extracción de características predefinidos, lo que lleva a la inaplicabilidad en
circunstancias cambiantes.
En los últimos años, CNN ha demostrado ser altamente competitiva en la
clasificación de imágenes, que se usa ampliamente en el marco de clasificación
automatizada. La característica más prometedora de CNN es la ingeniería de
características automatizada, de modo que pueda autoadaptarse para diversas
tareas de clasificación. Usando las imágenes capturadas por una cámara de caja
negra de automóvil, Park et al. (2019) intentaron diferentes arquitecturas de CNN
con diferentes capas de convolución y tamaños de filtro para clasificar los
elementos de cada superficie de la carretera en tres categorías, incluidas las
grietas, las marcas viales y el área intacta.
Basado en el método de aprendizaje por transferencia, Yang et al. (2020a)
utilizaron una red de grupo de geometría visual (VGG) que conectaba un MLPNN
para la clasificación automatizada de grietas, lo que logró una alta precisión en
conjuntos de datos públicos. Con el fin de mejorar aún más el rendimiento de los
clasificadores basados en CNN, se utilizaron imágenes de socorro en 3D para
mejorar la función de socorro y reducir los ruidos. Luego, se investigaron diferentes
tamaños de campos receptivos para seleccionar los hiperparámetros óptimos
para las CNN (Li et al., 2020; Zhou y Song, 2020). Puede estar seguro de que el
marco de clasificación automatizado basado en CNN puede
lograr una precisión perfecta bajo la premisa de suficientes datos etiquetados. Sin
embargo, estudios recientes están más interesados en la localización y
segmentación de la angustia.
5.2. Localización de fallas en la superficie del pavimento
La localización del deterioro de la superficie del pavimento tiene como objetivo determinar la
ubicación del objeto detectado en la imagen. Hay dos
Machine Translated by Google

1008 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021

Fig. 5 e Marco de clasificación de deterioro de la superficie del pavimento. (a) Marco de clasificación semiautomático con extracción de características
predefinidas. (b) Marco de clasificación automatizado con extracción de características activas (Yang et al., 2020a).

métodos de localización basados en CNN disponibles para este problema,
es decir, CNN basados en propuestas regionales (método de dos etapas)
y CNN de extremo a extremo (método de una etapa). Las CNN basadas
en propuestas regionales, como las CNN basadas en regiones (R-CNN)
(Girshick et al., 2014), las R-CNN rápidas (Girshick, 2015) y las R-CNN
más rápidas (Ren et al., 2016), dependen en la región de interés (ROI)
para completar la clasificación y localización de objetos. Para lograr mucho más rápido
localización, se propusieron CNN de extremo a extremo para predecir
directamente la ubicación del objeto, como solo mirar una vez (YOLO)
(Redmon et al., 2016) y detector multibox (SSD) de disparo único
(Liu et al., 2016b). Estos métodos se han aplicado con éxito en la
localización de fallas en la superficie del pavimento (Fig. 6).
Si bien R-CNN se introdujo para la localización de objetos desde 2014,
no fue diseñado para problemas en el pavimento.
detección originalmente. En los últimos años, se adoptó R-CNN más rápido,
que se desarrolló a partir de R-CNN, para la detección de fallas en el
pavimento. Huyan et al. (2019) desarrolló un CrackDN basado en una
arquitectura R-CNN más rápida para detectar señales selladas y no selladas.
grietas bajo fondos viales complejos, que consideraron las influencias de
iluminaciones, marcas y sombras desequilibradas. Además de la aplicación
en la detección de grietas, Song y Wang (2019) utilizaron R-CNN más
rápido para localizar varias fallas en el pavimento, incluidas grietas, baches,
sangrado de aceite y superficie de puntos de forma autónoma. Sin embargo,
las CNN basadas en propuestas regionales, incluso utilizando R-CNN más
rápidas, no pudieron satisfacer la demanda de localización en tiempo real
(Ibragimov et al., 2020).
En comparación con R-CNN más rápido, la arquitectura YOLO se usa
más ampliamente en la localización de fallas en el pavimento debido a su
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Fig. 6 e Red de detección de objetos. (a) Arquitectura R-CNN más rápida (Hui, 2018). (b) Arquitectura YOLO v3 (Du et al., 2020).
eficiencia computacional sobresaliente (Dhiman y Klette, 2020; Mandal et al., 2018;
Majidifard et al., 2020). Du et al. (2020) realizaron una comparación entre R-CNN
más rápido y YOLO versión 3 (v3) para evaluar el rendimiento de detección de
deterioro del pavimento en términos de precisión de localización y velocidad de
procesamiento. Los resultados mostraron que YOLO v3 es 9 veces más rápido que
R-CNN más rápido y mantiene la misma precisión. Para llegar a un compromiso
entre precisión y velocidad, Ukhwah et al. (2019) adoptó múltiples arquitecturas
YOLO con diferentes redes troncales, incluidas YOLO v3, YOLO v3 tiny y YOLO v3
agrupamiento piramidal espacial (SPP). Además, SSD también se usó para la
detección rápida de fallas en el pavimento con un bajo esfuerzo computacional.
Maeda et al. (2018) desarrollaron un programa de aplicación para teléfonos
inteligentes que incorpora arquitectura SSD para la detección de daños en la
carretera, que logró un tiempo de inferencia de 1,5 s por imagen en un teléfono
inteligente. Este estudio demostró la viabilidad de aplicar el aprendizaje profundo
para localizar fallas en el pavimento en dispositivos móviles. Utilizando imágenes
térmicas, Gupta et al. (2020) desarrolló un sistema automatizado
1009
Sistema de detección de baches basado en arquitectura ResNet34-SSD modificada
para detectar baches.
Los métodos de localización basados en CNN se mostraron muy prometedores
en la detección de fallas en el pavimento, lo que logró una precisión satisfactoria
así como una alta velocidad de procesamiento. Sin embargo, el inconveniente de
los métodos actuales es el requisito de gran tamaño de los datos. Los conjuntos
de datos utilizados en el entrenamiento del modelo deben cubrir una variedad de
circunstancias para mejorar la solidez.
5.3. Segmentación de deterioro de la superficie del pavimento
La segmentación del deterioro de la superficie del pavimento se puede ver como
una localización del deterioro a nivel de píxel, cuyo objetivo es separar los píxeles
del deterioro del fondo. La arquitectura CNN utilizada para tareas de segmentación
generalmente consta de una sección de muestreo descendente y una sección de
muestreo ascendente para extraer características y recuperar información. La tabla
4 resume la prueba
resultado de los métodos existentes en el conjunto de datos de CrackForest (CFD).
Basado en la red de convolución completa (FCN), algunos
Machine Translated by Google
1010 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Tabla 4 e Resultados de la prueba en el conjunto de datos CFD.
Referencia arquitectura RNA Puntuación F1
Jenkins et al. (2018) U-red 0.8727
Nguyen et al. (2018) U-red 0.8745
Fey et al. (2020) CrackNet-V 0.8918
Mei y Gul (2020) ConnCrack 0.9196
Fan et al. (2018) CNN 0.9244
Zhang et al. (2020a) Redes de atención dividida 0.9521
Lau et al. (2020) U-red 0.9555
U-red 0.9575
Liu et al. (2020a)
los estudios hicieron esfuerzos para desarrollar la angustia del pavimento automatizada
algoritmos de segmentación para imágenes 2D (Bang et al., 2019;
Chen et al., 2020; Ren et al., 2020).
Liu et al. (2019) propusieron una CNN jerárquica profunda basada en
FCN y las redes de supervisión profunda (DSN) para integrar funciones de escala
múltiple y nivel múltiple para la segmentación a nivel de píxel.
Del mismo modo, Yang et al. (2020b) diseñó una nueva arquitectura FCN,
llamada pirámide de características y red de refuerzo jerárquica
(FPHBN), para la segmentación de grietas en el pavimento, que integró
información semántica de capas de alto nivel para enriquecer la característica de bajo
nivel. Para incorporar la incertidumbre en las características,
Tong et al. (2020a) desarrolló un marco de incertidumbre basado
en FCN y campo aleatorio condicional gaussiano (G-CRF) para
segmentación de defectos de pavimento. En este marco, G-CRF es
utilizado para refinar la segmentación generada por FCN. Tiempo
El uso de FCN basado en imágenes 2D es una forma simple y de bajo costo para
detección de fallas en el pavimento, su precisión de segmentación es
muy afectado por las condiciones ambientales (p. ej., sombra,
color de la superficie y la intensidad de la iluminación), especialmente para los pequeños
Detección de grietas en el pavimento.
En comparación con las imágenes 2D, las imágenes 3D son menos vulnerables a
cambios ambientales, proporcionando información más útil como
así como menos ruidos para la segmentación de socorro (Li et al.,
2019; Zhang et al., 2018; Zhou y Song, 2020). algunos eruditos
han combinado el aprendizaje profundo y la técnica de imágenes en 3D
para la segmentación de grietas. Zhang et al. (2017) desarrollaron un
arquitectura CNN eficiente llamada CrackNet para nivel de píxel
detección de grietas en el pavimento, que reemplazó las capas de agrupación por
capas de convolución con pasos más grandes. Inspirado en CrackNet,
Fey et al. (2020) propusieron una arquitectura más profunda CrackNet-V para
segmentación de grietas en el pavimento en imágenes de pavimento asfáltico en 3D.
Mediante el apilamiento de capas de convolución, CrackNet-V redujo
los parámetros mientras lograba una extracción de características efectiva. En
Fig. 7 e Segmentación de deterioro del pavimento basada en el método de dos pasos (Kang et al., 2020). (a) Etapa de detección de objetos (ejemplo
1). (b) Etapa de segmentación (ejemplo 1). (c) Etapa de detección de objetos (ejemplo 2). (d) Etapa de segmentación (ejemplo 2).
Además de CNN, se intentó RNN para la segmentación de grietas.
Zhang et al. (2019) propusieron una arquitectura RNN CrackNet-R
basado en perceptrón multicapa recurrente controlado (GRMLP) para
realizar la segmentación de grietas. Esta red es cuatro veces
más rápido que el CrackNet original. Sin embargo, estos estudios
necesitan miles de imágenes 3D para el entrenamiento de modelos, lo cual es
caro en la adquisición y anotación de imágenes 3D.
Dadas las limitaciones de los datos de entrenamiento, la arquitectura U-net fue
utilizado para completar tareas de segmentación de grietas con un tamaño mucho más pequeño
€
conjunto de entrenamiento. König et al. (2019) desarrolló una arquitectura basada en
red U de convolución completa utilizando tres capas de conexión de acceso directo
para la segmentación semántica de grietas, que permite el uso de
pequeños conjuntos de datos. Huyan et al. (2020) modificó U-net para desarrollar un
arquitectura de detección de grietas por píxeles CrackU-net, que
superó en gran medida tanto a FCN como a U-net tradicional en términos
de precisión Para reducir los esfuerzos computacionales, Chen et al.
(2019) introdujo un módulo de conmutación en U-net, que puede omitir
la sección del decodificador para ahorrar tiempo de cálculo cuando no hay grietas
identificado. Además, Pereira et al. (2019) desarrollar un camino
sistema de monitoreo de condición que incorpora U-net para baches
segmentación. Sin embargo, la mayoría de los estudios se centraron en el crack.
segmentación ignorando la aplicación en otros tipos de
angustias del pavimento.
A diferencia de la localización de fallas en el pavimento, es difícil
lograr una segmentación de socorro en tiempo real debido a su alta
costes computacionales. Por lo tanto, como se muestra en la Fig. 7, varios
estudios propusieron un método de segmentación de dos pasos para
mejorar la velocidad de procesamiento (Kang et al., 2020; Liu et al.,
2020a). En este marco, la segmentación del deterioro del pavimento
se llevó a cabo dentro del cuadro delimitador generado por el
localización, lo que reduce el tiempo de cálculo empleado en
áreas sin peligro. Este trabajo brindó una nueva perspectiva
para una rápida segmentación del deterioro del pavimento.
5.4. Inspección de estructura de pavimento
Los métodos de ensayo no destructivos (END) han sido ampliamente
empleados para evaluar el estado de la estructura del pavimento.
Entre varios enfoques de inspección de la estructura del pavimento,
FWD y GPR son dos equipos de prueba comunes para la rápida
y recopilación de datos de alta frecuencia. Después de adquirir el
prueba de datos, varios métodos de minería de datos se pueden utilizar para
extraer información útil para evaluar la estructura del pavimento
salud. ANN, como una herramienta efectiva, se aplica para estimar la
deflexión del pavimento, así como las condiciones de interfaz.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
El cálculo retrospectivo del módulo del pavimento es una técnica crítica
para evaluar la salud de la estructura del pavimento utilizando los parámetros
del cuenco de deflexión FWD. Con base en las mediciones de FWD y los
espesores de las capas, muchos estudios utilizaron MLPNN para predecir el
módulo de la capa de concreto asfáltico, la base y la subrasante
(Gopalakrishnan et al., 2013; Leiva-Villacorta et al., 2017; Mousa et al., 2019;
Saric y Pozder, 2018). Gopalakrishnan (2010, 2012) y Gopalakrishnan y Kim
(2010) integraron varios algoritmos de optimización, incluida la optimización
de enjambre de partículas (PSO), la evolución compleja barajada (SCE) y
modelos GA con MLPNN para predecir el módulo de la capa de pavimento,
proporcionando un novedoso sistema híbrido de retrocálculo. .
Para proporcionar un enfoque simple para la evaluación de la estructura del
pavimento, Fakhri y Dezfoulian (2019) y Lee et al. (2019a) utilizaron MLPNN
para establecer una relación entre las condiciones de la superficie del
pavimento y las deflexiones FWD.
El GPR se ha empleado ampliamente para inspeccionar el deterioro de la
estructura del pavimento, como el agrietamiento por reflexión, el decapado
de la capa de asfalto y el asentamiento irregular. Dada la dificultad de
identificar los defectos de las imágenes GPR, varios estudios han comenzado
a aplicar el aprendizaje profundo en la detección automática de problemas.
Algunos de los estudios extrajeron los vectores de características de tiempo-
frecuencia de las señales GPR utilizando varios métodos de procesamiento
de datos. Luego, se diseñaron algoritmos de reconocimiento basados en
MLPNN para tareas de detección automatizadas, incluida la detección de
daños por humedad y el monitoreo de la densidad del pavimento de asfalto
(Shangguan et al., 2014; Zhang et al., 2020b). Tong et al. (2020b) utilizó una
arquitectura MLPNN más profunda para extraer directamente la característica
de las señales GPR, identificando posteriormente las señales anormales y los defectos internos.
Fig. 8 e Resultados de reconocimiento basados en CNN. (a) Clasificador basado en regiones (Gao et al., 2020). (b) Clasificador basado en ventana deslizante
(Tong et al., 2018).
1011
En comparación con las MLPNN, las CNN son más adecuadas para procesar
imágenes GPR (Fig. 8). Sobre la base de las imágenes GPR, Tong et al.
(2018) desarrollaron dos CNN llamadas CNN multietapa y CNN en cascada
para clasificar los defectos de la subrasante en cada ventana deslizante. Gao
et al. (2020) propusieron una arquitectura de aprendizaje profundo basada en
CNN más rápida R-ConvNet, para detectar y ubicar las grietas de reflexión,
los pozos dañados por el agua y los asentamientos desiguales mediante
cuadros delimitadores. Además, para calcular aún más el volumen de grietas
y predecir la tendencia de crecimiento de las grietas, Tong et al. (2017)
desarrollaron tres CNN diferentes para el reconocimiento automatizado de
grietas ocultas en pavimentos, ubicación y extracción de características,
respectivamente. Las ANN mejoran en gran medida la eficiencia de la
detección automática de imágenes GPR, superando las limitaciones de
confiar en ingenieros experimentados en la detección manual tradicional.
6. Aplicación de ANN en el mantenimiento
de pavimentos
Dado el conflicto entre la creciente demanda de mantenimiento y el fondo de
mantenimiento insuficiente, la gestión práctica e integral de la infraestructura
vial es imperativa.
La evaluación y predicción del rendimiento del pavimento es un paso previo
necesario para el arreglo de mantenimiento y rehabilitación (M&R). Teniendo
en cuenta la poderosa capacidad de mapeo no lineal de las ANN, se han
aplicado varias ANN en la evaluación y predicción del rendimiento del
pavimento, así como en la toma de decisiones de M&R.
Machine Translated by Google

