Download - la colaboración institucional de: EFICIENTE DE PAVIMENTOS … · 2020. 11. 26. · medio y largo plazo. La investigación lleva por título “Sistema integral para el mantenimiento

l a c o l a b o r a c i ó n i n s t i t u c i o n a l d e :

c o n e l p a t r o c i n i o d e :

C o n v o c a :

Asociación Española de la Carretera

SISTEMA INTEGRAL PARA EL MANTENIMIENTO

EFICIENTE DE PAVIMENTOSURBANOS



premio internacionalA LA INNOVACIÓN EN CARRETERASpremio internacionalA LA INNOVACIÓN EN CARRETERAS

JUAN ANTONIO FERNÁNDEZ DEL CAMPO

2019 • 2020

2019•2020

Prem

io In

tern

acio

nal a

la In

nova

ción

en

Carr

eter

as

Oc t avaEd i c i ó n

]âtÇ

TÇàÉ

Ç|É Y

xÜÇöÇ

wxé wx

Ä VtÅ

ÑÉ

O c t ava E d i c i ó n

y l a c o l a b o r a c i ó n e m p r e s a r i a l d e :

CUBIERTA _Maquetación 1 23/11/20 11:37 Página 1

SISTEMA INTEGRAL PARA EL MANTENIMIENTO EFICIENTE DE PAVIMENTOS URBANOS

E u g e n i o Pe l l i c e r A r m i ñ a n aRo b e r t o Pa r e d e s Pa l a c i o sJe s ú s Fe l i p o Sa n j u á nJu a n Sá n c h e z - Ro b l e s Be l l o

premio internacionalA LA INNOVACIÓN EN CARRETERAS


O c t a v a E d i c i ó n2019 • 2020

Trabajo premiado

MAQUETA Documento PREMIADO _Maqueta premiada .qxp 23/11/20 11:42 Página 1

Presidente

Vocales (relacionados alfabéticamente)

Dª ROSARIO CORNEJO ARRIBAS

Ingeniera de Caminos, Canales y Puertos.Directora Técnica de la Dirección General de Carreteras del Ministeriode Transportes, Movilidad y Agenda Urbana.Presidente de la Asociación Técnica de Carreteras (ATC).Medalla de Honor de la Carretera con Mención Especial (AEC).

D. ESTEBAN DIEZ ROUX

Ingeniero Civil. Doctor en Filosofía y Maestro en Ciencias en Ingeniería.Asesor Senior de Operaciones en la Oficina del VicepresidenteEjecutivo del Banco Interamericano de Desarrollo (BID).Asesor de los Gobiernos de Latinoamérica y el Caribe en Política deTransportes.

Dª MARISOL MARTÍN-CLETO

Ingeniera de Caminos, Canales y Puertos, y MBA por laUniversidad Politécnica de Madrid. Doctora Cum Laude por la Universidad de Burgos.Directora General de Prointec con trayectoria profesional de 30años en empresas de ingeniería.Consejera del Colegio de Ingenieros de Caminos, Canales y Puertos.

D. ANDRÉS MONZÓN DE CÁCERES

Doctor Ingeniero de Caminos, Canales y Puertos.Catedrático de Transportes en la Escuela Técnica Superior de Ingenierosde Caminos, Canales y Puertos de la Universidad Politécnica de Madrid.Presidente del Foro de Ingeniería del Transporte.Director de la Escuela Internacional de Doctorado de la UniversidadPolitécnica de Madrid.Medalla de Honor de la Carretera con Mención Especial (AEC).

D. JACOBO DÍAZ PINEDA

Ingeniero de Caminos, Canales y Puertos.Secretario de la Fundación de la Asociación Española de laCarretera (FAEC).Director General de la Asociación Española de la Carretera (AEC).Presidente del Instituto Vial Ibero-Americano (IVIA).

Octava Edición2019 • 2020Miembros del Jurado

D. FÉLIX EDMUNDO PÉREZ JIMÉNEZ

Doctor Ingeniero de Caminos, Canales y Puertos.Catedrático de Caminos de la Escuela Técnica Superior de Ingenieros deCaminos, Canales y Puertos de Barcelona (Universidad Politécnica de Cataluña).Medalla de Honor de la Carretera con Mención Especial (AEC).I Premio Internacional a la Innovación en Carreteras “Juan AntonioFernández del Campo”.

D. ENRIQUE BELDA ESPLUGUES

Doctor Ingeniero de Caminos, Canales y Puertos.Subdirector General de Sistemas de Información y Comunicaciones para laSeguridad de la Secretaría de Estado de Seguridad del Ministerio del Interior.Medalla de Honor de la Carretera con Mención Especial (AEC).IV Premio Internacional a la Innovación en Carreteras "Juan AntonioFernández del Campo".

Secretario

D. MARCELO O. RAMÍREZ BELLIURE

Ingeniero Civil por la Universidad Nacional de La Plata (Argentina).Executive MBA, IAE Business School.Especialización en Ingeniería de Caminos por la Escuela deGraduados de Ingeniería de Caminos de la Universidad deBuenos Aires.Presidente de la Asociación Argentina de Carreteras (AAC).Presidente de la Comisión Permanente del Asfalto. Gerente de Infraestructura y Construcción, YPF, S.A.

Comisión de ValoraciónD. FRANCISCO JOSÉ LUCAS OCHOAGerente Sénior de Asistencia Técnica y Desarrollo de Negocios de Asfaltos • REPSOLLUBRICANTES Y ESPECIALIDADES, S.A.

Dª ELENA DE LA PEÑA GONZÁLEZSubdirectora General Técnica • ASOCIACIÓN ESPAÑOLA DE LACARRETERA (AEC)

D. VICENTE PÉREZ MENADirector Técnico • CEPSA COMERCIAL PETRÓLEO, S.A.U.

D. JOSÉ ANTONIO PLAZA RIVEROJefe de Área de Calidad, Normativa y Supervisión de Proyectos de la DirecciónGeneral de Carreteras • COMUNIDAD DE MADRID - CONSEJERÍA DETRANSPORTES, MOVILIDAD E INFRAESTRUCTURAS

Dª MARTA RODRIGO PÉREZSecretaria de la Comisión de Valoración • FUNDACIÓN DE LA ASOCIACIÓNESPAÑOLA DE LA CARRETERA (FAEC)

Dª PILAR SEGURA PÉREZJefa del Servicio de Materiales. Dirección Técnica • DRAGADOS

D. IÑAKI ZABALA ZUAZODirector del Área Norte de IECA • OFICEMEN-IECA


3

El miércoles 28 de octubre de 2020, a las 16:00 horas,se reunían en sesión telemática los miembros del Juradode la “VIII Edición del Premio Internacional a la Innova -ción en Carreteras Juan Antonio Fernández del Campo”,actuando como Presidente D. Félix Edmundo PérezJiménez, y como Secretario, D. Jacobo Díaz Pineda.

(…)

Tras una intensa deliberación y por decisión unánimedel Jurado, cuyos miembros emiten su dictamen perso-nalmente, se acuerda otorgar el galardón como mejortrabajo de innovación en carreteras presentado a la“VIII Edición del Premio Internacional a la Innovaciónen Carreteras Juan Antonio Fernández del Campo” aloriginal que lleva por título “Sistema integral para elmantenimiento eficiente de pavimentos urbanos”y del que son autores principales D. Eugenio PellicerArmiñana, D. Roberto Paredes Palacios, D. Jesús FelipoSanjuán y D. Juan Sánchez-Robles Bello.

Asimismo, el Jurado acuerda reconocer con un Accésitel trabajo titulado “Estudio de riegos asfálticos deliga entre capas asfálticas para rehabilitación depavimentos flexibles fresados”, y del que es autorD. José Julián Rivera.

Fallo del Jurado de la VIII Edición del

“Premio Internacional a la Innovación en

Carreteras Juan AntonioFernández del Campo”,

adoptado en reunióncelebrada en Madrid,

el día 28 de octubre de2020



Octava Edición2019 • 2020


Esperar que todo vuelva a ser como fue o aprovechar la oportunidad paracrear un mundo mejor, más equilibrado, eficiente, seguro y sostenible.

Estas son las dos respuestas posibles al desafío que estamos enfrentando enlos últimos ocho meses.

Nada hacía presagiar cuando comenzaba este 2020 que nuestra vida iba adar un giro de 360 grados de un día para otro. Un giro violento e impactanteque nos paralizaba y nos sumía en un abatimiento profundo, desnudando lafragilidad de nuestro sistema económico, construido sobre una estructuraglobal que se ha revelado débil, como un castillo de naipes.

Si algo nos ha enseñado esta crisis es que somos peligrosamente dependien-tes de una cadena de valor global que tiene virtudes, sin duda, pero que tam-bién tiene un reverso cuya crudeza nos ha sorprendido “fuera de juego”.

Sin embargo, la reacción ha sido tan inmediata como dolorosa. Porque no hacernada es siempre la peor elección y, en este caso, también es la que nos aboca -ría directamente al derrotismo.

INNOVACIÓN VIARIA ENLA ERA COVID

Juan Francisco LazcanoAcedo

Presidente de la Fundación de la Asociación Española

de la Carretera y del Comité de Gestión del

“Premio Internacional a laInnovación en CarreterasJuan Antonio Fernández

del Campo”



4


Está científicamente demostrado que el universo tiene su manera de devol-ver el equilibrio a las cosas según sus propias leyes cuando éstas se venalteradas, pero no es menos cierto que la capacidad e ingenio del ser huma -no acelera este retorno, concebido así como proceso transformador.

Estamos en el momento perfecto para replantear las actuales estrategias ygenerar nuevas y mejores capacidades. Con este propósito, aumentar la inver -sión en investigación, innovación y desarrollo parece una opción clara pararesponder a los desafíos que la pandemia por coronavirus ha generado.

El COVID19 nos ha paralizado, pero, por eso mismo, también nos ha permi-tido dedicar tiempo a la reflexión serena sobre el futuro y constatar que, porencima de todo, somos seres resilientes, con una gigantesca capacidad deadaptación al cambio y de superación de las adversidades.

Paradójicamente, crisis y oportunidad se han dado ya la mano en medio de unapesadilla que nos ayudará a despejar las incógnitas que, como consecuenciade las nuevas necesidades que la pandemia ha suscitado, han cambiado derango en nuestra escala de valores, dejando atrás posiciones secundarias.

5


Estamos en el momento perfecto para

replantear las actuales estrategias y generar

nuevas y mejores capacidades. Con este proposito,

aumentar la inversion en investigacion, innovacIOn

y desarrollo parece una opcion clara

“ ´´

“´´

´


En efecto, con voluntad innovadora y empeño técnico y político, la travesíahacia los nuevos modelos de trabajo, de formación, de ocio o de movilidadque están surgiendo puede finalizar acariciando el éxito.

Las infraestructuras viarias van a seguir siendo determinantes en la configu-ración de la movilidad futura y en la satisfacción de esas necesidades quese han manifestado a golpe de confinamiento y, en este sentido, es funda-mental que el sector viario se mantenga incombustible en la búsqueda desoluciones basadas en la digitalización. El futuro plantea un escenario en elque la integración entre plataformas IoT (Internet de las Cosas) y los siste-mas inteligentes de transporte favorecerá la reducción en la latencia y, portanto, una comunicación más ágil en tiempo real.

La conducción autónoma y conectada favorecerá, además, el rápido desarro -llo del estándar de red móvil 5G, lo que representa un significativo valor aña-dido que llega desde el ámbito de las infraestructuras viarias al conjunto dela sociedad. Otros avances, como el blockchain, los drones o las aplicacionespara la gestión del transporte propiciadas por el Big Data, van a tener tam-bién un papel protagonista en las carreteras del futuro inmediato.

Un ejemplo claro de ello será la aplicación del sistema que se ha alzado conla octava edición del “Premio Internacional a la Innovación en Carreteras Juan

6



El sistema que se ha alzado con la octava edicion

de este Premio tiene altas posibilidades de aplicacion

se basa en una interfaz visual muy intuitiva, de facil uso, que

permite identificar y cuantificar los deterioros en el pavimento

y predecir cual sera su estado en un futuro

“ ´´

´

´´

;

“


7


Antonio Fernández del Campo”, una propuesta con altas posibilidades deutilización, basada en una interfaz visual muy intuitiva, de fácil uso, que per-mite, por un lado, identificar y cuantificar los deterioros en el pavimento demanera automática, y por otro, predecir cuál será el estado de la red en unfuturo y así poder establecer una programación eficiente y proactiva delas actuaciones de mantenimiento y rehabilitación del pavimento urbano amedio y largo plazo.

La investigación lleva por título “Sistema integral para el mantenimiento efi-ciente de pavimentos urbanos (SIMEPU)”.

