Met ongeveer 4,18 miljoen mijl aan wegen in de Verenigde Staten, het plannen van bestratingsonderhoud kan een ontmoedigend proces lijken.

Momenteel, transportafdelingen (DOT's) hebben de neiging om te vertrouwen op praktijken uit het verleden of de mening van deskundigen om onderhoudsbeslissingen te nemen. Maar met een achterstand van $ 420 miljard aan reparaties voor Amerikaanse snelwegen, deze conventionele methoden worden steeds minder effectief. In plaats daarvan, DOT's vereisen meer kwantitatieve benaderingen om hun krappe budgetten te beheren en hun verouderde wegen te repareren.

In een recent artikel in Transportonderzoek Deel C:Opkomende technologieën , MIT Concrete Sustainability Hub (CSHub) onderzoekers Fengdi Guo, Jeremy Gregory, en Randolph Kirchain stellen een dergelijke benadering voor, bekend als probabilistische behandelingspadafhankelijkheid (PTPD). PTPD presteert beter dan conventionele modellen, waarvoor een extra jaarlijks budget van 10 procent nodig zou zijn om hetzelfde niveau van netwerkprestaties in de gegeven case study te bereiken.

CSHub-onderzoekers bereikten dit door het hoofd te bieden aan een fundamentele zorg waar veel conventionele modellen voor terugdeinzen:onzekerheid.

Comfortabel met onzekerheid

Bestrating is vol onzekerheid. Van de verslechtering van verhardingen tot de prijs van materialen, DOT's kunnen niet zeker weten hoe de dingen er over vijf, 10, of 20 jaar. Bovendien, het voorspellen en incorporeren van dit soort onzekerheden kan een uitdaging zijn - genoeg zodat veel modellen het helemaal negeren.

traditioneel, de meeste modellen wegen de kosten en baten van onderhoudsbeslissingen voor elk segment van een netwerk af om de beste te kiezen. Hun analyses hebben de neiging om de kosten en baten te berekenen op basis van het lopende jaar of voor een vaste reeks toekomstige onderhoudsbehandelingen, zonder rekening te houden met onzekerheden tijdens de analyseperiode.

"Dit kan betekenen dat ze van plan zijn om een ​​nieuw segment bestrating elke keer op dezelfde manier te onderhouden in de loop van zijn leven, ", zegt Guo. "Het probleem is dat dit vaak niet mogelijk is. Overuren, veranderingen in de prijs van materialen, de verslechtering van verhardingen, en zelfs de veranderingen in behandelingspaden - die de opeenvolging van genomen onderhoudsacties zijn - zullen behandelingen vereisen die niet in het oorspronkelijke model zijn gespecificeerd."

Om DOT's hun netwerken efficiënt te laten beheren, dan, ze moesten zich beter aanpassen aan de afhankelijkheid en onzekerheid van het behandeltraject.

CSHub-onderzoek probeerde een nieuw model te creëren dat hen het meeste aanpassingsvermogen biedt. Om dit te doen, ze overwogen duizenden behandelingsschema's onder toekomstige scenario's.

Hun model gaat uit van een bottom-upbenadering, kijken naar elk segment in een bestratingsnetwerk. Voor elk segment, het evalueert elke mogelijke initiële behandeling en toekomstscenario van materiële prijs en achteruitgang. Vanaf daar, voor elke combinatie van scenario en initiële behandeling wordt een optimaal behandeltraject en de totale kosten vastgesteld.

Met al deze mogelijkheden die voor hen liggen, CSHub-onderzoekers berekenden vervolgens de waarschijnlijkheid van bepaalde resultaten in de prestaties van het wegdek - de oppervlaktekwaliteit van het wegdek - voor elke combinatie van initiële behandelingsoptie en toekomstscenario. Hierdoor kunnen ze vastleggen welke behandelingen waarschijnlijk de beste resultaten hebben, gezien alle mogelijke veranderingen die kunnen optreden. Voor elk segment, het model identificeert vervolgens de twee behandelingsopties met de meest waarschijnlijke resultaten.

"Om te kiezen tussen deze laatste twee opties, " zegt Guo, "Ons model houdt rekening met de risico's die aan elk en het beschikbare budget zijn verbonden, ook."