1012 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021

6.1. Evaluación del desempeño del pavimento toma de decisiones de mantenimiento de pavimentos. Sin embargo, la entrada
La estrategia de selección de variables tiene grandes efectos sobre el rendimiento
Con respecto a la evaluación del desempeño del pavimento, recientes de las RNA. Diferentes modelos de predicción basados en ANN con
Los estudios han utilizado ANN para explorar la relación entre diferentes las entradas variables se enumeran en la Tabla 5.
indicadores de rendimiento, estableciendo aún más De acuerdo con los atributos de tiempo de las variables seleccionadas,
el sistema integral de evaluación. es significativo para los modelos de predicción del rendimiento del pavimento se pueden dividir
analizar la interacción entre una variedad de pavimentos en modelos estáticos y modelos dinámicos (Marcelino et al., 2019;
angustia, ayudando con el diseño y mantenimiento del pavimento. Yang et al., 2003), que se puede describir como el siguiente
La aspereza del pavimento es un factor crítico para la comodidad y seguridad forma, respectivamente.
de operación del vehículo. Algunos estudios han utilizado con éxito
Ct ¼ fðXt;tÞ (2)
MPLNNs para establecer la relación entre los
índice de rugosidad (IRI) y otros tipos de parámetros de deterioro
como surcos, grietas, desmoronamientos y baches (Aultman-Hall Ct ¼ fðCtn; Ctn+1; /; Ct1; xtn; Xtn+1; /; Xt1Þ n ¼ 1; 2; /;
t1
et al., 2004; Chandra et al., 2013). Aparte del pavimento
defectos superficiales, las condiciones de la estructura del pavimento también son (3)
considerado como un factor clave que influye en el IRI (Luca,
donde Ct es la condición del pavimento a la edad t, Xt es la
2020). Por lo tanto, Dong et al. (2019) desarrolló un TS difuso
variables a la edad t, como la propiedad del material, el entorno climático, la
red neuronal (FNN) para estimar la condición de daño de un
carga de tráfico, el historial de mantenimiento, etc.
base estabilizada con cemento, en la que la profundidad de la fisura, el ancho
Los modelos estáticos sólo se centran en los factores que influyen en
y se consideraron grumos.
el año en curso mientras no utilice el pavimento histórico
Con el fin de llevar a cabo una evaluación más sistemática de
datos de rendimiento. Para estimar la probabilidad de cocodrilo
condiciones del pavimento, algunos estudios hicieron esfuerzos para establecer
iniciación de grietas después de tratamientos M&R, Karlaftis y Badr
un sistema de evaluación usando ANNs. Huang et al. (2012)
(2015) propusieron un modelo GA-MLPNN con entradas estáticas
propuso un modelo de evaluación de la condición del pavimento basado en
incluyendo los datos de construcción y rehabilitación, el clima
la red neuronal de función de base radial (RBF) para determinar
datos y datos de tráfico. Usando variables de entrada similares, Yao et al.
la puntuación de salud del pavimento. Hu et al. (2012) utilizaron la red neuronal
(2019) desarrollan cinco modelos MLPNN para la predicción de
de mapas de características autoorganizadas (SOMNN) para desarrollar
agrietamiento transversal, ahuellamiento, rugosidad, resistencia al deslizamiento y
un método de evaluación con una consideración integral de
deterioro de la superficie del pavimento, que integró aún más
cuatro factores que afectan incluyendo la condición del pavimento, paseo
análisis de componentes principales (PCA) para reducir la dimensión
calidad, capacidad portante de la estructura y resistencia al deslizamiento. los
de las variables de tráfico. De manera similar, muchos otros estudios aplicaron
Los pesos de la ANN representan la contribución de los subindicadores en el
Modelos estáticos basados en ANN para predecir varios pavimentos
sistema de evaluación integral.
indicadores, como el índice de condición del pavimento (PCI) (Amin
y Amador-Jiménez, 2017; Shahnazari et al., 2012) e IRI
(Nguyen et al., 2019; Yamany et al., 2020). Sin embargo, los modelos estáticos
6.2. Predicción del rendimiento del pavimento
basados en ANN no son adecuados para el largo plazo.
pronóstico considerando la dinámica del deterioro
Hay una variedad de factores que influyen en el deterioro del pavimento, que
proceso a lo largo del tiempo.
incluyen la edad del pavimento, la propiedad del material, el clima
A través de la incorporación de datos de series de tiempo,
entorno, carga de tráfico e historial de mantenimiento. La predicción del
los modelos se pueden utilizar para describir procesos dependientes del tiempo. los
desempeño del pavimento a largo plazo es importante para

Tabla 5 e Resumen de los estudios que aplican ANN a la predicción del desempeño del pavimento.
Referencia Modelo Producción variable de entrada Tipo de modelo

Edad Material Clima Tráfico M&R Historia

Karlaftis y Badr (2015) GA-MLPNN CP ÿ ÿ ÿ ÿÿ ÿÿ ÿ ÿÿ Estático

Ziari et al. (2016) MLPNN IRI ÿÿÿ Estático

Amin y Amador-Jimenez (2017) MLPNN PCI Estático

Fathi et al. (2019) RF-MLPNN IDA Estático

Yao et al. (2019) PCA-MLPNN IRI/RD/SFC/TCEI/PDCI ÿ ÿ ÿÿ Estático

Yamany et al. (2020) MLPNN IRI ÿ ÿ Estático

Yang et al. (2003) MLPNN CI/RT/RI ÿ ÿ Dinámico

Yang et al. (2006) MLPNN CI ÿ ÿÿ ÿ Dinámico
Okuda et al. (2018) RNN RD ÿ ÿÿ ÿ Dinámico
Inkoom et al. (2019) MLPNN RC ÿ ÿ ÿÿ ÿ Dinámico
Choi y Do (2020) LSTM RD/CR/IRI ÿÿ ÿ Dinámico