La gestión actual del pavimento urbano adolece de la inexistencia de méto-dos eficientes para la detección de daños, escasez y dispersión de modelosde predicción de deterioros y ausencia de factores relacionados con la sos-tenibilidad social y medioambiental en la toma de decisiones.

De aquí surge el proyecto SIMEPU, cuyo objetivo principal es diseñar unanueva herramienta, basada en un Sistema de Información Geográfica, quepermite la automatización de las tareas de auscultación a través de la obten-ción de imágenes con cámaras convencionales y el procesamiento posteriorde las mismas mediante técnicas de aprendizaje profundo, evitando la sub-jetividad derivada de la inspección visual y reduciendo tiempos y costes dela evaluación del pavimento; la homogeneización de la predicción futura delestado del firme al incorporar, además de variables técnicas, variables rela-cionadas con el volumen de tráfico, climatología…, y la formulación de unmodelo de optimización y toma de decisiones que incluye criterios como lasemisiones de CO2 o la proximidad a infraestructuras de desarrollo social yeconómico, con el fin de reducir los costes también desde una perspectivasocial y medioambiental.


La autoría del trabajo corre a cargo de un equipo multidisciplinar de profe-sionales del mundo universitario y la empresa, siendo sus autores principalesEugenio Pellicer y Roberto Paredes, ambos pertenecientes a la UniversidadPolitécnica de Valencia, y Jesús Felipo y Juan Sánchez-Robles, de las compa -ñías Pavasal Empresa Constructora y CPS Infraestructuras Movilidad y MedioAmbiente, respectivamente.

Desde aquí les transmito a todos ellos mi más sincera enhorabuena por elgran trabajo que han presentado a concurso y que, finalmente, se ha alzadocon el Premio.

Además, el Jurado de la VIII Edición del certamen ha concedido un Accésital original que lleva por título “Estudio de riegos asfálticos de liga entre capasasfálticas para rehabilitación de pavimentos flexibles fresados”, del que esautor José Julián Rivera, de LeMAC, centro de investigaciones viales depen-diente de la Universidad Tecnológica Nacional-Facultad Regional La Plata yla Comisión de Investigaciones Científicas de la provincia de Buenos Aires(Argentina), a quien también traslado mis felicitaciones.

Presidido por el prestigioso profesor Félix Edmundo Pérez Jiménez, Catedrá -tico de Caminos de la Escuela Técnica Superior de Ingenieros de Caminos,Canales y Puertos de Barcelona (Universidad Politécnica de Cataluña), elJurado de esta convocatoria ha tenido que sortear importantes dificultadesasociadas a la alta calidad y nivel de los originales que han concursado. Pero,sin duda, haciendo gala de una loable ecuanimidad y gracias a los vastos cono-cimientos de todos sus integrantes, bajo la batuta de Félix Pérez, he de afirmarque el Jurado ha realizado una magnífica labor, que debo poner de manifiestoy agradecer en nombre del Patronato de la Fundación de la Asociación Espa -ñola de la Carretera.

8




No puedo finalizar estas líneas sin dejar constancia, asimismo, de mi gratitudy reconocimiento a todas las empresas e instituciones que patrocinan y apo-yan esta iniciativa: Banco Caminos, Cepsa y Repsol, la Dirección General deCarreteras de la Consejería de Transportes, Movilidad e Infraestructuras dela Comunidad de Madrid, Oficemen (Agrupación de Fabricantes de Cementode España) y Dragados, Acciona Infraestructuras, Eiffage Infraestructuras,Euroconsult, FCC Construcción, Ferrovial Construcción, Lantania, OHL y Sacyr.

Y, por supuesto, gracias también a todos los profesionales que han presen-tado sus trabajos a esta octava convocatoria de nuestro Premio. Su valía estal que es mi obligación animarles a que prosigan su labor científica, con opti-mismo y convencimiento.

Hacer frente a la encrucijada en la que nos encontramos exige de profesio-nales multidisciplinares, capaces de crear vínculos y establecer interrelacio-nes más allá de su campo de estudio. Y es a ellos a quienes se dirige, desdesu creación en 2005, el “Premio Internacional a la Innovación en CarreterasJuan Antonio Fernández del Campo”, a hombres y mujeres que buscan solu-ciones recurriendo a procedimientos disruptivos, que destacan en su afánpor hallar nichos allá donde nunca antes se pensó que pudiera haberlos, queasumen riesgos y cuyo pensamiento sortea con extraordinaria valentía losobstáculos que lo desconocido pone ante ellos. Así son quienes innovan,especialmente en la era COVID.

En Madrid, a 26 de noviembre de 2020

9



10

Un año más he tenido el honor de formar parte del Jurado del Premio Juan Anto -nio Fernández del Campo a la innovación en carreteras, como Presidente de suVIII Edición. Premio que se ha convertido en un referente entre los técnicos yespecialistas del mundo ibero-latinoamericano, al que va especialmente dirigido suobjetivo de promoción y difusión de la innovación en carreteras.

En España, como también en muchos países europeos y americanos, para lamayoría de sus habitantes las calles y las carreteras son un bien y un servicio decalidad al que nos hemos ido acostumbrando, sobre todo los más jóvenes, pen-sando que siempre ha estado ahí. Pues no. Nos ha costado un gran esfuerzollegar y conseguirlo, y podemos perderlo si no ponemos atención e interés enseguir construyendo y mejorando nuestro patrimonio vial.

En estos tiempos de incertidumbre en que parece que todo se va para abajo,el haber formado parte del Jurado del Premio Juan Antonio Fernández delCampo me ha proporcionado la alegría y esperanza de comprobar que, almenos en este sector, sus técnicos y profesionales continúan profundizando enel conocimiento científico de los materiales para carreteras, en los métodos dediseño de pavimentos y también en la incorporación de las nuevas tecnologías(Big-Data, inteligencia artificial, sistemas de referencia, etc.).

La incorporación de las nuevas tecnologías puede resultar quizás más llamativay presentar una mejora de rendimiento y eficacia en la obtención de datos,

ENHORABUENA Y GRACIASPOR VUESTROS TRABAJOS

Félix Edmundo PérezJiménez

Presidente del Jurado de la VIII Edición del

“Premio Internacional a laInnovación en CarreterasJuan Antonio Fernández

del Campo”




11

pero lo que nunca debemos perder de vista es seguir trabajando en el análisisde esos datos y profundizar en los principios y criterios en que se basa el uso ydiseño de nuestras infraestructuras.

Pues bien, un compendio de todas estas facetas que constituye la base de lainnovación y de la investigación es el trabajo que ha recibido el premio JuanAntonio Fernández del Campo.

“Sistema integral para el mantenimiento eficiente de pavimentos urbanos”.Presentado por Eugenio Pellicer Armiñana y Roberto Paredes Palacios, de laUniversitat Politècnica de Valencia; Jesús Felipo Sanjuán, de PAVASAL EmpresaConstructora, S.A., y Juan Sánchez-Robles Bello, de CPS Infraestructuras Movi -lidad y Medio Ambiente, S.L. como autores principales de un equipo investiga-dor más amplio.

Incorpora las nuevas tecnologías para la automatización de las tareas de aus-cultación a través de imágenes con cámaras convencionales y procesamientoposterior de las mismas mediante técnicas de aprendizaje profundo e inteli-gencia artificial. Profundiza en el análisis de datos para obtener los modelos decomportamiento de los pavimentos donde incluye, además del estado y tipo depavimento, variables relacionadas con el volumen de tráfico y las condicionesclimatológicas. E implementa un sistema de toma de decisiones teniendo encuenta criterios ambientales y económicos.

El software diseñado es, además, capaz de predecir el estado futuro de la redvial de acuerdo con las actuaciones planificadas.

El trabajo al que se le ha concedido el Accésit, por su parte, profundiza sobreel comportamiento de las interfases de las capas de mezcla bituminosa en larehabilitación de un pavimento flexible fresado. Establece que las dotaciones



12

de riego de liga, riego de adherencia, pueden ser estimadas en función del incre -mento de la superficie de la interfase debido a la aparición del fresado. Estametodología se verifica a través de ensayos realizados en laboratorio y tramosexperimentales.

El autor de este trabajo de título “Estudio de riegos asfalticos de liga entre capasasfálticas para rehabilitación de pavimentos flexibles fresados” es el DoctorIngeniero José Julián Rivera, profesor de la Universidad de La Plata (Argentina).

Cómo suele ser habitual, los trabajos premiados son dados a conocer en estevolumen de colección. De esta manera, el Premio Juan Antonio Fernández delCampo contribuye, no solo a incentivar y motivar a los investigadores, sino tam-bién a otra labor muy importante, como es la difusión del conocimiento.

Hay otros seis trabajos que el Jurado también ha querido destacar y que seránpublicados en una edición especial de la Revista Carreteras. Son una muestra,junto con los originales premiados, de las actuaciones de innovación y desarro-llo que se están llevando a cabo en el campo de tecnología de carreteras.

Dos de ellos presentan nuevos métodos y tecnologías para el estudio de mate-riales y diseño de pavimentos. Se trata de “Nuevo método de prueba para deter -minar el potencial de fractura del ligante asfáltico”, procedente de México ycuyos autores son Álvaro Gutiérrez y Raymundo Benítez; y “Desarrollo y apli-cación de tecnologías de avanzada para el estudio del comportamiento y mejo-ramiento de los métodos de diseño de pavimentos rígidos”, cuya autoría corres-ponde a un equipo de técnicos y profesores de cuatro países diferentes (Ecuador,Cuba, Brasil y España), con Eduardo Tejeda como primer autor.

Otros dos están relacionados con un tema de gran interés en nuestros días, laconservación del medio ambiente. Son trabajos procedentes de España: "Nuevo




modelo de peaje urbano. Aplicación a Barcelona”, presentado por Juan PedroHormigo, y “Optimización de la gestión ambiental de vehículos en carreteras”,presentado por un grupo de profesores de las universidades de Extremadura yPolitécnica de Madrid y con Marta García García como primera autora.

Por último, los dos trabajos restantes, procedentes también de España, propo-nen el uso de las nuevas tecnologías para proceder de una manera más rápiday eficiente a la toma y tratamiento de los datos. Se trata de “Plataforma deanálisis de movilidad basada en tecnologías Big Data - (B-MOB)”, de RobertoSánchez y Rico Abilowo Hardjono, y “Creación de gemelos digitales de carre-teras mediante el uso de geotecnologías: automatización en la creación masivade modelos BIM de infraestructura”, del que son autores un grupo de profeso-res de la Universidad de Vigo, apareciendo Belén Riveiro como primera autora.

Junto a estos 8 trabajos, hay 15 más que también se han presentado al Premio.A todos sus autores deseo felicitar y agradecer su participación, pues son susesfuerzos y desvelos los que ayudan a hacer progresar la técnica de carreteras.

Por último, quiero poner de manifiesto la labor que la Fundación de la Asocia -ción Española de la Carretera a través del Premio Juan Antonio Fernandez delCampo está llevando a cabo para el desarrollo del conocimiento en las técnicasde carreteras, y que, edición a edición, vamos viendo sus buenos resultados.

Muchas gracias a todos y Felicidades a los premiados.

En Barcelona, a 26 de noviembre de 2020

13



Octava Edición

SISTEMA INTEGRAL PARA EL MANTENIMIENTO EFICIENTE

DE PAVIMENTOS URBANOS

Eugenio Pellicer ArmiñanaCatedrático.Grupo de Gestión del Proceso Proyecto-ConstrucciónUniversitat Politècnica de València

Roberto Paredes PalaciosTitular de Universidad.Centro de Investigación Pattern Recognition and HumanLanguage Technology Universitat Politècnica de València

Jesús Felipo SanjuánDirector Técnico.Pavasal Empresa Constructora, S.A.

Juan Sánchez-Robles BelloTécnico Director de Proyectos y Obras.CPS Infraestructuras Movilidad y Medio Ambiente, S.L.

Autores principales:





16

En estas primeras líneas se quiere hacer constar a todos los participantes dela investigación que se presenta y que son autores de este documento:

Grupo de Gestión del Proceso Proyecto-Construcción - UPV

Eugenio Pellicer ArmiñanaMaría Amalia Sanz BenllochTatiana García SeguraLaura Montalbán DomingoDavid Llopis CastellóAdrián Santes GenovésSamuel Sáez García

Centro de Investigación Pattern Recognition and Human LanguageTechnology - UPV

Roberto Paredes PalaciosMario Parreño Lara

Pavasal Empresa Constructora S.A.

Jesús Felipo SanjuánJosé Ramón López MarcoJosé Salvador Ortiz Sanjuán

CPS Infraestructuras Movilidad y Medio Ambiente, S.L.