In dit geval, risico verwijst naar hoe de werkelijke prestatie van een behandeling kan afwijken van de gemiddelde verwachte prestatie. Hoe groter de variantie en hoe extremer de uitbijterscenario's, hoe groter het risico. Echter, het is een afweging - een riskantere behandeling kan ook betere prestaties opleveren.

Dus, het is aan de DOT om te bepalen hoeveel risico ze bereid zijn te nemen. En het is dat risiconiveau dat bepaalt welke van de laatste twee opties ze zullen selecteren voor elk segment in het bestratingsnetwerk.

Bestrating in de praktijk

In verschillende casestudies die in hun paper worden besproken, CSHub-onderzoekers analyseerden hoe risiconiveaus de selectie van behandelingen binnen hun modellen beïnvloedden, evenals hoe hun model in vergelijking met conventionele modellen. Ze ontdekten dat wanneer DOT's minder afkerig waren van het riskeren van onverwachte resultaten in de prestaties van een segment, hun model gaf de voorkeur aan dunne asfaltoverlays voor dat segment, wat een goedkopere behandelingsoptie is. Naarmate de risicoaversie toenam, echter, het tegenovergestelde gebeurde. Het model gaf in plaats daarvan de voorkeur aan duurdere betonnen overlays en complete reconstructies van het segment.

Hoe kan dat?

Het komt neer op de prijs van materialen.

"In tegenstelling tot asfalt, beton heeft doorgaans een lagere prijsvolatiliteit, " legt Guo uit. "Dat betekent dat DOT's betrouwbaar kunnen voorspellen hoeveel concrete behandelingen zullen kosten. Dit voorkomt het soort kostenoverschrijdingen die kunnen optreden als gevolg van een onverwachte stijging van de asfaltprijzen."

Dezelfde wisselwerking treedt op met de prestaties van de bestrating.

"Hoewel risicovollere behandelingen betere prestatieresultaten kunnen bieden, het is waarschijnlijker dat die resultaten zullen variëren, " legt Guo uit. "Aan de andere kant, minder risicovolle behandelingen zullen meer consistente prestaties bieden, hoewel die prestaties iets lager kunnen zijn."

uiteindelijk, de onderzoekers ontdekten dat modellen met een matige risicoaversie en een mix van asfalt en beton de beste resultaten hadden, omdat ze de gemiddelde prestaties en prestatievariabiliteit konden optimaliseren.

De onderzoekers vergeleken vervolgens hun PTPD-model met een matig risico met conventionele kosten-batenbenaderingen die momenteel door DOT's worden gebruikt.

Over een analyseperiode van 20 jaar, ze ontdekten dat hun PTPD-model beter presteerde dan het conventionele model.

Hoewel het conventionele model de kosten en prestaties op korte termijn zou kunnen optimaliseren, het anticipeerde niet op toekomstige onzekerheden. Dit leidde tot vaker, goedkopere behandelingen die aanvankelijk de resultaten verbeterden, maar na verloop van tijd resulteerden in slechtere prestaties en hogere kosten.

Het PTPD-model ging in plaats daarvan uit van een langetermijnperspectief. Het zorgde voor onzekerheden en als gevolg, beter geanticipeerd en aangepast aan toekomstige veranderingen.

Dit betekende dat het van tevoren zwaarder investeerde in een paar belangrijke, intensief gebruikte segmenten van een netwerk. Als resultaat, de prestatie- en kostenvoordelen in het hele netwerk kwamen pas later in de analyseperiode tot uiting. Tegen die tijd, het netwerk vereist eenvoudiger, goedkopere behandelingen minder vaak.

In feite, om het kosten-batenmodel even goed te laten presteren als het PTPD-model, DOT's zouden gedurende 20 jaar 10 procent meer moeten besteden aan de gegeven case study.

In de toekomst, Guo en zijn collega's hopen hun analyse uit te breiden tot het hele Amerikaanse wegennet. Naast kosten en prestaties, ze willen de ecologische voetafdruk van bestratingsbeslissingen meten, ook.

Onzekerheid onder ogen zien is moeilijk. Maar met hun nieuwste model, CSHub-onderzoekers doen precies dat. In plaats van onzekerheid weg te nemen, ze confronteren het frontaal. En bijgevolg, DOT's kunnen binnenkort minder achterstanden en betere wegen verwachten.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.