Nota: GA-MLPNN significa algoritmo genético MLPNN, RF-MLPNN significa bosque aleatorio MLPNN, PCA-MLPNN significa análisis de componentes principales
MLPNN, CP significa probabilidad de agrietamiento, PCI significa índice de condición del pavimento, ADI significa índice de deterioro de cocodrilo, RD significa profundidad de surco,
SFC significa coeficiente de fuerza lateral, TCEI significa índice de calificación de grietas transversales, PDCI significa índice de condición de deterioro del pavimento, PDCI significa
índice de grietas, RT significa índice de roderas, RI significa índice de conducción, CR significa clasificación de grietas.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Las principales estrategias de pronóstico dinámico aplicadas en la predicción
del desempeño del pavimento son el modelado dinámico basado en MLPNN y
el modelado dinámico basado en RNN. Algunos estudios utilizaron MLPNN con
entradas de series temporales para mejorar la precisión de la predicción del
rendimiento del pavimento (Georgiou et al., 2018; Inkoom et al., 2019; Yang et
al., 2003). Sin embargo, los MLPNN tradicionales no pueden reflejar la relación
entre las variables de entrada, lo que lleva a una comprensión aislada de los
datos dependientes del tiempo. Por lo tanto, RNN fue diseñado para capturar
de manera efectiva las dependencias a largo plazo. Okuda et al. (2018)
propusieron un método de estimación del intervalo de predicción basado en
RNN y el método de arranque para la predicción de la profundidad de la
formación de surcos, lo que redujo los esfuerzos de cálculo. LSTM, como una
arquitectura RNN avanzada, se ha aplicado en la predicción del rendimiento del
pavimento. Lee et al. (2019b) utilizaron RNN-LSTM con diferentes longitudes
de secuencia para predecir la tasa de grietas, la profundidad de los surcos y el
IRI. El conjunto de variables independientes que consta de ESAL, volumen de
tráfico, temperatura, precipitación e inspección se introdujeron en el modelo en
forma de secuencia de tiempo.
Si bien algunos estudios existentes han adoptado datos históricos como
entradas de ANN, algunas variables redundantes pueden dar lugar a problemas
de sobreajuste, lo que a su vez reduce la precisión de la predicción. Para
manejar este problema, algunos de estos estudios analizaron más a fondo la
importancia de los insumos utilizando análisis de sensibilidad para seleccionar
variables razonables (Fathi et al., 2019; Karlaftis y Badr, 2015; Kargah-Ostadi y
Stoffels, 2015; Yao et al. , 2019; Ziari et al., 2016). Por otro lado, las estadísticas
como la tasa de crecimiento pueden reemplazar los datos sin procesar como
entradas del modelo.
6.3. Planificación de M&R de pavimentos
Pavement M&R implica una cantidad sustancial de inversión, lo que tiene un
impacto significativo en el público. Con la expansión de la red de carreteras y
el aumento del tráfico, se ha prestado cada vez más atención a los métodos de
toma de decisiones para M&R de pavimentos, ya sea a nivel de proyecto o de
red.
La toma de decisiones de M&R tiene como objetivo asignar actividades
razonables de M&R para segmentos de pavimento de acuerdo con las
condiciones del pavimento y otros objetivos. Dado que la planificación de M&R
se ha vuelto cada vez más complicada, las ANN se han aplicado en el arreglo
de actividades de M&R.
A principios de la década de 1990, ANN se empleó inicialmente para
determinar la prioridad de las necesidades de mantenimiento del pavimento de
las carreteras, mostrando su viabilidad en la planificación del mantenimiento a
nivel de red (Fwa y Chan, 1993). Si bien el método de clasificación basado en
ANN puede identificar qué tramo de carretera se debe mantener primero, las
agencias no pueden obtener recomendaciones prácticas de tratamiento para
un tramo de carretera específico. Para lograr una planificación M&R más
detallada, Hafez et al. (2019) utilizaron MLPNN para seleccionar los tratamientos
M&R apropiados para carreteras de bajo volumen, que cubrían diferentes
niveles de tratamiento, desde el sellado hasta la superposición.
Se realizaron estudios similares para optimizar la estrategia de M&R teniendo
en cuenta una gama más amplia de factores que afectan, como la gravedad del
deterioro del pavimento, la carga del tráfico y la clase funcional (Domitrovic et
al., 2018; Elbagalati et al., 2018; Milad et al., 2020). Además de igualar los
tratamientos de M&R basados en las condiciones del pavimento, Bosurgi y
Trifiro (2005) propusieron un modelo basado en GA-MLPNN para buscar una
estrategia óptima de M&R para minimizar los accidentes de tráfico, que evaluó
la aptitud de las soluciones utilizando MLPNN.
1013
Maximizar la rentabilidad es uno de los objetivos importantes para la
optimización de la estrategia de M&R de pavimentos. Shehab y Meisami-Fard
(2013) desarrollaron un modelo de estimación de costos para proyectos de
rehabilitación de pavimentos de asfalto cauchutado utilizando MLPNN, que
consideró principalmente el consumo de los diversos materiales. Para fines de
planificación y presupuestación a largo plazo, Woldemariam et al. (2016)
compararon el desempeño de las MLPNN y los modelos estadísticos
tradicionales en términos de predicción del gasto de mantenimiento anual,
mostrando el desempeño sobresaliente de las MLPNN.
Teniendo en cuenta las estructuras y los materiales del pavimento, las cargas
de tráfico, los registros de mantenimiento y las condiciones del pavimento, Yao
et al. (2020) presentó el aprendizaje de refuerzo profundo (DRL) para obtener
una mejor estrategia para mejorar la rentabilidad del mantenimiento a largo
plazo.
En comparación con la planificación de M&R a largo plazo, la planificación
de M&R a corto plazo presta más atención al efecto del esquema de M&R en
el tráfico. Adeli y Jiang (2003) propusieron un modelo de lógica difusa
neurológica adaptativa para la predicción de la capacidad de la zona de trabajo
de la autopista. Sobre esta base, Karim y Adeli (2003) estimaron la capacidad
de la zona de trabajo y la cola utilizando la función de base radial ANN,
proporcionando un enfoque inteligente para el diseño de la zona de trabajo.
Con base en las características de congestión extraídas obtenidas del modelo
de wavelet mesoscópica, Ghosh-Dastidar y Adeli (2006) utilizaron MLPNN para
rastrear el tiempo de viaje de cada vehículo individual para estimar aún más la
demora del tráfico y la longitud de la cola en las zonas de trabajo.
Sin embargo, pocos estudios recientes emplearon ANN para la planificación de
M&R a corto plazo.
7. Problemas existentes y perspectivas de investigación.
Durante las últimas tres décadas, los tremendos avances en el campo de las
ANN han hecho grandes contribuciones a la ingeniería de pavimentos. Los
estudios existentes han aplicado con éxito varias arquitecturas ANN en el ciclo
de vida del pavimento, incluido el diseño, la construcción, la inspección y el
control del pavimento, y el mantenimiento. Si bien se ha demostrado la poderosa
aplicabilidad de las ANN para resolver problemas de ingeniería complicados,
todavía hay algunos problemas que deben investigarse más en la aplicación
práctica.
7.1. Recopilación de datos y evaluación en pruebas de laboratorio y
de campo.
ANN, como método basado en datos, se basa de manera crítica en una base
de datos completa y representativa. En los últimos años, cada vez hay más
dispositivos y métodos de prueba disponibles para la evaluación del rendimiento
del pavimento y el material de la carretera. Si bien se generan varios datos de
prueba en el proceso de diseño e inspección del pavimento, los datos
disponibles en un solo proyecto son insuficientes para completar la extracción
de datos. Sin embargo, para los conjuntos de datos de diferentes estudios,
existen diferencias en los registros de datos, lo que lleva a que solo se utilicen
datos parciales para el entrenamiento del modelo. Por ejemplo, el módulo
dinámico de HMA se ve afectado por una variedad de factores, como la
granulometría de los agregados, el contenido de asfalto, la temperatura y la
frecuencia de la prueba, etc., pero los datos de las diferentes fuentes tienen
variaciones experimentales.
Machine Translated by Google
1014 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
variables, que no se pueden combinar directamente para entrenar a un
modelo de predicción del módulo dinámico (El-Badawy et al., 2018).
Por lo tanto, es imperativo establecer un estándar uniforme
o sistema de recogida y almacenamiento de datos digitales. Conseguir
datos razonables para ingresar el modelo, la calidad de los datos debe ser
evaluado desde diferentes aspectos, como el tamaño de los datos, la distribución y
otras estadísticas. Basado en la evaluación de los datos.
calidad, los modelos ANN con diferentes arquitecturas pueden ser
desarrollado para coincidir con diferentes características de datos. Mientras tanto, público
Se deben crear bases de datos sobre estos temas de investigación para
promover la aplicación de ANN en el campo del pavimento
ingeniería.
7.2. Anotación de datos de bajo costo para redes neuronales profundas
Los modelos ANN utilizados en los estudios existentes están en la categoría de
aprendizaje estrictamente supervisado, que requiere una amplia experiencia previa
conocimiento. Sin embargo, la anotación de datos requiere mucha mano de obra y
labores que requieren mucho tiempo y, a veces, altamente profesionales
son necesarios, particularmente en el campo del reconocimiento de imágenes. En
por un lado, anotación a nivel de píxel de la grieta del pavimento
la imagen requiere mucha mano de obra, por lo que es difícil obtener una
gran conjunto de datos. Por otro lado, algunos formatos de datos, como
Datos 2D/3D GPR, requieren conocimientos profesionales para obtener la
verdad fundamental de los defectos. Para verificar la verdad del suelo etiquetada,
Se pueden aplicar métodos de prueba destructivos para inspeccionar las condiciones
internas del pavimento. Por lo tanto, cómo reducir los requisitos de datos y mejorar
la eficiencia de la anotación de datos
es una tarea importante para el futuro aprendizaje profundo.
Se puede introducir el aprendizaje débilmente supervisado basado en ANN
para reducir los requisitos de los datos anotados manualmente.
En primer lugar, el aprendizaje supervisado débilmente puede identificar datos muy
valiosos para la anotación. En segundo lugar, puede aprender activamente nuevos
información para promover el modelo para ser más fuerte. De