Juan Sánchez-Robles Bello


Octava Ediciónpremio internacionalA LA INNOVACIÓN EN CARRETERAS



17

ÍNDICE DE CONTENIDOS

RESUMEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 9

1. INTRODUCCIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201.1 Evaluación de la condición del pavimento . . . . . . . . . . . . . . . . . . . . . . . 221.2 Predicción de la condición del pavimento . . . . . . . . . . . . . . . . . . . . . . . 231.3 Priorización de actuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2. OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3. METODOLOGÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

4. INSPECCIÓN AUTOMATIZADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274.1 Sistema de adquisición de imágenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274.2 Filtrado y procesamiento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304.3 Obtención de imágenes del pavimento . . . . . . . . . . . . . . . . . . . . . . . . . 31

5. EVALUACIÓN DE LA CONDICIÓN DEL PAVIMENTO . . . . . . . . . . 325.1 Identificación de deterioros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325.2 Determinación de la condición del pavimento . . . . . . . . . . . . . . . . . . 36

6. PREDICCIÓN DE LA CONDICIÓN DEL PAVIMENTO . . . . . . . . . . 386.1 Influencia de la edad del pavimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396.2 Influencia de la capacidad del pavimento . . . . . . . . . . . . . . . . . . . . . . 406.3 Influencia del volumen de tráfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426.4 Influencia de las condiciones climáticas . . . . . . . . . . . . . . . . . . . . . . . . 43

6.5 Influencia global . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45




18

7. OPTIMIZACIÓN MULTIOBJETIVO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477.1 Base de datos de actuaciones de mantenimiento . . . . . . . . . . . . . . . 487.2 Definición de criterios y funciones objetivo . . . . . . . . . . . . . . . . . . . . . 50

7.2.1 Función Objetivo 1: Coste económico . . . . . . . . . . . . . . . . . . . . . . . . . 507.2.2 Función Objetivo 2: Emisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 537.2.3 Función Objetivo 3: Afección a los usuarios de la red viaria . . . . 537.2.4 Función Objetivo 4: Nivel de importancia de las vías . . . . . . . . . . 547.2.5 Función Objetivo 5: Mejora del estado de las actuaciones

o efectividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

8. TÉCNICAS DE DECISIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

9. DESARROLLO DEL SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599.1 Representación de la red a través de un SIG . . . . . . . . . . . . . . . . . . . . 599.2 Identificación de daños y evaluación de la condición

del pavimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599.3 Predicción del deterioro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609.4 Optimización de la planificación de las actuaciones

de mantenimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1

10. CONCLUSIONES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

REFERENCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65


RESUMEN

La red vial es uno de los mayores bienes patrimonialesde un país y proporciona una base fundamental parasu desarrollo económico y social. Al mismo tiempo, suconstrucción, mantenimiento y explotación produceun significativo impacto medioambiental. Por ello, elmantenimiento de una red vial en buen estado es vitalpara reducir costes de transporte de personas y bienes,así como para no incurrir en sobrecostes por mante -nimientos tardíos que obligan a una rehabilitación oreconstrucción. En este sentido, es necesario promo -ver una adecuada gestión que proporcione y mantengalos pavimentos en condiciones aceptables para losusuarios al menor coste de ciclo de vida. Sin embargo,la gestión actual del pavimento urbano se caracteriza,principalmente, por: (i) inexistencia de métodos efi-cientes para la detección de daños debido principal-mente a la subjetividad de la metodología actual basadaen la inspección visual y la insuficiencia de datos histó -ricos, (ii) carencia de mante nimiento predictivo debidoa la escasez y dispersión de modelos de predicción deldeterioro y (iii) ausencia de factores relacionados conla sostenibilidad social y medioambiental en la toma dedecisiones.

De aquí surge el proyecto SIMEPU – “Sistema Integralde Mantenimiento Eficiente de Pavimentos Urbanos”,financiado por el Ministerio de Ciencia, Innovación y

Universidades en la convocatoria “Retos-Colaboración2017”, cuyo objetivo principal es diseñar una nuevaherramienta para la monitorización, evaluación y predic -ción automática de la condición de pavimentos urbanosa partir del procesado de imágenes procedentes desistemas de bajo coste que permita la optimización ypriorización de las actuaciones de mantenimiento bajocondicionantes económicos, sociales y medioambien-tales.

Esta herramienta, que está basada en un Sistema deInfor mación Geográfica, incorpora diversos modelosque han sido desarrollados específicamente en elmarco de este proyecto y permiten: (i) la automati-zación de las tareas de auscultación a través de laobtención de imágenes con cámaras convencionalesy procesamiento posterior de las mismas mediantetécnicas de aprendizaje profundo, evitando la subje-tividad derivada de la inspección visual y reduciendotiempos y costes de la evaluación del pavimento; (ii) lahomogeneización de la predicción futura del estadodel firme al incorporar, además de variables técnicas,variables relacionadas con el volumen de tráfico, laprecipitación y la temperatura, favoreciendo la apli-cación del software desarrollado a otras regionesgeográficas, y (iii) la incorporación de un modelo deoptimización y toma de decisiones que incluya crite-rios como las emisiones de CO2 o la proximidad ainfraestructuras de desarrollo social y económico con

19Octava EdiciónOctava Edición2019 • 2020


el fin de reducir los costes también desde una perspec-tiva social y medioambiental.

Además, cabe destacar que el software ha sido dise -ñado con el fin de ofrecer al usuario una interfaz y unavisuali zación gráfica sencilla de los resultados que sevan obteniendo a lo largo de las diferentes etapas quese deben llevar a cabo para conseguir una planificaciónóptima de las actuaciones de mantenimiento. En estesentido, el software muestra, en primer lugar, cuál esel estado actual de la red tomando como input lagrabación en vídeo del pavimento de un determinadotramo de la red o de la totalidad de la misma. A partirde la condición actual del pavimento, el software escapaz de predecir el estado futuro de la red vial enbase a los modelos de predicción que incorpora.Finalmente, el software permite determinar cuál es laplanificación óptima de las actuaciones de manteni -miento y rehabilitación en base a una optimizaciónmultiobjetivo que considera, junto a los habituales cri-terios económicos y técnicos, criterios relacionadoscon la afección a los ciudadanos, las emisiones de CO2relacionadas con la actuación y la proxi midad a puntosde interés.

Como conclusión, el proyecto SIMEPU ha permitidoel desarrollo de una aplicación sencilla basada princi-palmente en una interfaz visual muy amigable para elusuario que permite:

• la identificación y cuantificación de deterioros enel pavimento de manera automática;

• conocer cuál será el estado de la red en un futuroy

• establecer una programación eficiente y proac-tiva de las actuaciones de mantenimiento y reha-bilitación del pavimento urbano a medio-largoplazo.

1. INTRODUCCIÓNLa red vial es uno de los mayores bienes patrimonialesde un país y proporciona una base fundamental parasu desarrollo económico y social. Al mismo tiempo, suconstrucción, mantenimiento y explotación producenun significativo impacto medioambiental (Santero yHorvath, 2009). Por ello, el mantenimiento de una redvial en buen estado es vital para reducir costes detransporte de personas y bienes (Bull, 2003), así comopara no incurrir en sobrecostes por mantenimientostardíos que obligan a una rehabilitación o reconstruc-ción (Hajj et al., 2010). En este sentido, es necesariopromover una adecuada gestión que proporcione ymantenga los pavimentos en condiciones aceptablespara los usuarios al menor coste de ciclo de vida(AASHTO, 2011).



20


La gestión de pavimentos tiene como obje-tivo fundamental la utilización de informaciónsegura y consistente para el desarrollo de cri-terios de decisión, planteamiento de alterna-tivas realistas de inversión y contribución a laeficiente toma de decisiones. Por tanto, unSistema de Gestión de Pavimentos (SGP) efi-ciente es aquel capaz de mantener la red decarreteras en un nivel de servicio aceptable,permitiendo bajos costes a sus usuarios y uti-lizando el menor presupuesto posible, sin afec -tar de manera significativa al medio ambiente,a la seguridad vial y a las actividades de la socie -dad (Fwa et al., 2000). Estos requisitos definenlos objetivos y restricciones del sistema, quees comúnmente resumido de manera esque -mática a través de la Figura 1.

A la vista de las distintas etapas o fases de lasque consta un SGP, se deben destacar tresoperaciones fundamentales: (i) la evaluaciónde la condición del pavimento, (ii) la predic-ción de la condición del pavimento y (iii) laprioriza ción de actuaciones de acuerdo aciertos objetivos y restricciones. Así pues, lossiguientes epígrafes presentan cuál es lapráctica actual en cada uno de estos camposrelacionados con el mantenimiento de pavi-mentos urbanos.

Octava EdiciónOctava Edición2019 • 2020

21

Figura 1.- Esquema de un Sistema de Gestión de Pavimentos (FHWA, 1999).

Objetivos y políticas

Inventario vial

Retr

oalim

enta

ción

Evaluación de condición y desempeño

Evaluación de alternativas y

optimización del programa

Selección de planes acorto y largo plazo

Presupuestoasignado

Monitoreo del desempeño

Implementación del plan


1.1. Evaluación de la condición del pavimentoUn aspecto importante del mantenimiento de pavimen-tos es la evaluación de su condición. Para ello existendos tipos de inspección: (1) inspección mediante aus-cultaciones y (2) inspección visual. Mientras que lainspección mediante auscultaciones está basadaprincipalmente en indicadores objetivos obtenidos através de ciertos instrumentos de medida estándar,la inspección visual se lleva a cabo mediante la expe -riencia profesional de técnicos que evalúan el estadodel pavimento a partir de su apariencia, lo que intro-duce cierta subjetividad en la evaluación del daño.

A pesar de dicha subjetividad, en el entorno urbanoel método más común de inspección es el visual, prin-cipalmente, debido a la dificultad de obtener indica -dores objetivos en un entorno caracterizado por lapresencia de intersecciones, variaciones significativasde la velocidad de circulación y fluctuaciones impor-tantes del tráfico (Reggin et al., 2008; Wang et al., 2013).Para minimizar la subjetividad ligada a la inspecciónvisual, esta debe basarse en criterios lo más sencillosposible (Kraemer et al., 2004). Para ello, un apoyo fun-damental son los catálogos de firmes o manuales enlos que aparecen los tipos de deterioros con imágenes,descripciones y modos de cuantificación.

No obstante, el tratamiento automático de imágenesse postula como el futuro de la evaluación de la condi-

ción del pavimento, puesto que permite desarrollarmodelos capaces de realizar de manera objetiva yautomática dicha evaluación (Maeda et al., 2018). Estosmétodos destacan por su versatilidad, ya que no sonúnicamente capaces de brindar buenos resultados entareas de clasificación, sino que, suministrando la infor-mación de forma correcta, el modelo puede detectarobjetos dentro de una imagen y segmentar el área queocupan.

Los primeros estudios llevados a cabo sobre la detec-ción de deterioros en el pavimento a través de imágenesse centraron fundamentalmente en la identificación,clasificación y cuantificación de grietas mediante algo -ritmos de procesamiento digital de imágenes (Cham -bon y Moliard, 2011; Zou et al., 2012; Oliveira y Correia,2013; Amhaz et al., 2016; Shi et al., 2016). Sin embargo,en los últimos años ha cobrado especial relevanciala detección y evaluación automatizada de deteriorosa partir de métodos basados en técnicas de aprendi -zaje profundo o Deep Learning, más concretamentea través del entrenamiento de Redes NeuronalesConvolucionales (Zhang et al., 2016; Wang y Hu, 2017;Cha et al., 2017; Jenkins et al., 2018; Carr et al., 2018;Park et al., 2019).

Finalmente, en cuanto a los distintos indicadores paraevaluar el estado del pavimento, cabe destacar elÍndice de Condición del Pavimento (PCI, PavementCondition Index), que es una de las metodologías más



22


conocidas y empleadas a nivel mundial para la eva -luación y calificación de pavimentos flexibles y rígidos(ASTM, 2018). De hecho, este índice ha sido reciente-mente considerado por la Asociación Española de laCarretera para el desarrollo de la guía de firmes paralas carreteras locales (AEC, 2020). Esta metodología,que no requiere de herramientas especializadas, sebasa en la evaluación de un total de 19 tipos de daños,determinando su severidad y midiendo su cantidad. Deesta manera se obtiene un índice numérico que varíadesde 0, para los pavimentos que se encuentran enmal estado, hasta 100, indicando los pavimentos que seencuentran en perfecto estado.

1.2. Predicción de la condición del pavimentoOtro aspecto importante a la hora de determinar sobrequé vía actuar es conocer el estado del pavimento acorto y largo plazo. Para ello es imprescindible dispo -ner de modelos que permitan predecir cómo una deter -minada vía va a deteriorarse a lo largo del tiempo.

