一种用于道路资产预测性维护规划的深度强化学习模型：整合 LCA 与 LCCA
机器学习
2023-11-28 v3 人工智能
摘要
道路维护规划是道路资产管理的重要组成部分。维护与修复（M&R）实践中的主要挑战之一是确定维护类型与时机。本研究提出一种基于长期路面性能（LTPP）数据库、使用强化学习（RL）的框架，以确定 M&R 实践的类型与时机。所提算法首先开发一个预测性 DNN 模型，其作为 RL 算法的环境。对于 RL 模型的策略估计，开发了 DQN 和 PPO 两种模型。但最终选择了 PPO，因其收敛性更好且样本效率更高。本研究使用的指标为国际平整度指数（IRI）和车辙深度（RD）。最初我们考虑将裂缝指标（CM）作为第三个指标，但随后因其数据量远少于其他指标而导致结果精度较低，故将其排除。此外，在成本效益计算（奖励）中，我们同时考虑了 M&R 处理的经濟与环境 impacts。成本与环境 impact 已通过 paLATE 2.0 软件评估。我们的方法在位于得克萨斯州、气候温暖潮湿、长 23 公里的一条六车道高速公路的假设案例研究中进行了测试。结果提出了一个 20 年 M&R 计划，其中道路状况保持在优良状态范围内。由于道路早期处于良好服务水平，前几年无需重型维护实践。之后，在重型 M&R 行动后，有若干 1-2 年无需处理。所有这些表明所提计划具有合理结果。决策者与交通机构可使用该方案实施更好的维护实践，从而防止预算浪费并同时最小化环境影响。
引用
@article{arxiv.2112.12589,
title = {A deep reinforcement learning model for predictive maintenance planning of road assets: Integrating LCA and LCCA},
author = {Moein Latifi and Fateme Golivand Darvishvand and Omid Khandel and Mobin Latifi Nowsoud},
journal= {arXiv preprint arXiv:2112.12589},
year = {2023}
}