la perspectiva de mejorar la eficiencia de la anotación de datos,
integrando el modelo de pre-entrenamiento y el ajuste fino de la anotación
es un enfoque novedoso para conjuntos de datos extremadamente grandes. La inicial
la anotación de datos puede ser realizada automáticamente por el modelo de
preentrenamiento, lo que puede reducir el esfuerzo general de anotación.
7.3. Tecnología de procesamiento de imágenes basada en CNN para
monitoreo de construcción de pavimentos
Los estudios existentes han adoptado MLPNN para controlar el pavimento
calidad de la construcción y evaluar el costo del proyecto. Con el
la mejora de la industria de la construcción, la seguridad en la construcción de
pavimentos y la productividad son motivo de gran preocupación. Sobre el
por un lado, colisiones entre vehículos operativos y trabajadores
son la fuente principal de incidentes fatales. Por otra parte,
Los datos de monitoreo en tiempo real de la maquinaria de construcción pueden ayudar
gestionar eficazmente el progreso de la construcción. Sin embargo,
Todavía no hay ningún estudio que incorpore la tecnología de procesamiento de
imágenes basada en CNN para lograr un monitoreo inteligente de la construcción
de pavimentos.
En función de los datos de video, la detección y el seguimiento de objetos pueden ser
realizado utilizando CNN. Para reducir el riesgo de colisiones entre la maquinaria de
construcción y los trabajadores, la cámara puede
ser montado en maquinaria de construcción para lograr en tiempo real
detección y seguimiento para los trabajadores. Mientras tanto, una más
enfoque económico es usar una sola cámara para monitorear el
Área de construcción. Además de prevenir colisiones por
Detección y seguimiento de objetivos, se puede realizar el reconocimiento de
acciones para identificar el estado operativo de la maquinaria de construcción, como
mover, detener, trabajar, etc. Una vez el
se determina el estado operativo de la máquina, la carga de trabajo de
Se pueden estimar diferentes maquinarias de construcción para evaluar el progreso
y la eficiencia de la construcción.
7.4. Rendimiento de generalización de ANN basado
detección de fallas en el pavimento
La capacidad de mapeo no lineal de las ANN se puede cambiar fácilmente
ajustando la arquitectura de la red y el hiperparámetro. Sin embargo, la arquitectura
ANN irrazonable conducirá a
sobreajuste o ajuste insuficiente para un problema práctico. Para
Por ejemplo, se desarrollan continuamente CNN más profundas para la detección
de daños en el pavimento. Si bien existen redes mucho más profundas
más capaces de captar las características del entrenamiento
conjunto de datos, puede perder la transferibilidad para un práctico
entorno cambiante debido a las irregularidades defectuosas, variaciones de
iluminación y otros factores influyentes. Por lo tanto,
tanto la precisión como la robustez deben ser consideradas cuando
realización de detección automática de fallas en el pavimento.
Aunque las imágenes en 3D son menos vulnerables a las condiciones ambientales
condiciones, pocos estudios han desarrollado la arquitectura ANN
específicamente para imágenes en 3D. Se prevé que el aprendizaje profundo
la incorporación de tecnología de imágenes en 3D puede mejorar la generalización
y la solidez, así como la eficiencia computacional.
Por otro lado, varias técnicas avanzadas de minería de datos,
tales como redes adversarias generativas, algoritmo de embolsado y
algoritmo de refuerzo, se puede integrar para combatir el sobreajuste
problemas. Teniendo en cuenta los escenarios de aplicación reales, el rendimiento
de generalización del modelo ANN determina directamente
si la detección automática de fallas en el pavimento puede ser
ampliamente aplicado.
7.5. Modelo espacio-temporal basado en ANN para pavimento
toma de decisiones M&R
La toma de decisiones de M&R de pavimentos se enfoca en el problema de
cuándo y qué actividades de mantenimiento deben llevarse a cabo
a qué tramo de carretera. Si bien una serie de estudios han utilizado
ANN para resolver este problema, generalmente separan la dimensión temporal de
la dimensión espacial. Por ejemplo,
LSTM se ha utilizado para predecir el deterioro del pavimento mientras
MLPNN se ha utilizado para determinar la prioridad de M&R del
segmento de carretera Sin embargo, la interdependencia del camino
red tiene un gran efecto en el deterioro del pavimento y
Planificación de M&R.
Con este fin, Conv-LSTM, como modelo ANN novedoso, ha sido
utilizado gradualmente en la predicción espacio-temporal, como la precipitación, la
congestión del tráfico, etc. Esta red combina CNN y LSTM para extraer características
espacio-temporales. Eso
tiene una aplicación potencial en el monitoreo del desempeño del pavimento a nivel
de red. Además, el mantenimiento del pavimento a menudo induce la fluctuación
dinámica del tráfico en el
red de carreteras. Por lo tanto, el mantenimiento de la red vial
el cronograma puede evaluarse aún más para obtener el M&R óptimo
disposición utilizando el modelo espacio-temporal basado en ANN.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
8. Resumen
En este documento, se realizó una revisión sistemática de las aplicaciones
de ANN en la ingeniería de pavimentos, centrándose particularmente en
la investigación de vanguardia en diferentes etapas de la ingeniería de
pavimentos. A través de la recuperación de literatura en varias bibliotecas
digitales, se encontraron 683 artículos en este campo y se seleccionaron
143 artículos para una revisión en profundidad. El número de publicaciones
relacionadas ha aumentado considerablemente durante la última década.
De acuerdo con estos estudios, se identificaron cuatro temas principales
de investigación, relacionados con el diseño, la construcción, la inspección
y el control, y el mantenimiento de pavimentos. Entre estos temas, el
monitoreo de la salud del pavimento basado en ANN ha atraído el mayor
interés de investigación en los últimos años.
Para manejar problemas complicados en este campo, se han
introducido varias arquitecturas ANN, incluidas MLPNN, CNN y RNN,
para procesar datos unidimensionales, datos bidimensionales y datos de
series temporales. Gracias al éxito preliminar de la aplicación de ANN en
las siguientes áreas: (1) diseño de la composición del material del
pavimento, (2) control de calidad y análisis de costos de la construcción
del pavimento, (3) detección de defectos en la estructura y la superficie
del pavimento, y (4) predicción del rendimiento y la planificación del
mantenimiento, recientemente, se presta más atención al desarrollo de
un modelo general basado en ANN para resolver de manera eficiente
varias tareas en la ingeniería de pavimentos.
Sin embargo, obviamente quedan desafíos en términos de recopilación
de datos, optimización de parámetros, transferibilidad del modelo y
anotación de bajo costo. Se anticipa que más estudios harán esfuerzos
para superar estos desafíos y explorar más campos de investigación
interdisciplinarios en computación neuronal e ingeniería de pavimentos.
Conflicto de intereses
Los autores no tienen ningún conflicto de interés con otras entidades o
investigadores.
Expresiones de gratitud
Este estudio cuenta con el apoyo de la Fundación Nacional de Ciencias
Naturales de China (No. 52078049), los Fondos de Investigación
Fundamental para las Universidades Centrales, CHD (No. 300102210302,
300102210118), y el Proyecto 111 de Transporte Sostenible para la
Aglomeración Urbana en China Occidental ( No.
B20035). Los autores agradecen la ayuda de los estudiantes graduados
Jianqi Zhang y Wenbo Liu para la recopilación de datos de literatura. Xu
Yang y Jinchao Guan contribuyeron igualmente a este trabajo.
referencias
Adeli, H., Jiang, X., 2003. Modelo de lógica neurodifusa para la estimación de la
capacidad de la zona de trabajo de la autopista. Revista de ingeniería de
transporte 129 (5), 484e493.
1015
Ahmed, TM, Green, PL, Khalid, HA, 2017. Predicción del rendimiento de fatiga de
la mezcla asfáltica en caliente mediante redes neuronales artificiales .
Materiales viales y diseño de pavimentos 18, 141e154.
Asociación Estadounidense de Oficiales de Transporte y Carreteras Estatales
(AASHTO), 1993. Guía AASHTO para el Diseño de Estructuras de Pavimento
1993. AASHTO, Washington DC.
Amin, SR, Amador-Jimenez, LE, 2017. Red neuronal de retropropagación para
estimar el rendimiento del pavimento: manejo de errores de medición.
Materiales viales y diseño de pavimentos 18 (5), 1218e1238.
Amorim, SIR, Pais, JC, Vale, AC, et al., 2015. Un modelo para factores de carga
por eje equivalentes. Revista internacional de ingeniería de pavimentos 16
(10), 881e893.
Androjic, I., Dola cek-Alduk, Z., 2018. Modelo de red neuronal artificial para
pronosticar el consumo de energía en la producción de mezcla asfáltica en
caliente (HMA). Construcción y materiales de construcción 170, 424e432.
Androjic, I., Marovi c, I., Kalu Cer, J., et al., 2019. Lograr la sostenibilidad a través
de la predicción de la temperatura de las existencias de agregados . Revista
de Producción más Limpia 219, 451e460.
Attoh-Okine, NO, Fekpe, ESK, 1996. Modelado de características de resistencia
de suelos lateríticos utilizando redes neuronales adaptativas.
Construcción y materiales de construcción 10 (8), 577e582.
Aultman-Hall, L., Jackson, E., Dougan, CE, et al., 2004. Modelos relacionados
con las medidas de calidad del pavimento. Registro de investigación de
transporte 1869, 119e125.
Bal, L., Buyle-Bodin, F., 2013. Red neuronal artificial para predecir la contracción
por secado del hormigón. Construcción y Materiales de Construcción 38,
248e254.
Bang, S., Park, S., Kim, H., et al., 2019. Red de codificador-decodificador para la
detección de grietas en carreteras a nivel de píxel en imágenes de caja negra.
Ingeniería civil y de infraestructura asistida por computadora 2019 (34),
713e727.
Barugahare, J., Amirkhanian, AN, Xiao, F., et al., 2020. Modelos de módulo
dinámico basados en ANN de mezclas asfálticas con variables de entrada
similares a las de los modelos de Hirsch y Witczak.
Revista internacional de ingeniería de pavimentos, https://doi.org/
10.1080/10298436.2020.1799209 .
Bosurgi, G., Trifiro, F., 2005. Un modelo basado en redes neuronales artificiales
y algoritmos genéticos para la gestión del mantenimiento de pavimentos.
Revista Internacional de Ingeniería de Pavimentos 6 (3), 201e209.
Cao, W., Liu, Q., He, Z., 2020. Revisión de los métodos de detección de defectos
del pavimento. Acceso IEEE 8, 14531e14544.