A lo largo de la vida útil de un firme, éste es sometidoa diversas solicitaciones que provocan el deterioro delmismo. Estas no solo se deben al paso del tráfico, sinotambién a las condiciones climatológicas, como porejemplo las acciones térmicas o los fenómenos de ero -sión e infiltración. Por ello, es primordial predecir elestado futuro del firme para poder actuar a tiempo yno incurrir en sobrecostes ni en riesgos adicionales.

En este sentido, George et al. (1989) señalaron que lamedición y predicción del rendimiento de un pavi-mento deben ser elementos críticos de cualquier sis-tema de gestión de pavimentos. Por tanto, los modelosde predicción de la condición del pavimento cobranespecial relevancia en los sistemas de gestión deinfraestructuras, permitiendo una efectiva planificaciónpresupuestaria a largo plazo así como la posibilidad decoordinar actividades de mantenimiento.

Los distintos métodos o modelos para predecir la condi-ción del pavimento se pueden agrupar en las siguientescategorías: (i) regresiones numéricas, (ii) redes neuro -nales, (iii) modelos bayesianos y (iv) cadenas de Markovy simulaciones de Monte Carlo (Osorio-Lird et al., 2018;Ragnoli et al., 2018). Aunque la calibración de modelosde regresión requiere una gran cantidad de datos his -tóricos, estos han sido los más empleados debido a quepermiten a los ingenieros de carreteras predecir de ma -nera sencilla la condición del pavimento y entender lainfluencia de los parámetros o factores introducidosen el modelo (Arambula et al., 2011; Dong et al., 2014;Hassan et al., 2015). Ante las debilidades de los modelosde regresión, surgen los métodos basados en cadenasde Markov y simulaciones de Monte Carlo, que son ca -paces de representar adecuadamente el proceso dedegradación del pavimento a lo largo del tiempo medi-ante el uso de una matriz de transición de probabilida -des (Hassan et al., 2015; Osorio-Lird et al., 2018; Moreira


23


et al., 2018). No obstante, estos métodos presentan dosimportantes desventajas: (i) su desarrollo requiere laevaluación de la condición del pavimento en un númerosuficiente de tramos a lo largo de, al menos, cinco años,y (ii) no es posible conocer las causas del deterioro.

Finalmente, es importante resaltar que diversas inves-tigaciones indican que las variables meteorológicas,como la temperatura y la precipitación, poseen un granimpacto en el deterioro del pavimento (Qiao et al.,2013; Mohd Hasan et al., 2016). Sin embargo, la mayoríade los modelos de predicción han sido desarrolladospara una cierta región o país con condiciones del tráficosimilares, por lo que no incluyen variables esencialescomo pueden ser los factores climáticos.

1.3. Priorización de actuacionesUna vez evaluada la condición del pavimento y su evo -lución a lo largo del tiempo, la última etapa del procesode gestión del mantenimiento de pavimentos tienecomo objetivo determinar en qué vías actuar. En estesentido, se han llevado a cabo distintos estudios conobjetivos o estrategias diferentes.

Torres-Machi et al. (2017) plantean como objetivos lamaximización de la efectividad a largo plazo y la mini-mización de las emisiones de gases de efecto inverna -dero. Como restricciones incluyen que el presupuesto autilizar no puede ser mayor al disponible y que la condi-

ción, que hace referencia al estado del pavimento, nopuede ser menor a un umbral mínimo establecido. Bajoeste esquema se realiza una búsqueda de la óptimacombinación de mantenimiento de cada vía en un pe -riodo determinado de análisis. Los autores concluyeronque el uso de la herramienta desarrollada permite, conun presupuesto similar, incrementar hasta un 22% laefectividad del tratamiento y disminuir un 12% las emi-siones de gases de efecto invernadero a la atmósfera.

Otra investigación interesante en este ámbito es ladesarrollada por Meneses y Ferreira (2015), que buscanminimizar los costes de mantenimiento y rehabilitacióny maximizar el valor residual de la red de pavimentosconsiderando como restricciones el umbral mínimo decondición y el presupuesto máximo anual.

Por otro lado, Wu y Flintsch (2009) proponen una opti-mización multiobjetivo cuya función objetivo se define apartir de la maximización del nivel de servicio de la redvial y la minimización del coste de rehabilitación y man-tenimiento. Las restricciones consideradas fueron: (i) nosuperar un presupuesto anual, (ii) mantener menos del10% de la red vial por debajo de un umbral mínimo,(iii) alcanzar un nivel de servicio al año horizonte nomenor al del año cero, (iv) no permitir que más de lacuarta parte de la red vial reciba tratamientos cada año,y (v) no permitir que más del 15% de la red vial recibamantenimiento de carácter preventivo anualmente.



24


Estas investigaciones previas están basadas en estra -tegias óptimas de mantenimiento a largo plazo. Sinembargo, Espinoza (2019) plantea una toma de deci-siones anual que priorice las vías y seleccione aquellassobre las que se debe actuar cada año en base alpresupuesto disponible. Para ello, los criterios a teneren cuenta son: (i) confort de los usuarios, (ii) coste deaccidentalidad, (iii) eficiencia económica de la actua -ción, (iv) proximidad a infraes tructura social y turística,(v) eficiencia ambiental de la actuación y (vi) molestiasgeneradas con la actuación.

A pesar de que son diversos y de distinta naturalezalos factores o criterios que estas investigaciones pro-ponen a la hora de priorizar las actividades de mante -nimiento de pavimentos, en la práctica son muy pocaslas administraciones que tratan de aplicar este tipode análisis multiobjetivo. En este sentido, la mayoríade las administraciones actúan de forma reactiva, esdecir, toman las decisiones tras la observación de unadegradación evidente del pavimento debido princi-palmente al escaso presupuesto destinado a estasoperaciones, fruto de la crisis económica sufrida en laúltima década.

En resumen, la gestión actual del pavimento urbanose caracteriza por: (i) heterogeneidad de la estruc-tura del firme, (ii) diferencias jerárquicas en la red vial,(iii) limitados recursos económicos, (iv) inexistencia de

métodos eficientes para la detección de daños debidoprincipalmente a la subjetividad de la metodologíaactual basada en la inspección visual y la insuficienciade datos históricos, (v) carencia de mantenimientopredictivo debido a la escasez y dispersión de modelosde predicción del deterioro y (vi) ausencia de factoresrelacionados con la sostenibilidad social y medioam-biental en la toma de decisiones.

De aquí surge el proyecto SIMEPU – “Sistema Integralde Mantenimiento Eficiente de Pavimentos Urbanos”,financiado por el Ministerio de Ciencia, Innovación yUniversidades en la convocatoria “Retos-Colabora -ción 2017”, cuyo objetivo principal es diseñar una nuevaherramienta para la monitorización, evaluación y pre -dicción automática de la condición de pavimentosurbanos a partir del procesado de imágenes proce-dentes de sistemas de bajo coste que permita la opti-mización y priorización de las actuaciones demanteni miento bajo condicionantes económicos,sociales y medioambientales.

De esta forma, el producto permitirá la implantación deun sistema integral de mantenimiento de pavimentosen entornos urbanos que, a partir de imágenes proce-dentes de dispositivos colocados en vehículos públi-cos, facilitará la optimización y la priorización de lasactuaciones de mantenimiento de la red en base acriterios sostenibles.


25


2. OBJETIVOSEl objeto fundamental de esta investigación es la pro -puesta de una nueva metodología para el manteni -miento de pavimentos urbanos que incorpore: (i) unaevaluación automatizada del estado del pavimento através del tratamiento de imágenes captadas con unsistema de bajo coste mediante técnicas de aprendi -zaje profundo, (ii) una predicción del estado del pavi-mento basada en variables operacionales y climáticasy (iii) una optimización y toma de decisiones multiob-jetivo para la elección óptima de las actividades demantenimiento en base a criterios económicos, técni-cos, sociales y medioambientales.

Para ello, se han definido los siguientes objetivossecundarios:

• Análisis bibliográfico del estado del conocimientosobre modelos de predicción de la condición delpavimento, sistemas de detección automática dedaños en el pavimento, modelos de decisión mul-tiobjetivo para la priorización de alternativas.

• Evaluación de distintos sistemas de captaciónde imágenes de bajo coste para la evaluaciónautomática de la condición del pavimento através de técnicas de procesamiento digital deimágenes.

• Obtención de imágenes de daños en pavimentosurbanos para el desarrollo de una base de datosa partir del sistema de captación de imágenes debajo coste propuesto.

• Entrenamiento de una Red Neuronal Convolu -cional para la detección y cuantificación auto -mática de los daños del pavimento a través delprocesamiento digital de imágenes.

• Desarrollo de modelos de regresión para lapredicción de la condición del pavimento urbanoen base a variables climáticas, operacionales yestructurales.

• Definición de los criterios económicos, técnicos,sociales y medioambientales a incorporar en elmodelo de optimización multicriterio.

• Programación de algoritmos para la optimizacióny toma de decisiones multiobjetivo que permitauna priorización de las actuaciones de conser-vación y mantenimiento del pavimento urbano.

• Desarrollo de un software gráfico que incorporetodas las herramientas desarrolladas con el fin detener una interfaz fácil y útil para los ingenieros,principalmente, de las administraciones que seencarguen de la tarea de la rehabilitación y con-servación de la red vial.



26


3. METODOLOGÍALa metodología propuesta para la gestión eficiente depavimentos urbanos se define a partir de cinco etapas:(1) inspección automática de pavimentos urbanos me -diante cámaras; (2) evaluación de la condición delpavimento a través de técnicas de procesamiento deimágenes basadas en Redes Neuronales Convolucio -nales; (3) predicción de la condición del pavimento; (4)optimización multiobjetivo basada en criterios econó -micos, técnicos, sociales y medioambientales, y (5) téc-nicas de decisión para la priorización de actuacionesde acuer do a las características de la red vial (Figura 2).

Adicionalmente, se desarrolla una última fase dedesarrollo de un software que incorpora todas las faseso etapas definidas y muestra de manera gráfica losresultados obtenidos en cada una de estas. Este soft-ware, basado en un sistema GIS, permite la consultavisual de la inspección obtenida mediante el sistemade captación de imágenes, el conocimiento actual yfuturo de la condición del pavimento de cada seg-mento de vía de la red y la visualización del resultadode la priorización de actuaciones fruto de la aplicaciónde la optimización multiobjetivo.

4. INSPECCIÓN AUTOMATIZADA4.1. Sistema de adquisición de imágenesHasta la fecha, los estudios llevados a cabo para ladetección automática de deterioros en el pavimentoa través de imágenes se han centrado fundamental-mente en la identificación, clasificación y cuantificaciónde grietas, a pesar de que unos pocos estudios tam-bién han incorporado métodos de detección para elparcheo y los huecos. Sin embargo, el proyecto SIMEPUse desarrolló en base a la identificación y cuantificaciónde todos aquellos deterioros que pudiesen ser detec-tados en base a imágenes 2D. De esta manera, se hanconsiderado las siguientes tipologías de daños: (i) grie -tas longitudinales, (ii) grietas transversales, (iii) grietasen forma de piel de cocodrilo, (iv) meteorización y

➧


27

Figura 2.- Esquema de la metodología propuesta.

1. Inspección automatizada

5. Técnicas de decisión

2. Evaluación de la condicióndel pavimento

3. Predicción de la condicióndel pavimento

4. Optimizaciónmultiobjetivo


desprendimiento, (v) huecos y (vi) parcheo. A todosestos se suman, además, las categorías definidas como(vii) alcantarillado, (viii) marcas viales y (ix) pavimentosin daños.

En cuanto a los sistemas de adquisición de imágenes, sepuede diferenciar entre imágenes estáticas y grabaciónde vídeos. En este sentido, cabe destacar que la mayo -ría de las investigaciones realizadas hasta la fecha hanempleado imágenes estáticas tomadas con cámarasconvencionales o smartphones con resoluciones varia -bles, desde 960 x 704 hasta 6.010 x 4.000. Solo unospocos estudios se han desarrollado mediante video -cámaras instaladas en vehículos, en cuyo caso es prefe -rible situar dicho dispositivo en la parte trasera demanera que el eje óptico de la videocámara sea per-pendicular a la superficie del pavimento.

En cuanto a la frecuencia de toma de imágenes delas videocámaras, esta dependerá principalmentede la velocidad del vehículo con la que se realice lagrabación. A mayor velocidad del vehículo, mayor de -berá ser la frecuencia con el fin de obtener imágenesde toda la sección de carretera recorrida. En este sen-tido, suponiendo que el ancho de la imagen (𝑤𝑖) queposteriormente será procesada es de 1 m y la veloci-dad máxima del vehículo es 50 km/h (𝑣) en entornourbano, la frecuencia requerida es aproximadamentede 15 fps (𝑓=𝑣/𝑤𝑖).

