Huvudsöknade: KTH, Denis Jelagin
Det här projektet syftar till att bidra till implementering av ett datadrivet stöd för planering och uppföljning av vägunderhållsinsatser genom att kombinera den omfattande datamängd som samlas in av Trafikverket och andra offentliga myndigheter med maskininlärningstekniker. Dessa databaser innehåller detaljerad information om tillståndet för Sveriges vägnät, t.ex. jämnhet, trafik, underhållshistorik och avvattning. Dock har deras potentiella användning inom beslutsstöd för vägteknik ännu inte utforskats fullt ut. Huvudmålet med projektet är att använda maskininlärning och statistiska verktyg för att förutsäga nedbrytningstakten för vägbeläggningen, med hänsyn till strukturella egenskaper, vägytans skick och miljöfaktorer som exempelvis väderdata. Målet är att erbjuda ett datastyrt beslutsstöd för vägunderhåll och förstärkning. Dessutom syftar projektet till att identifiera de mest effektiva underhållsteknikerna ur ett livscykelperspektiv, baserat på dokumenterad prestanda från tidigare underhållsåtgärder. Projektet involverar ett tvärvetenskapligt team, inklusive ett postdoktorprojekt på KTH som fokuserar på dataextraktion, rening och maskininlärning samt ett industriellt doktorandprojekt på COWI dedikerat till att implementera datainsikter inom vägbyggnadspraxis. Förväntade utfall av projektet inkluderar mer exakta förutsägelser av återstående livslängd för vägbeläggningen, en djupare förståelse för underhållets inverkan på förlängning av vägarnas livslängd samt grunden för att optimera strategier för underhåll och förstärkning med hänsyn till livscykelkostnader. Nyckelord: Pavement condition; Maintenance; Big-data; Machine learning.