Ceylan, H., Bayrak, MB, Gopalakrishnan, K., 2014. Aplicaciones de redes
neuronales en la ingeniería de pavimentos: una encuesta reciente. Revista
internacional de investigación y tecnología de pavimentos 7 (6), 434e444.
Ceylan, H., Tutumluer, E., Barenberg, EJ, 1998. Redes neuronales artificiales
como herramientas de diseño en el diseño de pavimentos de aeródromos de
hormigón . En: 25ª Conferencia Internacional de Transporte Aéreo, Austin,
1998.
Ceylan, H., Tutumluer, E., Barenberg, EJ, 1999. Redes neuronales artificiales
para analizar pavimentos de aeródromos de hormigón que sirven al avión
Boeing B-777. Registro de investigación de transporte 1684, 110e117.
Chandra, S., Sekhar, CR, Bharti, AK, et al., 2013. Relación entre la rugosidad
del pavimento y los parámetros de falla para las carreteras indias. Revista
de ingeniería de transporte 139 (5), 467e475.
Chandwani, V., Agrawal, V., Nagar, R., 2015. Modelado de asentamiento de
concreto premezclado utilizando algoritmos genéticos para el entrenamiento
asistido de redes neuronales artificiales. Sistemas expertos con aplicaciones
42 (2), 885e893.
Chen, T., Cai, Z., Zhao, X., et al., 2020. Detección y reconocimiento de grietas
en el pavimento mediante la arquitectura de segNet. Revista de Integración
de Información Industrial 18, 100144.
Machine Translated by Google
1016 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Chen, H., Lin, H., Yao, M., 2019. Mejora de la eficiencia de la arquitectura
de codificador-decodificador para la detección de grietas a nivel de píxel.
Acceso IEEE 7, 186657e186670.
€
Cho, K., van Merrienboer, B., Gulcehre, C., et al., 2014. Aprendizaje de
representaciones de frases usando el codificador-decodificador RNN
para la traducción automática estadística. arXiv, 1406.1078.
Choi, S., Do, M., 2020. Desarrollo del modelo de deterioro del pavimento
vial basado en el método de aprendizaje profundo.
Electrónica 9 (1), 9010003.
Chou, J., O'Neill, WA, Cheng, HD, 1994. Clasificación de deterioro del
pavimento mediante redes neuronales. En: 1994 Conferencia
Internacional IEEE sobre Sistemas, Hombre y Cibernética, San Antonio,
1994.
Chung, J., Gulcehre, C., Cho, K., et al., 2014. Evaluación empírica de redes
neuronales recurrentes cerradas en el modelado de secuencias. arXiv,
1412.3555.
Commuri, S., Zaman, M., 2008. Un nuevo analizador de compactación de
asfalto basado en redes neuronales. Revista internacional de ingeniería
de pavimentos 9 (3), 177e188.
Dhiman, A., Klette, R., 2020. Detección de baches mediante visión artificial
y aprendizaje. Transacciones IEEE en sistemas de transporte inteligente
21 (8), 3536e3550.
Domitrovic, J., Dragovan, H., Rukavina, T., et al., 2018. Aplicación de una
red neuronal artificial en el sistema de gestión de pavimentos. Tehnicki
Vjesnik 25 (S2), 466 e473.
Dong, S., Hao, P., Tighe, SL, 2019. Un método de diagnóstico para evaluar el
índice de condición de la base estabilizada con cemento utilizando la red
neuronal difusa TS. Revista internacional de ingeniería de pavimentos 20
(10), 1140e1153.
Du, Y., Pan, N., Xu, Z., et al., 2020. Detección y clasificación de daños en el
pavimento según la red YOLO. Revista Internacional de Ingeniería de
Pavimentos, https://doi.org/10.1080/ 10298436.2020.1714047.
El-Badawy, S., El-Hakim, RA, Awed, A., 2018. Comparación de redes
neuronales artificiales con modelos de regresión para la predicción del
módulo dinámico de mezcla asfáltica en caliente . Diario de Materiales en
Ingeniería Civil 30 (7), 04018128.
Elbagalati, O., Elseifi, MA, Gaspard, K., et al., 2018. Desarrollo de una
herramienta de toma de decisiones mejorada para la gestión de pavimentos
utilizando un algoritmo de reconocimiento de patrones de redes
neuronales . Revista de Ingeniería de Transporte, Parte B: Pavimentos
144 (2), 33109.
Fakhri, M., Amoosoltani, E., Farhani, M., et al., 2017.
Determinación de la combinación óptima de mezcla de pavimento de
hormigón compactado con rodillo que contiene pavimento de asfalto
reciclado y caucho desmenuzado utilizando el método híbrido de red
neuronal artificial-algoritmo genético considerando el enfoque de absorción
de energía. Revista canadiense de ingeniería civil 44 (11), 945e955.
Fakhri, M., Dezfoulian, RS, 2019. Evaluación estructural del pavimento basada
en el estudio de rugosidad y deterioro de la superficie utilizando un modelo
de red neuronal. Construcción y materiales de construcción 204,
768e780.
Fakhri, M., Ghanizadeh, AR, 2014. Modelado del pulso de respuesta 3D en la
parte inferior de la capa de asfalto utilizando una función novedosa y una
red neuronal artificial. Revista Internacional de Ingeniería de Pavimentos
15 (8), 671e688.
Fan, Z., Wu, Y., Lu, J., et al., 2018. Detección automática de grietas en el
pavimento basada en la predicción estructurada con la red neuronal
convolucional. arXiv, 1802.02208.
Fathi, A., Mazari, M., Saghafi, M., et al., 2019. Estudio paramétrico del
deterioro del pavimento mediante algoritmos de aprendizaje automático.
En: Conferencia Internacional de Pavimentos de Carreteras y Aeródromos
2019, Chicago, 2019.
Fei, Y., Wang, KCP, Zhang, A., et al., 2020. Detección de grietas a nivel de
píxeles en imágenes de pavimento de asfalto 3D a través de CrackNet-
V basado en aprendizaje profundo. Transacciones IEEE en sistemas
de transporte inteligente 21 (1), 273e284.
Fwa, TF, Chan, WT, 1993. Calificación de prioridad de las necesidades de
mantenimiento de carreteras por redes neuronales. Revista de ingeniería
de transporte 119 (3), 419e432.
Gao, J., Yuan, D., Tong, Z., et al., 2020. Detección autónoma de daños en
el pavimento mediante radar de penetración terrestre y aprendizaje
profundo basado en regiones. Medida 164, 108077.
Garoosiha, H., Ahmadi, J., Bayat, H., et al., 2019. La evaluación de
Levenberg-Marquardt y el algoritmo de entrenamiento del marco
bayesiano para la predicción de la contracción del hormigón por la red
neuronal artificial. Cogent Ingeniería 6 (1), 1609179.
Georgiou, P., Plati, C., Loizos, A., 2018. Modelos de computación blanda
para predecir la rugosidad del pavimento: un estudio comparativo.
Avances en Ingeniería Civil 2018, 5939806.
Ghorbani, B., Arulrajah, A., Narsilio, G., et al., 2020. Análisis experimental
y ANN de los efectos de la temperatura en las propiedades de
deformación permanente de los desechos de demolición. Transporte
Geotecnia 24, 100365.
Ghorbani, A., Hasanzadehshooiili, H., 2018. Predicción de UCS y CBR de
arena limosa estabilizada con sulfato de microsílice y cal utilizando
modelos ANN y EPR: aplicación a la mezcla profunda del suelo. Suelos
y Fundaciones 58 (1), 34e49.
Ghosh-Dastidar, S., Adeli, H., 2006. Modelo de microsimulación de wavelet
de red neuronal para la estimación de demoras y longitudes de colas
en zonas de trabajo de autopistas. Revista de ingeniería de transporte
132 (4), 331e341.
Girshick, R., 2015. Fast R-CNN. En: 2015 IEEE International Conference
on Computer Vision, Santiago, 2015.
Girshick, R., Donahue, J., Darrell, T., et al., 2014. Jerarquías de
características enriquecidas para la detección precisa de objetos y la
segmentación semántica. En: Conferencia IEEE de 2014 sobre visión
artificial y reconocimiento de patrones, Columbus, 2014.
Gopalakrishnan, K., 2010. Algoritmo de optimización no lineal híbrido de red
neuronal-inteligencia de enjambre para el cálculo posterior de módulos de
pavimento. Revista de ingeniería de transporte 136 (6), 528e536.
Gopalakrishnan, K., 2012. Evaluación instantánea del estado del pavimento
utilizando un enfoque neuroevolutivo no destructivo.
Ingeniería de Estructuras e Infraestructuras 8 (9), 857e872.
Gopalakrishnan, K., Agrawal, A., Ceylan, H., et al., 2013.
Descubrimiento de conocimiento y minería de datos en análisis inverso
de pavimentos . Transporte 28 (1), 1e10.
Gopalakrishnan, K., Kim, S., 2010. Optimización global de los parámetros
estructurales del pavimento durante el cálculo retrospectivo utilizando un
algoritmo de evolución complejo barajado híbrido. Revista de Computación
en Ingeniería Civil 24 (5), 441e451.
Gupta, S., Sharma, P., Sharma, D., et al., 2020. Detección y localización de
baches en imágenes térmicas utilizando redes neuronales profundas.
Herramientas y aplicaciones multimedia 79 (35e36),
26265e26284.
Hafeez, I., 2018. Investigación de la respuesta de fluencia de mezclas
asfálticas bajo carga de forma de onda. Materiales viales y diseño de
pavimentos 19 (4), 819e836.
Hafez, M., Ksaibati, K., Atadero, RA, 2019. Optimización de la toma de
decisiones basada en expertos sobre mantenimiento de pavimentos
mediante redes neuronales artificiales con algoritmos de reconocimiento
de patrones. Registro de investigación de transporte 2673, 90e100.
Haussmann, LD, Tutumluer, E., Barenberg, EJ, 1997. Algoritmos de redes
neuronales para la corrección de tensiones de losas de hormigón a partir
de programas de capas elásticas lineales. Registro de investigación de
transporte 1568, 44e51.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
He, J., Qi, Z., Hang, W., et al., 2014. Predicción del costo de construcción del
pavimento de la autopista mediante una red neuronal de propagación
inversa: un estudio de caso en Henan, China. Baltic Journal of Road and
Bridge Engineering 9 (1), 66e76.
He, K., Zhang, X., Ren, S., et al., 2016. Aprendizaje residual profundo para el
reconocimiento de imágenes. En: Conferencia IEEE 2016 sobre visión
artificial y reconocimiento de patrones, Las Vegas, 2016.
Hochreiter, S., Schmidhuber, J., 1997. Memoria a corto plazo.
Computación neuronal 9 (8), 1735e1780.
Hou, Y., Li, Q., Zhang, C., et al., 2020. Revisión de vanguardia sobre
aplicaciones de detección intrusiva, técnicas de procesamiento de
imágenes y métodos de aprendizaje automático en el monitoreo y análisis
de pavimentos. Ingeniería, https://doi.org/ 10.1016/j.eng.2020.07.030.
Hu, M., Ge, R., Qiu, Q., et al., 2012. Evaluación del rendimiento del pavimento
de asfalto basada en la red neuronal SOM. Mecánica Aplicada y Materiales
88, 219e225.
Huang, Y., Shao, F., Liu, Y., 2012. Evaluación de la condición de daño del
pavimento de asfalto de la autopista basada en la red neuronal RBF.
Investigación de materiales avanzados 446e449, 2548e2553.
Hui, J., 2018. ¿Qué aprendemos de los detectores de objetos basados en
regiones (R-CNN, R-FCN, FPN más rápidos). Disponible en : https://
jonathan-hui.medium.com/what-do-we-learn-from-region-based-object-
detectors-faster-r-cnn-r-fcn-fpn-7e354377a7c9 (Consultado el 1 de
noviembre de 2020).