En base a los resultados de investigaciones previas, sellevó a cabo una prueba piloto con tres videocámarasconvencionales de bajo coste y empleando diferentesmodos de grabación con el fin de comparar la calidadde las imágenes obtenidas para su posterior trata -miento para la identificación de los deterioros presen -tes en el pavimento. Concretamente, se evaluaron lasvideocámaras Garmin Virb Elite, GoPro Hero 3 Black yGarmin Dash Cam 45 bajo los modos de grabación quese indican en la Tabla 1.

Como se puede observar, la comparación entre lasdiferentes videocámaras se realizó principalmenteconsiderando el modo de grabación 1080p. No obs -tante, también se llevó a cabo una grabación en 4Kmediante la GoPro Hero 3 Black con el fin de determi-nar si la calidad de imagen obtenida con este modo degrabación era necesaria o suponía una mejora signi-



28

Dispositivo Modo de grabación

Garmin Virb Elite 1080pGoPro Hero 3 Black 1080pGoPro Hero 3 Black 4KGarmin Dash Cam 45 1080p

Tabla 1. Modos de grabación evaluados en la prueba piloto.


ficativa a la hora de identificar los daños en el pavi-mento. Finalmente, destacar que la frecuencia de tomade imágenes considerada en las pruebas fue entre 30y 60 fps, la cual era muy superior a la mínima necesaria(15 fps) al circular por entorno urbano.

Como conclusión, se obtuvo que el modo 1080p ofreceuna calidad de imagen suficiente para la evaluación delos deterioros y no es necesaria la utilización de imá-genes obtenidas de grabaciones en modo 4K, las cualesralentizarían significativamente los tiempos de entre-namiento y ejecución de la red convolucional, debidoprincipalmente al gran tamaño de estas imágenes sinuna mejora sustancial en la identificación de deterioros.

A pesar de que los tres dispositivos eran capacesde obtener imágenes de gran calidad, es necesariodestacar que la Garmin Virb Elite y la GoPro Hero 3Black presentan una importante ventaja en cuanto a laduración de la batería con respecto a la Garmin DashCam 45. Mientras las dos primeras están pensadaspara su uso como cámaras de acción, por lo que garan-tizan una grabación superior a las 2 horas y una mejorestabilización de las imágenes reduciendo el ruido delas mismas, la última está diseñada para ser conectadaa la alimentación del coche y estar en funcionamientoen la parte frontal interior del vehículo.

Asimismo, la videocámara Garmin Virb Elite presentados interesantes ventajas frente a las otras dos video -

cámaras evaluadas, ya que permite manejarla vía Wifidesde el interior del vehículo y es capaz de almacenarla trayectoria GPS del vehículo con una frecuenciade 1 Hz. Esto último supone la geolocalización de lasimágenes captadas de manera cuasiautomática. Estascaracterísticas hacen que esta videocámara sea lapropuesta para el desarrollo del nuevo sistema decaptación de imágenes.

Sin embargo, debido a que esta videocámara ya nose encuentra en el mercado, se propuso su sustitu-ción por el nuevo modelo que ofrece Garmin conlas mismas prestaciones, la videocámara Garmin VirbUltra 30 que permite grabar con una resolución de1920x1080 a 30 fps, con estabilizador de imagen,correc ción de objetivo, GPS y conexión WIFI paracontrol remoto (Figura 3). Esta cámara es colocada enla parte trasera del vehículo de manera que permita


29

Figura 3.- Sistema de adquisición de imágenes.


una grabación cenital del pavimento a partir de unsistema de ventosas y barras rígidas, con la ayuda deunos tirantes para evitar la caída del sistema en casode fallo.

4.2. Filtrado y procesamiento de datosUna vez realizada la toma de datos, cada uno de losvídeos obtenidos junto a su correspondiente archivo degeolocalización debe ser procesado. Esta etapa tienecomo objetivo la extracción de fotogramas del vídeo.Debido a que la velocidad de toma de datos es de 50km/h y que la cámara está grabando a 30 fps, si sequiere obtener una imagen del pavimento cada metro,es suficiente obtener una imagen cada dos foto gramas.

Finalmente, se lleva a cabo el proceso de filtrado deimágenes, con el objeto de eliminar las zonas de la ima-gen que no contengan información relevante para laidentificación y evaluación de los deterioros presen -tes en el pavimento. Las imágenes estudiadas tendránun ancho lineal de un metro. Por tanto, la informaciónno contenida en dicho ancho, así como la informaciónrelativa a los otros carriles de circulación, se descar-tará (Figura 4).

Cabe destacar que tanto el procesamiento de losvídeos como el filtrado de las imágenes se realizade manera automática a través de scripts progra-mados en Python.



30

Figura 4.- Filtrado de imágenes.

(a) imagen bruta

(b) imagen filtrada

(c) matriz de imágenes a analizar


4.3. Obtención de imágenes del pavimentoPara la obtención de las imágenes del pavimentose desarrolló una metodología de toma de datos ytratamiento de imágenes basada en los procesosanteriormente descritos (Figura 5).

Siguiendo esta metodología, el día 24 de julio de2019, desde las 10:45 horas hasta las 13:45 horas, serecorrieron alrededor de 65 km de vía de la ciudadde Valencia (Figura 6). Como resultado, se obtu-vieron 90,1 GB de información en 9 vídeos de 186minutos de duración y 167.784 imágenes para lacaracterización de los daños.

A partir de estas imágenes se desarrolló una basede datos de imágenes que servirían posterior-mente para el entrenamiento y calibración de la


31

Figura 6.- Itinerario de toma de datos.

3. Jornadas detoma de datos

5. Filtrado de clasificación de

imágenes

4. Filtrado y procesado de

video

6. Base de datosde imágenes

1. Instalación del sistema de

adquisición de imágenes

2. Definición decaracterísticas de

las vías y selecciónde las mismas

Figura 5.- Metodología de toma de datos.


Red Neuronal Convolucional, que se ocupará másdelante de la identificación y cuantificación automáticade los deterioros urbanos. En resumen, se obtuvo elsiguiente número de imágenes para cada deterioro:1.201 de grietas longitudinales, 1.206 de grietas trans-versales, 195 de grietas en forma de piel de cocodrilo,421 de meteorización y desprendimiento, 690 dehuecos, 709 de parcheo, 972 de alcantarillado, 1.810de marca vial y 2.560 sin daño.

5. EVALUACIÓN DE LA CONDICIÓNDEL PAVIMENTO

La etapa de evaluación de la condición del pavimentose divide en dos fases: (i) identificación de deterioros y(ii) determinación de la condición del pavimento.

5.1. Identificación de deteriorosUn problema común al aplicar técnicas de aprendi -zaje profundo es la gran cantidad de datos que senecesita en la fase de entrenamiento para conse -guir una adecuada generalización. Para hacer frentea esto, se utilizaron diferentes técnicas de aumen-tado de datos (Data augmentation). Estas técnicasconsisten en realizar ligeras transformaciones a lasimágenes de entrenamiento para crear nuevas imá-genes lo suficientemente similares a las originalesmanteniendo así la clase original, pero introduciendo

algunas variaciones para lidiar con nuevos factoresque pueden no estar significativamente representa-dos en el conjunto de datos original. Estas transfor-maciones se realizan ite rando sobre el conjunto dedatos de entrenamiento. Una vez modificadas lasimágenes, estas se utilizan para el aprendizaje de lared y, finalmente, se descartan.

Las técnicas de aumentado de datos aplicadas en estainvestigación fueron: (i) Random Crop, que consiste entomar aleatoriamente una parte de la imagen original,(ii) Horizontal Flip, que voltea horizontalmente la ima-gen, y (iii) Color Jitter, que introduce ligeras modifi-caciones en brillo, contraste y saturación para simularvariaciones de iluminación.

Para la caracterización de las imágenes, se utilizó unprocedimiento de dos pasos para reducir el númerode falsos positivos (Figura 7). Primero, una red neu-ronal convolucional (CNN1) clasifica cada imagen en"dañada" o "no dañada" (sin deterioro del pavimento,marcas viales y alcantarillado), es decir, identifica siuna imagen incluye algún tipo de daño o no. Poste -riormente, las imágenes clasificadas como “dañadas”se introducen en una segunda red neuronal convolu-cional (CNN2) para identificar el tipo de deterioro(grieta longitudinal, grieta transversal, agrietamientoen forma de piel de cocodrilo, meteorización, huecoy parcheo).



32


Ambas redes se basan en una arquitectura ResNet(Figura 8), que fue presentada por He et al. (2016) y seha aplicado a una variedad de problemas de clasifica -ción de imágenes proporcionando excelentes resulta-dos (Carr et al., 2018). Para la etapa de entrenamiento,se consideró el algoritmo de optimización de Adam,que combina las mejores propiedades de los algorit-mos AdaGrad y RMSProp para proporcionar un algo-ritmo de optimización que puede manejar gradientesescasos en problemas ruidosos (Kingma y Ba, 2015) yla función de pérdida de entropía cruzada. Los pesospreviamente entrenados de ResNet en ImageNet, quees un esfuerzo de investigación en curso para propor-cionar a los investigadores de todo el mundo una basede datos de imágenes de fácil acceso (Russakovsky et

al., 2015), se utilizaron como valores iniciales para laformación. Para ello, las imágenes se redimensionarona 224 x 224 píxeles para que coincidieran con la con-figuración de ImageNet y se seleccionó una tasa deaprendizaje de 0,0001. Finalmente, se utilizó una vali-dación cruzada para estimar la habilidad del modelo ennuevos datos.

En particular, esta investigación utiliza una arquitec-tura ResNet34 (Figura 8). La primera etapa en estared, antes de ingresar al comportamiento de la capacomún, es un bloque (Conv1), que consiste en una ope -ración de convolución, normalización por lotes y agru-pación máxima basada en un tamaño de kernel de 7 yun tamaño de mapa de características de 64. Teniendo


33

Figura 7.- Procedimiento de identificación de daños en dos fases.


esto en cuenta, el tamaño de salida de esa operaciónserá un volumen (112 x 112). Dado que cada filtro de con-volución (de los 64) proporciona un canal en el volu-men de salida, el resultado es (112x112x64) volumen desalida. El siguiente paso es la normalización por lotes,que es una operación por elementos y, por lo tanto, nocambia el tamaño del volumen. De esta manera, seaplica una operación de agrupación máxima (3 x 3) conun paso de 2.

Posteriormente, la ResNet consta de cuatro bloquesque siguen el mismo patrón. Cada bloque realiza unaconvolución de 3 x 3 con una dimensión de mapa decaracterísticas fija (64, 128, 256, 512) respectivamente,omitiendo la entrada cada 2 convoluciones. Además,

las dimensiones de ancho y alto permanecen constan -tes durante toda la capa. Como resultado, se obtienen32 capas ocultas que, junto a las dos capas ocultas ini-ciales, conforman 34 capas ocultas. Finalmente, se em -plean una capa de agrupación promedio y una capadensa para extraer las características finales y clasificarla imagen. El número total de operaciones de comaflotante (FLOP) es 3,6 · 10⁹.Según la descripción anterior, CNN1 aborda un pro -blema de clasificación binaria que tiene como objetivoreducir la cantidad de imágenes sin daño que podríanclasificarse como "dañadas" si una sola CNN hubierasido capacitada para clasificar directamente las imá-genes considerando cada tipo específico de deterioro



34

Figura 8.-Arquitectura de Red

NeuronalConvolucional

ResNet34.


del pavimento e imágenes sin daños. Para eso, una vezque la red está entrenada, se selecciona un umbralpara establecer una tasa deseable de falsos positivosmediante el uso de la curva de características opera -tivas del receptor (ROC). Específicamente, una curvaROC es un gráfico que muestra el desempeño de unmodelo de clasificación en todos los umbrales de clasi-ficación. Esta curva traza dos parámetros, Tasa deverdaderos positivos (TPR) y Tasa de falsos positivos(FPR), a partir de los cuales se selecciona el umbralcon el objetivo de minimizar la FPR y garantizar unaTPR alta. Después de esta clasificación binaria, CNN2solo evalúa aquellas imágenes etiquetadas como “daña -das” para identificar el tipo de daño.

Los resultados obtenidos de la primera red de clasifi-cación binaria proporcionan un 99,34% de precisión.La Figura 9 muestra la curva ROC para CNN1. En estesentido, un buen umbral es aquel que establece un 0,4%de falsos positivos, es decir, cuatro de cada 1.000 imá-genes que no contienen deterioros se clasifican como“dañadas”, siendo la precisión para los verdaderospositivos todavía muy alta (98,27%).