Hussan, S., Kamal, MA, Hafeez, I., et al., 2019. Evaluación y modelado del
comportamiento de deformación permanente de mezclas asfálticas
mediante ensayo de fluencia dinámica en modo uniaxial.
Revista Internacional de Ingeniería de Pavimentos 20 (9),
1026e1043.
Huyan, J., Li, W., Tighe, S., et al., 2019. Detección de grietas selladas y
no selladas con fondos complejos utilizando redes neuronales
convolucionales profundas. Automatización en la Construcción 107,
102946.
Huyan, J., Li, W., Tighe, S., et al., 2020. CrackU-net: una nueva red
neuronal convolucional profunda para la detección de grietas en el
pavimento por píxeles . Control Estructural y Monitoreo de Salud 27
(8), e2551.
Ibragimov, E., Lee, H.-J., Lee, J.-J., et al., 2020. Detección automática de
fallas en el pavimento mediante redes neuronales convolucionales
basadas en regiones. Revista Internacional de Ingeniería de
Pavimentos, https://doi.org/10.1080/10298436. 2020.1833204.
Imran, SA, Barman, M., Commuri, S., et al., 2018. Analizador de
compactación inteligente basado en redes neuronales artificiales para
la estimación en tiempo real de la calidad de la subrasante. Revista
Internacional de Geomecánica 18 (6), 4018048.
Inkoom, S., Sobanjo, J., Barbu, A., et al., 2019. Predicción de la condición
de grietas en los pavimentos de carreteras utilizando modelos de
aprendizaje automático. Ingeniería de Estructuras e Infraestructuras
15 (7), 940e953.
Jenkins, MD, Carr, TA, Iglesias, MI, et al., 2018. Una red neuronal
convolucional profunda para la segmentación semántica por píxeles
de grietas en la superficie de carreteras y pavimentos. En: 26ª
Conferencia Europea de Procesamiento de Señales (EUSIPCO), Roma,
2018.
Kaiser, MJ, Pulsipher, AG, Byrd, RC, 2005. Costo del corte abrasivo en
las operaciones de desmantelamiento en el Golfo de México. Revista
de ingeniería y gestión de la construcción 131 (1), 137e148.
Kang, D., Benipal, SS, Gopal, DL, et al., 2020. Segmentación y
cuantificación híbrida de fisuras de hormigón a nivel de píxel en fondos
complejos mediante aprendizaje profundo. Automatización en la
Construcción 118, 103291.
1017
Kargah-Ostadi, N., Stoffels, SM, 2015. Marco para el desarrollo y comparación
integral de modelos empíricos de desempeño de pavimentos. Diario de
Ingeniería de Transporte 141 (8), 04015012.
Karim, A., Adeli, H., 2003. Red neuronal de función de base radial para la
capacidad de la zona de trabajo y la estimación de colas. Revista de
ingeniería de transporte 129 (5), 494e503.
Karlaftis, AG, Badr, A., 2015. Predicción del inicio de grietas en el pavimento
de asfalto después de los tratamientos de rehabilitación. Investigación de
Transporte Parte C: Tecnologías Emergentes 55, 510e517.
Kaseko, MS, Ritchie, SG, 1993. Una metodología basada en redes neuronales
para la detección y clasificación de grietas en el pavimento. Investigación
de Transporte Parte C: Tecnologías Emergentes 1 (4), 275e291.
Kaya, O., Garg, N., Ceylan, H., et al., 2018a. Desarrollo de modelos predictivos
basados en redes neuronales artificiales para el módulo dinámico de
mezclas asfálticas para pavimentos de aeródromos. En: Conferencia
Internacional sobre Transporte y Desarrollo 2018, Pittsburgh, 2018.
Kaya, O., Rezaei-Tarahomi, A., Ceylan, H., et al., 2018b. Modelos de respuesta
de múltiples losas basados en redes neuronales para el modo de
agrietamiento de arriba hacia abajo en el diseño de pavimentos de
aeródromos. Journal of Transportation Engineering, Parte B: Pavimentos 144 (2),
04018009.
Kaya, O., Rezaei-Tarahomi, A., Gopalakrishnan, K., et al., 2017.
Enfoques alternativos para determinar modelos robustos basados en ANN
para predecir respuestas críticas de pavimento rígido en aeropuertos. En:
Conferencia internacional sobre pavimentos de carreteras y tecnología de
aeródromos 2017, Filadelfia, 2017.
Khan, S., Yairi, T., 2018. Una revisión sobre la aplicación del aprendizaje
profundo en la gestión de la salud del sistema. Sistemas mecánicos y
procesamiento de señales 107, 241e265.
Khasawneh, MA, Al-jamal, NF, 2019. Modelado del módulo resiliente de
materiales de grano fino utilizando diferentes técnicas estadísticas.
€
Transporte Geotecnia 21, 100263.
Konig, J., Jenkins, MD, Barrie, P., et al., 2019. Una red neuronal
convolucional para la segmentación de grietas en la superficie del
pavimento mediante conexiones residuales y control de atención. En:
Conferencia internacional IEEE sobre procesamiento de imágenes
(ICIP) de 2019, Taipéi, 2019.
Krizhevsky, A., Sutskever, I., Hinton, GE, 2012. Clasificación de ImageNet con
redes neuronales convolucionales profundas.
Comunicaciones del ACM 60 (6), 84e90.
Kwigizile, V., Mussa, RN, Selekwa, M., et al., 2005. Enfoque conexionista
para mejorar los esquemas de clasificación de vehículos de carretera
en el caso de Florida. Investigación de transporte registrada en 1917,
182e189.
Lau, SLH, Chong, EKP, Yang, X., et al., 2020. Segmentación automatizada
de grietas en el pavimento mediante una red neuronal convolucional
basada en U-net . Acceso IEEE 8, 114892e114899.
Lee, J., Jan, ZM, Verma, B., et al., 2019a. Un nuevo método basado en
redes neuronales para el análisis de datos de deflexión del pavimento.
En: Serie de simposios IEEE de 2019 sobre inteligencia computacional,
Xiamen, 2019.
Lee, Y.-J., Sun, J.-W., Lee, M.-J., 2019b. Desarrollo de un modelo de
predicción de deterioro basado en aprendizaje profundo para la
planificación del mantenimiento del pavimento de carreteras. Revista
coreana de ingeniería y gestión de la construcción 20 (6), 34e43.
Leiva-Villacorta, F., Vargas-Nordcbeck, A., Timm, DH, 2017. Evaluación
no destructiva de tecnologías de pavimento sostenible utilizando redes
neuronales artificiales. Revista internacional de investigación y
tecnología de pavimentos 10 (2), 139e147.
Li, B., Wang, KCP, Zhang, A., et al., 2019. Segmentación automática y
mejora de las grietas del pavimento basadas en
Machine Translated by Google
1018 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
en imágenes de pavimento 3D. Revista de Transporte Avanzado 1813763,
2019.
Li, B., Wang, KCP, Zhang, A., et al., 2020. Clasificación automática de grietas
en el pavimento mediante una red neuronal convolucional profunda . Revista
Internacional de Ingeniería de Pavimentos 21 (4), 457e463.
Liu, W., Anguelov, D., Erhan, D., et al., 2016b. SSD: detector multibox de
disparo único. En: Conferencia Europea de Visión por Computador 2016,
Ámsterdam, 2016.
Liu, J., Yan, K., Zhao, X., et al., 2016a. Predicción de retracción autógena de
hormigones mediante máquina de vectores soporte.
Revista internacional de investigación y tecnología de pavimentos 9 (3),
169e177.
Liu, J., Yang, X., Lau, S., et al., 2020a. Detección y segmentación automatizadas
de grietas en el pavimento basadas en una red neuronal convolucional de
dos pasos. Ingeniería civil y de infraestructura asistida por computadora
2020 (35), 1291e1305.
Liu, Y., Yao, J., Lu, X., et al., 2019. DeepCrack: una arquitectura de aprendizaje
de funciones jerárquicas profundas para la segmentación de grietas.
Neurocomputación 338, 139e153.
Liu, T., Zhang, P., Wang, J., et al., 2020b. Predicción de la resistencia a la
compresión de compuestos cementosos reforzados con fibra de PVA que
contienen nano-SiO2 utilizando la red neuronal de BP. Materiales 13 (3),
521.
Luca, MD, 2020. Evaluación de la capacidad de carga de la pista utilizando el
índice de rugosidad internacional. Transporte Investigación Procedia 45,
119e126.
Maeda, H., Sekimoto, Y., Seto, T., et al., 2018. Detección y clasificación de
daños en carreteras mediante redes neuronales profundas con imágenes
de teléfonos inteligentes. Ingeniería civil y de infraestructura asistida por
computadora 2018 (33), 1127e1141.
Majidifard, H., Adu-Gyamfi, Y., Buttlar, WG, 2020. Enfoque de aprendizaje
automático profundo para desarrollar un nuevo índice de condición del
pavimento de asfalto . Construcción y Materiales de Construcción 247,
118513.
Majidifard, H., Jahangiri, B., Buttlar, WG, et al., 2019. Nuevos modelos de
predicción basados en el aprendizaje automático para la energía de fractura
de las mezclas asfálticas. Medida 135, 438e451.
Mandal, V., Uong, L., Adu-Gyamfi, Y., 2018. Detección automatizada de grietas
en carreteras mediante redes neuronales convolucionales profundas. En:
Conferencia internacional IEEE de 2018 sobre Big Data, Seattle, 2018.
Marcelino, P., de Lurdes Antunes, M., Fortunato, E., et al., 2019.
Enfoque de aprendizaje automático para la predicción del rendimiento del
pavimento. Revista Internacional de Ingeniería de Pavimentos 22 (3),
341e354.
Mei, Q., Gul, M., 2020. Una solución rentable para la inspección de grietas en
el pavimento mediante cámaras y redes neuronales profundas.
Construcción y Materiales de Construcción 256, 119397.
Milad, A., Yusoff, NIM, Majeed, SA, et al., 2020. Uso de un enfoque de
aprendizaje automático de Azure para el mantenimiento flexible de
pavimentos. En: 16.º Coloquio internacional de IEEE sobre procesamiento
de señales y sus aplicaciones (CSPA 2020), isla de Langkawi, 2020.
Mirabdolazimi, SM, Shafabakhsh, G., 2017. Predicción de profundidad de
formación de surcos en mezclas asfálticas en caliente modificadas con fibra
forta utilizando redes neuronales artificiales y técnicas de programación
genética . Construcción y materiales de construcción 148,
666e674.
Mirzahosseini, MR, Aghaeifar, A., Alavi, AH, et al., 2011.
Análisis de deformaciones permanentes de mezclas asfálticas mediante
técnicas de soft computing. Sistemas Expertos con Aplicaciones 38 (5),
6081e6100.
MIT Technology Review, 2013. 10 Breakthrough Technologies 2013. Disponible
en : https://www.technologyreview.com/10-breakthrough-technologies/2013/
(Consultado el 22 de julio de 2021).
Moayedi, H., Mosallanezhad, M., Rashid, ASA, et al., 2020. Una revisión
sistemática y metanálisis de la aplicación de redes neuronales artificiales
en ingeniería geotécnica: teoría y aplicaciones. Informática neuronal y
aplicaciones 32, 495e518.
Moghaddam, TB, Soltani, M., Karim, MR, et al., 2015. Estimación del rendimiento
de ahuellamiento de mezclas asfálticas modificadas con tereftalato de
polietileno mediante metodología neurodifusa adaptativa . Construcción y
Materiales de Construcción 96, 550e555.
Moghaddam, TB, Soltani, M., Shahraki, HS, et al., 2016. El uso de SVM-FFA
en la estimación de la vida de fatiga de las mezclas de asfalto modificado
con tereftalato de polietileno. Medida 90, 526e533.
Mousa, M., Elseifi, MA, Elbagalati, O., et al., 2019. Evaluación de las condiciones
de unión de la interfaz basada en mediciones de deflexión de prueba sin
destrucción . Materiales viales y diseño de pavimentos 20 (3), 554e571.
Moussa, GS, Owais, M., 2020. Aprendizaje profundo preentrenado para la
predicción del módulo dinámico de mezcla asfáltica en caliente con
reducción del esfuerzo de laboratorio. Construcción y Materiales de
Construcción 265, 120239.
Naderpour, H., Rafiean, AH, Fakharian, P., 2018. Predicción de la resistencia a
la compresión del hormigón ecológico mediante redes neuronales artificiales.
Revista de Ingeniería de la Construcción 16, 213e219.
Najjar, YM, Basheer, IA, 1997. Caracterización de la durabilidad del agregado
de pavimento de concreto por medio de neuronas. En: Sexto Simposio
Internacional sobre Modelos Numéricos en Geomecánica, Montreal, 1997.
Nazzal, MD, Tatari, O., 2013. Evaluación del uso de redes neuronales y
algoritmos genéticos para la predicción del módulo resiliente de la
subrasante. Revista Internacional de Ingeniería de Pavimentos 14 (4),
364e373.
Nguyen, NTH, Le, TH, Perry, S., et al., 2018. Detección de grietas en el
pavimento mediante una red neuronal convolucional. En: Noveno Simposio
Internacional sobre Tecnologías de la Información y la Comunicación,
Ciudad de Da Nang, 2018.
Nguyen, HL, Pham, BT, Son, L., et al., 2019. Sistema de inferencia difusa
basado en red adaptativa con optimizaciones metaheurísticas para la
predicción del índice de rugosidad internacional.
Ciencias Aplicadas 9 (21), 9214715.
Oeser, M., Freitag, S., 2016. Derivados fraccionarios y redes neuronales
recurrentes en el modelado reológico, parte I: teoría.
Revista internacional de ingeniería de pavimentos 17 (2), 87e102.
Okuda, T., Suzuki, K., Kohtake, N., et al., 2018. Estimación del intervalo de
predicción no paramétrica para la cuantificación de la incertidumbre de la
predicción del deterioro del pavimento de la carretera. En: 21.ª Conferencia
Internacional sobre Sistemas de Transporte Inteligentes, Maui, 2018.
€ €
Oztas ‚, A., Pala, M., Ozbay, EA, et al., 2006. Predicción de la resistencia a la
compresión y el asentamiento del hormigón de alta resistencia utilizando
una red neuronal. Construcción y Materiales de Construcción 20 (9),
769e775.
Park, S., Bang, S., Kim, H., et al., 2019. Detección de grietas basada en parches
en imágenes de caja negra mediante redes neuronales convolucionales.
Revista de Computación en Ingeniería Civil 33 (3), 04019017.
Pereira, V., Tamura, S., Hayamizu, S., et al., 2019. Segmentación semántica
de imágenes de caminos pavimentados y baches usando arquitectura U-
net. En: 2019 Conferencia Internacional de Informática Avanzada:
Conceptos, Teoría y Aplicaciones (ICAICTA), Yogyakarta, 2019.
Redmon, J., Divvala, S., Girshick, R., et al., 2016. Solo mira una vez: detección
unificada de objetos en tiempo real. En: Conferencia IEEE 2016 sobre
visión artificial y reconocimiento de patrones, Las Vegas, 2016.
Machine Translated by Google
J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021
Ren, S., He, K., Girshick, R., et al., 2016. Faster R-CNN: Hacia la detección de
objetos en tiempo real con redes de propuestas regionales.
Transacciones IEEE sobre análisis de patrones e inteligencia artificial 39 (6),
1137e1149.
Ren, Y., Huang, J., Hong, Z., et al., 2020. Detección de grietas de concreto basada
en imágenes en túneles usando redes profundas completamente convolucionales.
Construcción y Materiales de Construcción 234, 117367.
Rezaei-Tarahomi, A., Ceylan, H., Gopalakrishnan, K., et al., 2019.
Modelos de redes neuronales artificiales para predicciones de estrés crítico de
arriba hacia abajo de pavimento rígido de aeropuerto: evaluación de sensibilidad.
En: Conferencia Internacional de Pavimentos de Carreteras y Aeródromos
2019, Chicago, 2019.
Rezaei-Tarahomi, A., Kaya, O., Ceylan, H., et al., 2020. ANNFAA: herramienta
basada en redes neuronales artificiales para el análisis de los sistemas de
pavimento rígido de la Administración Federal de Aviación.
Revista internacional de ingeniería de pavimentos, https://doi.org/
10.1080/10298436.2020.1748627 .
Ronneberger, O., Fischer, P., Brox, T., 2015. U-net: redes convolucionales para la
segmentación de imágenes biomédicas. En: Conferencia internacional sobre
computación de imágenes médicas e intervención asistida por computadora
2015, Munich, 2015.
Rosenblatt, F., 1958. El perceptrón: un modelo probabilístico para el almacenamiento
y la organización de la información en el cerebro.
Revisión psicológica 65 (6), 386e408.
Roxas, CLC, Roxas, NR, Cristobal, J., et al., 2019. Modelado del costo del proyecto
de construcción de carreteras en Filipinas utilizando el enfoque de red neuronal
artificial. En: IEEE 11th International Conference on Humanoid, Nanotechnology,
Information Technology, Communication and Control, Environment, and
Management (HNICEM), Laoag, 2019.
Saha, S., Gu, F., Luo, X., et al., 2018. Uso de un enfoque de red neuronal
artificial para la predicción del módulo resiliente para material granular no
unido. Registro de investigación de transporte 2672, 23e33.
Salari, E., Bao, G., 2011. Detección de deterioro del pavimento y análisis de
severidad. En: IS&T/SPIE Electronic Imaging, San Francisco, 2011.
Salari, E., Yu, X., 2011. Detección y clasificación de deterioro del pavimento
mediante un algoritmo genético. En: 2011 Taller de reconocimiento de
patrones de imágenes aplicadas (AIPR) de IEEE, Washington DC, 2011.
Saric, A., Pozder, M., 2018. Aplicación de redes neuronales artificiales en el
proceso de retrocálculo del módulo de elasticidad de capas de pavimento
flexible . En: Simposio Internacional 2017 sobre Aplicaciones Innovadoras e
Interdisciplinarias de Tecnologías Avanzadas, Teslic, 2017.
Schmidhuber, J., 2015. Aprendizaje profundo en redes neuronales: una
descripción general. Redes neuronales 61, 85e117.
Seitllari, A., Kumbargeri, YS, Biligiri, KP, et al., 2019. Un enfoque de computación
suave para predecir y evaluar las características de envejecimiento de la
mezcla asfáltica utilizando asfalteno como indicador de rendimiento.
Materiales y Estructuras 52, 100.
Shafabakhsh, GH, Ani, OJ, Talebsafa, M., 2015. Modelado de redes neuronales
artificiales (ANN) para predecir el rendimiento de ahuellamiento de mezclas
asfálticas de mezcla en caliente nanomodificadas que contienen agregados
de escoria de acero. Construcción y materiales de construcción 85,
136e143.
Shahnazari, H., Tutunchian, MA, Mashayekhi, M., et al., 2012.
Aplicación de soft computing para la predicción del índice de estado del
pavimento. Revista de ingeniería de transporte 138 (12), 1495e1506.
Shangguan, P., Al-Qadi, IL, Lahouar, S., 2014. Algoritmos de reconocimiento de
patrones para la estimación de la densidad del pavimento de asfalto durante
1019
compactación: un estudio de simulación. Revista de Geofísica Aplicada 107,
8e15.
Shehab, T., Meisami-Fard, I., 2013. Modelo de estimación de costos para proyectos
de rehabilitación de pavimentos de asfalto cauchutado. Revista de Sistemas de
Infraestructura 19 (4), 496e502.
Shrestha, A., Mahmood, A., 2019. Revisión de arquitecturas y algoritmos de
aprendizaje profundo. Acceso IEEE 7, 53040e53065.
Simonyan, K., Zisserman, A., 2014. Redes convolucionales muy profundas para el
reconocimiento de imágenes a gran escala. arXiv, 1409.1556.
Song, L., Wang, X., 2019. Red neuronal convolucional de región más rápida para la
detección automática de fallas en el pavimento. Materiales viales y diseño de
pavimentos 22 (1), 23e41 .
Srikanth, I., Arockiasamy, M., 2020. Modelos de deterioro para la predicción de la
vida útil restante de puentes de madera y hormigón: una revisión. Journal of
Traffic and Transportation Engineering (edición en inglés) 7 (2), 152e173.
Tapkin, S., 2014. Estimación de la vida de fatiga de mezclas bituminosas densas
modificadas con cenizas volantes basadas en
redes Investigación de materiales 17 (2), 316e325.
Tigdemir, M., 2014. Reevaluación de la ecuación de diseño de pavimento flexible
AASHTO con modelado de redes neuronales.
Plos One 9 (11), e113226.
Tong, Z., Gao, J., Zhang, H., 2017. Reconocimiento, ubicación, medición y
reconstrucción 3D de grietas ocultas mediante redes neuronales convolucionales.
Construcción y Materiales de Construcción 146, 775e787.
Tong, Z., Gao, J., Zhang, H., 2018. Método innovador para reconocer defectos de
subrasante basado en una red neuronal convolucional. Construcción y materiales
de construcción 169,
69e82.
Tong, Z., Yuan, D., Gao, J., et al., 2020a. Detección de defectos de pavimento con
red totalmente convolucional y marco de incertidumbre. Ingeniería civil y de
infraestructura asistida por computadora 2020 (35), 832e849.
Tong, Z., Yuan, D., Gao, J., et al., 2020b. Detección de averías en pavimentos
mediante radar de penetración en el suelo y red en redes. Construcción y
Materiales de Construcción 233, 117352.
Ukhwah, EN, Yuniarno, EM, Suprapto, YK, 2019. Detección de baches en el
pavimento de asfalto mediante un método de aprendizaje profundo basado
en la red neuronal YOLO. En: 2019 Seminario Internacional sobre Tecnología
Inteligente y sus Aplicaciones, Surabaya, 2019.
Wang, Z., Cai, L., Wang, X., et al., 2018. Rendimiento de fatiga de combinaciones
de estructuras de diferentes espesores de mezcla en caliente
Mezclas asfálticas emulsionadas de asfalto y cemento. Materiales 11 (7),
1145.
Woldemariam, W., Murillo-Hoyos, J., Labi, S., 2016. Estimación de los gastos
anuales de mantenimiento de la infraestructura: enfoque de redes neuronales
artificiales. Revista de Sistemas de Infraestructura 22 (2), 04015025.
Xu, Z., Che, Y., Li, J., et al., 2019. Progreso de la investigación sobre la
tecnología de procesamiento automático de imágenes para el deterioro del
pavimento. Revista de ingeniería de tráfico y transporte 19 (1), 172e190.
Xu, G., Ma, J., Liu, F., et al., 2008. Reconocimiento automático de grietas en la
superficie del pavimento basado en la red neuronal BP. En: 2008 Conferencia
Internacional sobre Ingeniería Informática y Eléctrica , Phuket, 2008.
Yamany, MS, Saeed, TU, Volovski, M., et al., 2020. Caracterización del
rendimiento de pavimentos flexibles interestatales mediante redes neuronales
artificiales y regresión de parámetros aleatorios. Revista de Sistemas de
Infraestructura 26 (2), 04020010.
Yang, J., Lu, JJ, Gunaratne, M., et al., 2003. Pronóstico general del estado del
pavimento con la aplicación de redes neuronales en
Machine Translated by Google