Por otro lado, CNN2, que se centra en un problemapuramente de clasificación, arroja una precisión globaldel 99,14%. La Tabla 2 muestra la matriz de confusión.Como se puede observar en la diagonal principal deesta matriz, la tasa de aciertos para los diferentes tipos

de deterioros es superior al 93%. Estos valores altos sedeben principalmente a que las imágenes obtenidaspara el entrenamiento tienen las mismas condicionesde iluminación, la cámara de video se colocó en unaposición constante y los daños son suficientementediferenciables. Esto es posible porque el estudio dela inspección del pavimento se puede replicar fácil-mente, es decir, la toma de datos puede retrasarseesperando las condiciones climáticas y de iluminaciónóptimas. De esta manera, se puede obtener un conjun -to de datos de alta calidad minimizando la intervaria -bilidad de las clases, lo que fomenta una clasificaciónde alta precisión y confiabilidad.


35

Figura 9.- Curva de características para la clasificaciónbinaria (CNN1).


En cuanto a las clasificaciones incorrectas, el 1,6%de las imágenes de grietas transversales, principal-mente de gran ancho de grietas, fueron etiquetadascomo huecos, mientras que algunas imágenes clasi-ficadas en primer lugar como meteorización y hue-cos se confundieron con grietas longitudinales.Estas últimas clasificaciones incorrectas se encon-traron cuando el deterioro estaba particularmenteen los bordes de la imagen. Además, algunos hue-cos que tomaban una gran área de la imagen seclasificaron erróneamente como meteorización yparches.

5.2. Determinación de la condición del pavimento

Una vez clasificada una imagen con daño, el siguien -te paso es la cuantificación del mismo. Para ello sehan calibrado distintas redes neuronales convolu-cionales para cada tipología de daño (Figura 10). Apartir de estas redes se determina la longitud yamplitud de las grietas longitudinales y transversa -les, así como el área ocupada por el agrietamientoen forma de piel de cocodrilo, hueco, parcheo ymeteorización.



36

Grieta Grieta Piel de Meteorización Huecos Parcheo longitudinal transversal cocodrilo

Grieta longitudinal 1.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Grieta transversal 0.0000 0.9839 0.0000 0.0000 0.0161 0.0000

Piel decocodrilo 0.0000 0.0000 1.0000 0.0000 0.0000 0.0000

Meteorización 0.0238 0.0000 0.0000 0.9762 0.0000 0.0000

Huecos 0.0241 0.0000 0.0000 0.0241 0.9398 0.0120

Parcheo 0.0000 0.0000 0.0000 0.0000 0.0000 1.0000

Tabla 2. Matriz de confusión.


En función de los valores obtenidos, cada uno de estosdaños son calificados en distintos niveles de severi-dad según el Índice de Condición del Pavimento (PCI,Pavement Condition Index): baja, media y alta. El prin-cipal motivo del uso de este indicador es que es el másempleado y aceptado mundialmente y que, además,ha sido propuesto recientemente por la AsociaciónEspañola de la Carretera para el mantenimiento decarreteras locales (AEC, 2020).

Esta metodología, que no requiere de herramientasespecializadas, se basa en la evaluación de un totalde 19 tipos de daños, determinando su severidad ymidiendo su cantidad. De esta manera, se obtiene uníndice numérico que varía desde 0, para los pavimen-tos que se encuentran en mal estado, hasta 100, indi-cando los pavimentos que se encuentran en perfectoestado. Entre estas 19 tipologías de daños se en -cuentran todas aquellas consideradas en esta inves-tigación.

Finalmente, cabe destacar que el cálculo de esteíndice se ha programado de manera que una vez iden-tificados y cuantificados los daños de una determinadasección de vía, que son agrupados en la red vial a partirde su geolocalización, se determina de manera auto -mática el valor del PCI de la sección.


37

Figura 10.- Cuantificación del daño.

(a) Grieta longitudinal

(b) Hueco

(c) Parcheo


6. PREDICCIÓN DE LA CONDICIÓNDEL PAVIMENTO

La predicción de la condición del pavimento permitepredecir la condición futura del mismo con el fin deplanificar acciones a largo plazo. Este paso es esencialpara una programación eficiente del presupuestotanto a corto como a largo plazo y para coordinar ade-cuadamente las actividades de mantenimiento en lared vial. Sin dicha programación y coordinación, segu-ramente el mantenimiento del pavimento sea más caroa largo plazo al mismo tiempo que se incurre en unpeor estado de la red.

Como se ha descrito anteriormente, existen diferentestipos de métodos para llevar a cabo la predicción de lacondición del pavimento, presentando cada uno deellos una serie de fortalezas y debilidades. En base aestas características, en esta metodología se proponeel uso de modelos de regresión lineal con el fin de co -nocer qué factores o variables tienen una mayor influ-encia en el proceso de degradación del pavimento. Eneste sentido, cabe destacar el tráfico, la temperatura yla precipitación como los factores que mayor impactotienen sobre el estado del pavimento y que serán con-siderados en la calibración de estos modelos.

Debido a que en España no se dispone de datos perió -dicos en cuanto a la evaluación del pavimento en áreaurbana, los primeros modelos se calibraron a partir de

la base de datos americana proporcionada por el pro-grama Long-Term Pavement Performance (LTPP). Estabase de datos contiene la evaluación del pavimento demultitud de secciones de vía urbana a lo largo de másde 20 años, basándose, entre otros indicadores, en losdeterioros incluidos en la estimación del parámetroPCI, que es el índice propuesto en esta metodología.Una vez puesta en marcha dicha metodología en unadeterminada ciudad o región, los modelos serán recali -brados de manera automática al mismo tiempo que sevayan tomando datos en la misma con la finalidad deconseguir modelos más precisos y adaptados a la regióndonde se está empleando la metodología propuesta.

Concretamente, para el desarrollo de estos primerosmodelos, se consideró un total de 50 secciones decarretera urbana de Estados Unidos y Canadá, lo quesupuso disponer de un total de 237 evaluaciones delpavimento. Para determinar los factores más impor-tantes en el proceso de deterioro del pavimento, setuvieron en cuenta las siguientes variables junto a laedad del pavimento (pa):

• Capacidad del paquete de firme:

o Número estructural (SN): es un valor numé ricoque indica la resistencia y capacidad del pavi-mento. De esta forma, la capacidad estruc-tural del pavimento es mayor a medida queaumenta SN (AASHTO, 1993).



38


• Variables relacionadas con el tráfico:

o Intensidad Media Diaria (IMD) de tráfico(veh/día).

o Intensidad Media Diaria (IMDp) de tráficopesado (veh/día).

o Carga equivalente de eje único (KESAL) enmiles.

• Variables relacionadas con la climatología:

o Precipitación anual media (AAP) en mm, cal-culada como la precipitación de lluvia prome-dio anual (mm) durante la edad del pavimento(pa).

o Altura anual media de nieve (AAS), estimadacomo la precipitación de nieve promedioanual (mm) durante pa.

o Temperatura media anual (AAT), obtenidacomo la temperatura media anual (°C) durantepa.

o Rango de temperatura medio anual (AART),estimado como el promedio del rango de tem-peratura anual (°C) - calculado para cada añocomo la diferencia de temperatura entre elmes más frío y el más cálido - durante pa.

o Desviación estándar de temperatura (SDT),calculada como la desviación estándar de latemperatura (°C) durante pa.

o Viento medio anual (W), obtenido como lavelocidad del viento promedio anual (km/h)durante pa.

o Humedad media anual (H), estimada como lahumedad media anual (%) durante pa.

Para cada segmento de carretera y evaluación del pavi-mento, se identificó las diferentes variables definidasanteriormente y se calculó el PCI en base al inventariode deterioros proporcionado. Con estos datos yempleando la técnica de validación cruzada K-folds,se desarrollaron distintos modelos de regresión paradeterminar qué variables influyen significativamenteen el deterioro de los pavimentos urbanos.

6.1. Influencia de la edad del pavimentoEl factor principal en el proceso de deterioro del pavi-mento, que se considera un fenómeno estocástico, esla edad del pavimento (pa). Aunque este estudio con-sideró tramos de carretera caracterizados por condi-ciones de tráfico y climáticas muy diferentes, pa pudorepresentar adecuadamente el proceso de deteriorodel pavimento. La relación entre PCI y pa se modelómediante la Ecuación 1, que describe una disminuciónlineal de PCI a lo largo del tiempo (Figura 11). En con-creto, el PCI de un tramo de carretera disminuye apro -ximadamente 5 unidades por año desde el primer añoy medio de su construcción.


39


El modelo calibrado se limitó con un valor máximo de100 y un valor mínimo de 0 según la definición del PCI.De esta forma, se alcanzó un coeficiente de determi-nación de 0,48, lo que significa que la edad del pavi-mento (pa) es capaz de explicar hasta la mitad de lavariabilidad del fenómeno y, por lo tanto, juega un papelcrítico en el proceso de deterioro del pavimento.

6.2. Influencia de la capacidad del pavimentoLa influencia de la capacidad del pavimento se estudióa partir del Número Estructural (SN). Para determinar

el impacto de la estructura del pavimento en el procesode deterioro del pavimento, se estudiaron los residuosdel modelo anterior (Ecuación 1) conside rando SN (Fi -gura 12). Este análisis mostró que la capacidad delpavimento no tiene un impacto significativo en el fenó -meno estudiado porque los residuos son homoce -dásticos y, aproximadamente de forma rectangular.

Sin embargo, para valores de SN superiores a 10 pulga -das, los residuos tienden a ser positivos. Esto significaque se subestima el PCI previsto para aquellos pavi-



40

Figura 11.-Influencia de la edad

del pavimento en elproceso de deterioro.


mentos con una alta capacidad estructural. Por elcontrario, el PCI predicho está sobreestimado paraaquellos pavimentos con valores de SN inferiores a 10pulgadas. Aunque se necesita más investigación paraobtener conclusiones firmes, estos resultados sugierenque aquellos tramos de carretera caracterizados porun valor alto de SN retrasan el proceso de deteriorodel pavimento.

La ecuación 2 muestra el modelo calibrado para pre-decir PCI a partir de la edad del pavimento (pa) y SN.

Como se esperaba, este modelo no mejora la precisiónde la predicción obtenida en la Ecuación 1, ya que elcoeficiente de determinación no ha aumentado sus-tancialmente. En este sentido, la estructura del pavi-mento solo es capaz de explicar aproximadamente el1% de la variabilidad.

La Figura 13 representa el modelo calibrado quedescribe adecuadamente la tendencia mencionadaanteriormente. En este gráfico, el nivel de PCI semuestra en función de la edad y estructura del pavi-


41

Figura 12.- Residuosde la Ecuación 1 Vs.Número Estructural.


mento. Para una edad de pavimento específica, lacondición del pavimento aumenta a medida que elSN es más alto.

Estos hallazgos pueden estar influenciados por elíndice utilizado para la evaluación de la condición delpavimento y el plan de acción, es decir, cuándo sedebe rehabilitar un pavimento. Aunque el PCI incluyedeterioros del pavimento relacionados con fallosestructurales, la evaluación del pavimento es super-ficial, por lo que no se consideran todos los fallosestructurales. Adicionalmente, una vía es habitual-mente rehabilitada antes de sufrir importantes fallosestructurales para evitar su reconstrucción. Por lotanto, el mantenimiento del pavimento podría estarmás asociado con fallos superficiales que estruc-turales.

6.3. Influencia del volumen de tráficoEn esta investigación se propusieron tres variables detráfico: IMD, IMDp y KESAL. Como se esperaba, estasvariables presentaron correlaciones positivas mode -radas y fuertes entre ellas, por lo que la influencia detodas ellas en el deterioro del pavimento podríaconsiderarse similar. Para identificar esta influencia,se estudiaron los residuos del modelo descrito en laEcuación 1 en función de las variables de tráfico.Como resultado, IMDp y KESAL mostraron una mayorinfluencia que IMD, por lo que los vehículos pesados

juegan un papel crucial en el proceso de deterioro delpavimento.

En particular, KESAL, que es utilizado por la AASTHOpara diseñar capas de pavimento, resultó ser el factorde tráfico más influyente. Así, se calibró un modelocom binado conside rando esta variable junto con laedad del pavimento (Ecuación 3). Este modelo descri -be una reducción del PCI a medida que aumenta



42

Figura 13.- Influencia de la edad y capacidad del pavimento en su deterioro.


KESAL, es decir, la condición del pavimento empeora amedida que el tráfico pesado ad quiere importancia(Figura 14).

Como se puede observar, la inclusión de la carga detráfico en el análisis de regresión aumentó significa-tivamente la precisión del modelo. En particular, lavariable KESAL es capaz de explicar el 7% de lavariabilidad del fenómeno, lo que significa una grancontribución en el proceso de deterioro del pavi-mento.

6.4. Influencia de las condiciones climáticasComo se ha presentado anteriormente, se analizó lainfluencia de la precipitación, la temperatura, el viento yla humedad en el proceso de deterioro del pavimento.Para ello, se estudiaron los residuos del modelo baseque solo incluye la edad del pavimento como variableexplicativa (Ecuación 1) en función de cada factorclimático.