1020 J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021

Red de carreteras de Florida. Registro de investigación de transporte 1853,
3e12.
Yang, J., Lu, JJ, Gunaratne, M., et al., 2006. Modelado del deterioro de grietas
del pavimento flexible, comparación de cadenas de Markov recurrentes y
redes neuronales artificiales. Registro de investigación de transporte 1974,
18e25.
Yang, Q., Shi, W., Chen, J., et al., 2020a. Método de aprendizaje de transferencia
basado en redes neuronales de convolución profunda para la detección de
grietas en infraestructuras civiles. Automatización en la Construcción 116,
103199.
Yang, F., Zhang, L., Yu, S., et al., 2020b. Pirámide de características y red de
refuerzo jerárquica para la detección de grietas en el pavimento.
Transacciones IEEE en sistemas de transporte inteligentes 21 (4), 1525e1535.
Yao, L., Dong, Q., Jiang, J., et al., 2019. Establecimiento de modelos de predicción
del rendimiento del pavimento de asfalto basados en un nuevo método de
calibración de datos y una red neuronal. Registro de investigación de
transporte 2673, 66e82.
Yao, L., Dong, Q., Jiang, J., et al., 2020. Aprendizaje de refuerzo profundo para la
planificación del mantenimiento de pavimentos a largo plazo.
Ingeniería civil y de infraestructura asistida por computadora 2020 (35),
1230e1245.
Yasarer, H., Najjar, Y., 2011. Desarrollo de un modelo de evaluación rápida de la
permeabilidad al cloruro basado en un diseño mixto utilizando redes
neuronales. En: 2011 Conferencia Internacional Conjunta sobre Redes
Neuronales , San José, 2011.
Yasarer, H., Najjar, Y., 2012. Desarrollo de modelos de predicción de vacíos para
mezclas de concreto de Kansas utilizadas en pavimento PCC.
Procedia Informática 8, 473e478.
Yasarer, H., Najjar, Y., 2014. Caracterización de la permeabilidad de las mezclas
de concreto de Kansas utilizadas en pavimentos PCC.
Revista Internacional de Geomecánica 14 (4), 04014017.
Yu, X., Salari, E., 2011. Detección de baches en el pavimento y medición
de la gravedad mediante imágenes láser. En: Conferencia internacional
IEEE de 2011 sobre tecnología de la información electrónica, Mankato,
2011.
Zakeri, H., Nejad, FM, Fahimifar, A., 2017. Técnicas basadas en imágenes
para la detección, clasificación y cuantificación de grietas en pavimento
asfáltico: una revisión. Archivos de métodos computacionales en
ingeniería 24 (4), 935e977.
Zaman, M., Zhu, J., 1998. Un modelo de red neuronal para un suelo sin
cohesión. Editorial AA Balkema, Róterdam.
Zhang, G., Patuwo, BE, Hu, MY, 1998. Pronósticos con redes neuronales
artificiales: el estado del arte. Revista Internacional de Pronósticos 14
(1), 35e62.
Zhang, A., Wang, KCP, Fei, Y., et al., 2018. Detección totalmente
automatizada de grietas en el pavimento basada en aprendizaje
profundo en superficies de asfalto 3D con una CrackNet mejorada.
Revista de Computación en Ingeniería Civil 32 (5), 04018041.
Zhang, A., Wang, KCP, Fei, Y., et al., 2019. Detección automatizada de
grietas en el pavimento a nivel de píxel en superficies de asfalto 3D
con una red neuronal recurrente. Ingeniería civil y de infraestructura
asistida por computadora 2019 (34), 213e229.
Zhang, A., Wang, KCP, Li, B., et al., 2017. Detección automatizada de
grietas en el pavimento a nivel de píxel en superficies de asfalto 3D
mediante una red de aprendizaje profundo. Ingeniería civil y de
infraestructura asistida por computadora 2017 (32), 805e819.
Zhang, H., Wu, C., Zhang, Z., et al., 2020a. ResNeSt: redes de atención
dividida. arXiv, 2004.08955.
Zhang, H., Yu, T., 2018. Predicción de los módulos elásticos de la subrasante en
diferentes estaciones según la tecnología de redes neuronales de BP.
Materiales viales y diseño de pavimentos 19 (2), 271e288.
Zhang, J., Zhang, C., Lu, Y., et al., 2020b. Reconocimiento in situ del daño
por humedad en el pavimento asfáltico de tableros de puentes con
características de tiempo-frecuencia de la señal GPR. Construcción y
Materiales de Construcción 244, 118295.
Zhao, Z., Zheng, P., Xu, S., et al., 2019. Detección de objetos con aprendizaje
profundo: una revisión. Transacciones IEEE en redes neuronales y sistemas
de aprendizaje 30 (11), 3212e3232.
Zhou, S., Song, W., 2020. Clasificación de grietas en la carretera basada en el
aprendizaje profundo utilizando imágenes de rango escaneadas con láser: un
estudio comparativo sobre la selección de hiperparámetros. Automatización
en la Construcción 114, 103171.
Zhu, X., Tuia, D., Mou, L., et al., 2017. Aprendizaje profundo en sensores remotos:
una revisión exhaustiva y una lista de recursos. Revista IEEE Geoscience
and Remote Sensing 5 (4), 8e36.
Ziari, H., Divandari, H., 2013. Presentación del modelo de predicción del número
de flujo de mezclas asfálticas utilizando curvas giratorias.
Revista Internacional de Ingeniería Civil 11 (2A), 125e133.
Ziari, H., Sobhani, J., Ayoubinejad, J., et al., 2016. Predicción de IRI a corto
y largo plazo para pavimentos flexibles: métodos ANN y GMDH. Revista
Internacional de Ingeniería de Pavimentos 17 (9), 776e788.
Ziyadi, M., Al-Qadi, IL, 2017. Método sustituto eficiente para predecir la respuesta
del pavimento a varias configuraciones de neumáticos.
Informática neuronal y aplicaciones 28 (6), 1355e1367.
Xu Yang recibió la licenciatura de la Universidad del
Sudeste, China, en 2009, y el doctorado de la
Universidad Tecnológica de Michigan, EE. UU., en
2015. Actualmente es profesor en la Escuela de
Carreteras de la Universidad de Chang'an, China. Ha
publicado más de 120 artículos con más de 2000 citas
(Google Scholar) en revistas revisadas por pares y
actas de congresos. Sus intereses de investigación
incluyen tecnología avanzada de construcción y mantenimiento de pavimentos de
carreteras, aprendizaje profundo para la detección automatizada de daños en
pavimentos y simulación numérica para materiales de ingeniería civil.
Jinchao Guan recibió la licenciatura de la Universidad
Tecnológica de Nanjing, China, en 2018. Actualmente
es estudiante de doctorado en la Escuela de Carreteras
de la Universidad de Chang'an. Sus intereses de
investigación actuales incluyen la reconstrucción 3D
para la infraestructura de transporte, el aprendizaje
profundo para el monitoreo de la salud del pavimento
y la optimización matemática para el mantenimiento
del pavimento.
Ling Ding recibió el doctorado de la Universidad del
Sudeste de China. Actualmente es profesora en la
Facultad de Ingeniería de Transporte de la Universidad
de Chang'an.
Sus intereses de investigación incluyen el control
remoto de actividades viales, el análisis del
comportamiento de los viajes mediante el uso de redes
neuronales y el monitoreo
de del
transporte.
estado de la infraestructura
Machine Translated by Google

J. Tráfico Transp. Ing. (Edición inglesa) 2021; 8 (6): 1000e1021 1021

Zhanping Usted recibió el doctorado en sistemas de apoyo a la salud del paciente, pronóstico del cáncer de tiroides y
ingeniero civil de la Universidad de Illi nois en Urbana- analisis de tratamientos
Champaign, EE. UU., en 2003. Él
Actualmente es profesor distinguido en la
Departamento de Ingeniería Civil y Ambiental, Mohd Rosli Mohd Hasan recibió el doctorado
Universidad Tecnológica de Michigan. Ha publicado
grado en ingeniería civil (transporte
más de 300 artículos en
materiales) de Michigan Technology
revistas revisadas por pares y actas de congresos.
Universidad, Estados Unidos. Actualmente es académico
Sus intereses de investigación incluyen
personal de ingeniería vial de la Escuela de
materiales de transporte, diseño de pavimentos,
Ingeniería Civil, Universiti Sains Malaysia
materiales asfálticos e ingeniería de transporte.
(Campus de Ingeniería). ha publicado
más de 60 artículos en varias revistas locales e
internacionales, y actas de congresos. Su investigación se centra
Vincent CS Lee recibió el doctorado sobre materiales de transporte sostenible y tecnología de asfalto.
de la Universidad de New Castle, NSW,
Australia. Actualmente es asociado
profesor en Machine Learning y Deep
Xiaoyun Cheng recibió los grados de BS y MS en
Disciplina de Aprendizaje del Departamento de
ingeniería vial y ferroviaria
Ciencia de Datos e Inteligencia Artificial,
de la Universidad de Chang'an, Shaanxi, China y
Facultad de Tecnología de la Información,
el doctorado en ingeniería de transporte
Universidad de Mon ash, Australia. Ha publicado
de la Universidad de Tongji, Shanghái, en 2015. Ella
más de 200 artículos en revistas revisadas por pares.
Actualmente es profesor asistente de ingeniería de
revistas y actas de congresos. Sus intereses de investigación actuales son
transporte en la Facultad de Ingeniería de Transporte
multidisciplinarios y se extienden a través del procesamiento de señales;
de la Universidad de Chang'an.
información y representación adaptativa del conocimiento
Sus intereses de investigación incluyen el transporte
ingeniería; minería de datos, texto y gráficos para el descubrimiento de
planificación, análisis de comportamiento de viaje, big data en
conocimientos; teoría de la decisión; investigación de sistemas de información basada en
transporte y modelado estadístico.
paradigma de la ciencia del diseño; e ingeniería neurofinanciera, UCI