Como resultado, las variables más influyentes fueronlas relacionadas con la precipitación y la temperatura.


43

Figura 14.- Influencia del tráfico en el deterioro delpavimento.


En cuanto a las variables de precipitación, la Alturamedia anual de nieve (AAS) tuvo un mayor impacto enel estado del pavimento que la Precipitación mediaanual (AAP), que resultó una variable no significativa(valor P = 0,8980). Específicamente, dada una ciertaantigüedad del pavimento, el PCI disminuye unaunidad por cada 100 mm de nieve (ver Ecuación 4 yFigura 15a).

Entre las variables de temperatura analizadas, la Tem -peratura Media Anual (AAT) fue la que presentó unarelación más fuerte con el fenómeno estudiado. Estarelación se modeló a través de la Ecuación 5 y se repre-sentó en la Figura 15b. De esta forma, se encontró unarelación parabólica entre el deterioro del pavimento yAAT, de manera que los pavimentos expuestos a tem-peraturas medias anuales entre 5 y 15 °C experimen-taron un proceso de deterioro más brusco. Además,los pavimentos ubicados en regiones cálidas (AAT =20-30 °C) mostraron un retraso sustancial en el iniciodel proceso de deterioro.

Por otro lado, aquellas variables que representan lavariación de temperatura, AART y SDT, describieron lamisma tendencia (ver Ecuación 8 y Figura 15c). Comose esperaba, el inicio del proceso de deterioro delpavimento se retrasó significativamente al disminuir lavariación de temperatura durante el año.



44

Figura 15.- Influencia de las condiciones climáticas enel deterioro del pavimento.


Por lo tanto, la inclusión de factores climáticos en laevaluación del estado del pavimento condujo a unaestimación más precisa del PCI y a una mejor com-prensión del fenómeno. Específicamente, el impactode las condiciones climáticas en el proceso de dete -rioro del pavimento resultó en un aumento de la varia -bilidad explicada entre el 7% y el 8%..

6.5. Influencia globalUna vez que se estudiaron individualmente la estruc-tura del pavimento, la demanda del tráfico y las condi-ciones climáticas, se desarrolló un análisis global paradeterminar la influencia combinada del tráfico y elclima en el estado del pavimento. Para ello, se cali-braron diferentes modelos de regresión combinandolas variables de tráfico propuestas (IMD, IMDp y KESAL)con los factores climáticos más influyentes (AAS, AATy AART), sin considerar SN por su bajo impacto en elproceso de deterioro del pavimento (Ecuaciones 7, 8 y

9). Aunque estos modelos proporcionaron un ligeroaumento en la precisión de la predicción en compara-ción con los modelos individuales, se obtuvieron inte -resantes conclusiones globales que respaldaron loshallazgos descritos anteriormente. Estos modelosmuestran que la condición del pavimento disminuyemás de seis unidades por año y alrededor de dos unida -des por cada cien mil cargas equivalentes de eje único.Asimismo, para una determinada edad del pavimentoy condiciones de tráfico, cuanto mayor es la precipi -tación anual de nieve, menor es la condición del pavi-mento (ver Figura 16a). En cuanto a las variables detemperatura, un deterioro repentino del pavimento serelacionó con temperaturas frías (5-15 °C) y altas varia-ciones anuales de temperatura (20-30 °C) (ver Figura16b y 16c). Adicionalmente, se encontró un retrasoimportante en el proceso de deterioro en aquellostramos de pavimento ubicados en climas cálidos conbajas variaciones de temperatura, que a su vez se carac -terizaron generalmente por escasas precipitaciones.


45




46

Figura 16.- Influencia global del tráfico y las condiciones climáticas en el deterioro del pavimento.


En resumen, la combinación de las variables de tráficoy climáticas junto con la edad del pavimento en la eva -luación de la condición del pavimento permitió unamejor comprensión del proceso de deterioro del pavi-mento. Como se mencionó anteriormente, el factor másinfluyente en el deterioro del pavimento es la edad delmismo. Sin embargo, tanto la demanda del tráficocomo las condiciones climáticas, específicamente laprecipitación y la temperatura, también resultaronfactores clave. En este sentido, el modelo que se hadecidido incluir en el desarrollo del software de esteproyecto es el presentado en la Ecuación 8, principal-mente, porque es uno de los que mayor precisiónpresenta y tiene mayor sentido en nuestro país, puesen muy pocas ciudades de España se espera una alturade nieve significativa.

7. OPTIMIZACIÓN MULTIOBJETIVOUna vez conocido el estado de la red vial a partir de lainspección automática y su evolución a lo largo deltiempo, la siguiente etapa trata de evaluar cuál es elmejor plan de mantenimiento. Este plan de manteni -miento tiene una visión a largo plazo, por lo que sedefinen las actuaciones de mantenimiento que debe -rán llevarse a cabo durante un período de análisiscon el fin de conseguir una óptima asignación de losrecursos durante el ciclo de vida. Para ello, se proponedesarrollar una optimización multiobjetivo basada en

algoritmos heurísticos, que permiten obtener las sec-ciones de la red vial que deben ser tratadas cada año.Los objetivos y restricciones que se consideran endicha optimización están encaminados a reducir elcoste económico y el impacto social y medioambientalde las actividades de mantenimiento, al mismo tiempoque se mejoran las características técnicas de la red.No obstante, serán los usuarios o administracionesde transporte quienes finalmente decidirán qué obje-tivos y restricciones desean considerar en su ciudad oregión en base a los propuestos en esta metodología.

El proceso de optimización multiobjetivo utiliza algorit-mos heurísticos para encontrar una matriz de interven-ción óptima que determine qué vías se deben inter-venir cada año del período de análisis (Figura 17). Parala valoración económica, ambiental, social y técnica decada intervención, se proponen 5 funciones objetivoque se detallan en el epígrafe 7.1. Además, se comprue -ba que se cumplen las restricciones de condiciónmínima de la red (PCI mayor a 40) y el presupuestodisponible. Esta herramienta utiliza como datos deentrada aquellos aportados por el resto de los módu-los del proyecto y explicados en los epígrafes previos.Los datos pueden ser dependientes de la red viaria,como la evaluación de los daños o las característicasgeométricas y de tráfico, o independientes, como losmodelos de deterioro o los datos de costes y emi-siones unitarios de la base de datos.


47


7.1. Base de datos de actuaciones de mantenimiento

Para el desarrollo de una herramienta de optimiza ciónmultiobjetivo, es necesario elaborar una base de datoscompleta que contenga toda la información necesariapara valorar las distintas actuaciones de mantenimientoen base al daño detectado y su seve ridad. En concreto,se estudian el coste económico, coste ambiental y tipode corte de vía debido a la actuación de manteni -

miento. Esta información se utiliza para valorar tantolos objetivos como las restricciones del problema deoptimización. Para ello, se han utilizado dos fuentes deinformación: (1) información directa sobre las actua-ciones de mantenimiento realizadas en la ciudad deValencia en base al daño detectado, y (2) base de datoseconómica y ambiental de productos de la construc-ción (BEDEC) del Instituto de Tecnología de la Cons -trucción de Cataluña (ITeC). En la Tabla 3 se muestranel coste unitario y las emisiones de CO2 resultantes.



48

Figura 17.- Esquema general del proceso de optimización multiobjetivo.

FO1: Coste delas actuaciones

FO2: Emisionesde las

actuaciones

FO3: Afección ausuarios por

las actuaciones

FO4: Nivel deimportancia de lasvías a intervenir

FO5: Mejora delestado de la red

(beneficio)

Bases de datos deactuaciones demantenimiento

Modelos deevolución dedeterioros

Evaluación delos daños de la red viaria

Presupuesto del periodo a

evaluar

PCI mínimo entodo el periodo

>40

Caracterizaciónde la red viaria

Que genera...Esto se valora

mediante...

Sometidas a...

Para cuantificarlas, necesitamos...MATRIZ DE

INTERVENCIÓN

Costes, emisiones ymolestias a usuarios,

pero mejora el estado de la red

FUNCIONESOBJETIVO DATOS DE ENTRADA

Restricciones

Independientesde la red viaria

Dependientes de la red viaria



49

Daños y severidades Coste (€/u) Emisiones de CO2 (kg/u)

Grietas longitudinales y transversales (€/m)

Severidad Baja 6.63 15.01Sellado de juntas con betún

Severidad Intermedia 11.02 29.76Sellado de juntas con betún

Severidad Alta 17.30 32.61Fresado de cajón 50 cm y reposición manual de aglomerado

Grietas en forma de piel de cocodrilo (€/m2)

Severidad Intermedia 23.51 77.33Refuerzo de firme mediante recrecido, capa base y rodadura

Severidad Alta 56.78 91.06Refuerzo del firme mediante demolición, excavación y restitución de las capas

Bache (€/m2)

Severidad Intermedia 48.25 39.18Parcheo con una capa

Severidad Alta 81.66 77.23Parcheo con varias capas

Severidad Muy alta 90.92 79.89Saneo y restitución puntual del firme

Meteorización y desprendimiento (€/m2)

Severidad Intermedia 23.51 77.33Refuerzo de firme mediante recrecido, capa base y rodadura

Severidad Alta 56.78 93.00Refuerzo del firme mediante demolición, excavación y restitución de las capas

Tabla 3. Costes y emisiones unitarios de las actuaciones de mantenimiento.


Para la evaluación de la afección a los usuarios debidoal corte de vía, se han valorado dos parámetros: tipode corte de vía y horario (Tabla 4). El tipo de corte devía distingue si el corte de la vía se realiza en todoslos ca rriles (total) o solo en los afectados (parcial). Elhorario hace referencia a si la actuación se realiza enhorario diurno o nocturno. Principalmente, esta clasifi-cación es fruto de la experiencia de las empresas queconforman el consorcio que ha desarrollado el pre-sente proyecto.

7.2. Definición de criterios y funciones objetivoLos criterios y objetivos seleccionados para la opti-mización multiobjetivo están encaminados a reducirel coste económico y el impacto social y medioam-biental de las actividades de mantenimiento, al mismotiempo que se mejoran las características técnicas

de la red. Tras un proceso de búsqueda de criteriosen la literarura y filtrado de los más relevantes enámbitos urbanos, se han seleccionado 5 criterios queserán incluidos como función objetivo en el procesode optimización:

1 Coste económico de las actuaciones de manteni -miento

2 Emisiones de las actuaciones de mantenimiento3 Afección a los usuarios de la red viaria4 Nivel de importancia de las vías5 Mejora del estado de las actuaciones o efecti -

vidad

7.2.1. Función Objetivo 1: Coste económicoUna gestión eficiente del mantenimiento implica unamenor utilización de recursos económicos, por lo que



50

Daños y severidades Coste (€/u) Emisiones de CO2 (kg/u)

Parcheo (€/m2)

Severidad Intermedia 10.89 34.12Reposición de capa de rodadura

Severidad Alta 10.89 34.12Reposición de capa de rodadura

Tabla 3. Costes y emisiones unitarios de las actuaciones de mantenimiento. (Continuación)


el empleo del coste económico como criterio dedecisión resulta imprescindible. La medición cuanti-tativa de dicho criterio es euros de ejecución mate-rial (€).

La evaluación de los costes se realiza en función delestado del pavimento en el momento en el que se

lleva a cabo la actuación. Dado que se ha detectadoque el daño debido a meteorización y desprendimien -to tiene una repercusión económica y ambiental muysuperior al resto de daños, se ha establecido un árbolde decisión inicial. En la Figura 18 se aprecia que elcoste de reparación depende de la superficie afec-tada por meteorización o desprendimiento. Si esta es


51

Deterioro asociado Severidad Tipo de Horariocorte vía

Grietas Baja Parcial Nocturno

longitudinales Intermedia Parcial NocturnoAlta Parcial Diurno

Grietas Baja Total Nocturno

transversales Intermedia Total NocturnoAlta Total Diurno

Grietas en forma Intermedia Total Diurnode piel de cocodrilo Alta Total Diurno

Intermedia Parcial DiurnoBache Alta Parcial Diurno

Muy alta Parcial Diurno

Meteorización y desprendimiento

Alta Total Diurno

Parcheo Intermedia Total Nocturno

Tabla 4. Cortes de vía necesarios para llevar a cabo las actuaciones de mantenimiento.


menor al 50% de la sección, el coste se obtiene comoagregación de los costes de todos los daños; mientrasque, en caso contrario, el coste será exclusivamenteel de reparación de este daño.

Una vez seleccionada la rama correspondiente, elcoste de mantenimiento se obtiene de forma distintasi este se lleva a cabo en el año actual o en otro año

del período de análisis. Los costes de las actuacionesen el año cero pueden ser calculados a partir de losdaños presentes detectados mediante imágenes.Sin embargo, los costes futuros se obtienen medianteuna ecuación racional que los relaciona con el PCIobtenido mediante el modelo predictivo (Ecuación8). En la Tabla 5 se muestran las ecuaciones utilizadasen cada caso.



52

Figura 18.- Influencia de las condiciones climáticas en el deterioro del pavimento.

Consideración de coste de reparación

para cada sección

El coste de reparación se obtiene mediante un modelo de regresión

agregando a los costes de todos los daños presentes

El coste de reparación es el resultado de multiplicar el coste unitario deMeteorización y Desprendimiento

por el total del área dañada

< 50% del área de la sección > 50% del área de la sección

¿Qué densidad de daño debido a Meteorización y Desprendimiento hay

en la sección?


7.2.2. Función Objetivo 2: EmisionesUna gestión de mantenimiento sostenible ha de consi -derar la reducción del coste ambiental. Para la medicióncuantitativa de dicho criterio, se emplean los kilogramosde CO2 asociados a las actuaciones de mantenimiento(kgCO2). Esta Función Objetivo se obtiene siguiendo elmismo esquema que la Función Objetivo 1 (Tabla 6).

7.2.3. Función Objetivo 3: Afección a los usuarios dela red viaria

La evaluación del impacto ambiental no puede enten-derse sin la evaluación del impacto social de una actua -

ción. Para llevar a cabo las actuaciones de manteni -miento urbano, es necesario realizar cortes viarios, par-ciales o totales, que generan una afección directa a losdistintos usuarios de la red viaria, desde peatones avehículos motorizados. Para este proyecto, la afeccióna usuarios vendrá condicionada por el tipo de corte dela vía (parcial o total) y el momento en el que se realizacada intervención (nocturno o diurno). Además, setendrá en cuenta la IMD de la vía para evaluar la mag-nitud del impacto sobre los usuarios. Este criterio esevaluado mediante funciones de utilidad a partir de lasvariables mencionadas, adoptando un valor numérico


53

AWR t=0 t

>0.5 · AT

<0.5 · AT

Tabla 5. Ecuaciones para la obtención del coste (Función Objetivo 1).

donde:AT = Área total de la secciónAWR = Área de meteorización y desprendimiento

en la seccióndr = Tasa de descuentoAi = Áreas de cada daño para cada sección i

Cwr = Coste unitario de reparación de meteorización ydesprendimiento (Tabla 3)

Cmax+ = Constante del modelo PCI-coste que indica elvalor superior del coste

Vcu = Costes unitarios de las actuaciones de mantenimientocit = Coste total de la sección de referencia i en el año t


entre 0 y 1, siendo 1 el valor óptimo y 0 el valor pésimo.En el epígrafe 8. Técnicas de decisión se detallan estasfunciones de valor.

7.2.4. Función Objetivo 4: Nivel de importancia delas vías

Dentro de una red urbana, existen vías cuyo estado esprioritario para el decisor. Para este proyecto, este cri-terio se evalúa en función de la importancia de la víapor discurrir cerca de puntos de interés económico osocial o por ser una vía prioritaria dadas sus caracte -

rísticas. Este criterio es también evaluado mediantefunciones de utilidad, adoptando un valor numéricoentre 0 y 1, siendo 1 el valor óptimo y 0 el valor pésimo.Estas funciones de valor se presentan en el epígrafe 8.Técnicas de decisión.

7.2.5. Función Objetivo 5: Mejora del estado de lasactuaciones o efectividad

Este criterio mide la mejora del estado de la vía graciasa las actuaciones de mantenimiento. Por ello, se evalúael estado de la red a lo largo de los años mediante los



54

AWR t=0 t

>0.5 · AT

<0.5 · AT

Tabla 6. Ecuaciones para la obtención de las emisiones (Función Objetivo 2).

donde:AT = Área total de la secciónAWR = Área de meteorización y desprendimiento

en la secciónAi = Áreas de cada daño para cada sección iewr = Emisiones unitarias asociadas a la reparación

de meteorización y desprendimiento (Tabla 3)

emax+ = Constante del modelo PCI-coste que indica el valor superior de las emisiones

Veu = Emisiones unitarias de las actuaciones de mantenimiento

eit = Emisiones totales de la sección de referencia ien el año t


modelos de predicción empleados, definiéndose así unafunción cuya variable dependiente es el PCI y la varia -ble independiente es el tiempo. La medición cuantita -tiva de este criterio será la diferencia entre el valor dela integral definida dentro del período de evaluación dedicha función (PCI·t, con t medido en años) después dellevar a cabo una actuación de mantenimiento y el PCImínimo impuesto en las restricciones (Ecuación 9).

(9)

donde:FPCIi = Función definida por los valores del PCI

a lo largo del período a evaluar, conside -rando la mejora por las actuaciones demantenimiento

PCImin = Valor mínimo del PCI permitido comorestricción del problema

m = Número de años a evaluar en el problema

8. TÉCNICAS DE DECISIÓNEn último lugar, las técnicas de decisión facilitan laasig nación de los pesos a cada uno de los objetivos ocriterios definidos anteriormente y permiten la norma -lización de los mismos con el fin de priorizar las dife -rentes alternativas cuando se consideran varios de

estos objetivos al mismo tiempo. Estas técnicas puedenser integradas dentro de la propia optimización multi-objetivo para guiar la búsqueda de la mejor solución o,alternativamente, pueden aplicarse después de obte -ner una frontera de Pareto para seleccionar una únicaalternativa. Para reducir los tiempos de computación,esta metodología propone desarrollar la primera de lasopciones.

De acuerdo a Penadés-Pla et al. (2016), las técnicasde decisión se pueden clasificar en: (i) métodos depuntuación, (ii) métodos basados en la distancia, (iii)métodos de comparación por pares, (iv) métodos desuperación, (v) métodos de utilidad o valor y (vi) otrosmétodos. Entre todas ellas, la metodología propuestaincorpora el método de utilidad denominado Multi-Attribute Utility Theory (MAUT). Este método empleauna función de utilidad para convertir cada valor obje-tivo a un valor de utilidad entre 0 y 1, lo que propor-ciona mayor flexibilidad a la hora de realizar la priori -zación de alternativas. En este sentido, cada objetivo ocriterio puede tener su propia curva de utilidad con elfin de priorizar cierto rango de valores de cada uno deellos.

Las Funciones Objetivo 1, 2 y 5 proporcionan un valorcuantitativo que será normalizado utilizando funcionesde valor lineales, siendo 1 el correspondiente al valoróptimo y 0 el correspondiente al valor pésimo.


55


(10)

donde:Vopt = valor óptimo de la función objetivo Vpes = valor pésimo de la función objetivo Vpes = valor de la función objetivo

γ = factor que determina la forma de la curva devalor. En el caso de las Funciones Objetivo 1,2 y 5 son igual a 0

En cambio, las Funciones Objetivo 3 y 4 son evaluadasa partir de valoraciones cualitativas que serán transfor -madas en valores cuantitativos y normalizados utili -zando las funciones de utilidad. La Función Objetivo 3depende de la afección a los usuarios y la IMD de la vía.Para poder valorar el grado de afección en función delestado de las vías en cualquier año del período de aná -lisis, se ha analizado el tipo de daño y severidad quecuenta con un peso mayor en cada escalón de PCI y sehan cruzado estos resultados con los mostrados en laTabla 4. Como resultado, se han obtenido tres fun-ciones de utilidad (baja, media y alta) en función delrango de PCI (Tabla 7) y la magnitud del daño demeteorización y desprendimiento.



56

Tabla 7. Criterio de selección de las funciones de utilidad para la Función Objetivo 3.

Tipo de afección Escala de afección

PCI Escala Tipo de intervención Si AWR<50% Si AWR>50%

85-100 Good Parcial/NocturnoP/N Baja

70-85 Satisfactory Parcial/Nocturno55-70 Fair Total/Nocturno

T/N o P/D Media40-55 Poor Parcial/Diurno Alta25-40 Very Poor Total/Diurno10-25 Serious Total/Diurno T/D Alta0-10 Failed Total/Diurno


Cada una de las funciones de utilidad (baja, media yalta) tomará como variable de entrada el percentil deIMD de dicha vía respecto al de la red viaria. Por tanto,las vías que tengan una IMD mayor, tendrán mayorafección a los usuarios por cortes de la vía y, por tanto,una utilidad menor. Del mismo modo, las vías con afec-ciones “bajas”, es decir, tratamientos que supongancortes parciales y nocturnos, tendrán una utilidadmayor que las vías con afecciones “media” o “alta”, parael mismo valor de la IMD (ver Figura 19). La función deutilidad es:

(11)

donde:

PIMDi = Percentil de la distribución de IMDs delconjunto de la red asociado al valor de la IMDde la sección.γ = Factor de que determina la forma de lacurva, siendo γbaja=0.5, γmedia=-1.7 y γalta=-4.75

Para la obtención de la Función Objetivo 4, se evalúala importancia por zona y el tipo de vía. En este senti -do, se considera que una sección de vía está en zonaprioritaria cuando parte de su trazado queda dentrode un radio definido por el usuario a partir de un puntode interés. En cuanto al tipo de vía, se considera que


57

Figura 19.- Funciones de utilidad de la FunciónObjetivo 3.

Zona Vía Función deprioritaria prioritaria utilidad

SÍ SÍ Función 1NO SÍ Función 2SÍ NO Función 3

NO NO Función 4

Tabla 8. Criterio de selección de las funciones de utilidad para la Función Objetivo 4.


la vía es prioritaria cuando es una vía arterial o el usua -rio la ha considerado como tal. A partir de estas clasi-ficaciones, se obtienen cuatro funciones de utilidad(Tabla 8).

En este caso, la utilidad depende del PCI mínimo deuna sección a lo largo del período de evaluación y lafunción de utilidad seleccionada (Figura 20). El PCImínimo se obtiene como el menor valor de PCI quealcanza la sección de vía durante el período de análisisconsiderado. De esta forma, las vías con importanciaalta obtienen un valor de utilidad menor que las víascon importancia menor, para un mismo valor de PCImínimo. Por tanto, al optimizar esta función objetivo,las vías con importancia alta no podrán tener un valorde PCI mínimo bajo.

(12)

donde:

PCImin = valor mínimo del PCI a lo largo del perío -do de evaluación para cada sección i

γ = Factor que determina la forma de la curva,siendo γ1=-4.55, γ2=-1.8, γ3=-0.40, γ4=0.83

La función objetivo total se obtiene como sumatoriode los valores obtenidos de las funciones de utilidadmultiplicados por los pesos de cada función objetivo

(Ecuación 13). Los usuarios o administraciones de trans -porte podrán decidir qué objetivos desean considerary los pesos de estos.

(13)

Cabe destacar que todas las etapas presentadas ante-riormente están programadas en un único softwaredonde, finalmente, será el usuario del mismo quiendecida o seleccione sus prioridades antes de llevar acabo la optimización. Así, en base a los criterios que laadministración decida aplicar, el software le ofrecerá, através de un visor GIS, el plan de mantenimiento paralos próximos años.



58

Figura 20.- Funciones de utilidad de la FunciónObjetivo 4


9. DESARROLLO DEL SOFTWARELa etapa final del proyecto se centra en el desarrollo deun software para la gestión y planificación del manteni -miento del pavimento en entornos urbanos que incor-pora todos y cada uno de los modelos que han sidodesarrollados en las etapas anteriores con el fin defacilitar lo máximo posible la aplicación de estas herra -mientas al usuario, administración o ingeniero encar-gado del mantenimiento de una red vial urbana. Lasprincipales funciones del software son (ver Figura 21):

• Representación de la red vial urbana a través deun Sistema de Información Geográfica (SIG).

• Detección automática de daños.• Evaluación automática del estado de la condición

del pavimento.• Predicción del deterioro.• Optimización de la planificación de las actuacio -

nes de mantenimiento.

9.1. Representación de la red a través de un SIGLa representación de la red vial urbana a través de unSistema de Información Geográfica tiene como objetivorecopilar, gestionar y analizar el estado de cada una de lasvías. Cada segmento de la red se caracteriza en base a:

o Características de la vía: Nombre, área, tipo devía, IMD, número de carriles, etc.

o Localización: Distrito, barrio, geometría, nivelde importancia, etc.

o Histórico de intervenciones: fecha y tipo deintervención, coste, emisiones, etc.

Como se puede observar en la Figura 22, todas lascaracterísticas de un determinado segmento se pue -den consultar con un solo click.

9.2. Identificación de daños y evaluación de lacondición del pavimento

El proceso de detección de daños existentes en lasvías es automático. A través de un vídeo registrado porel sistema de adquisición de imágenes, el software, demanera automática y autónoma, extrae las imágenes decada segmento de la red, identifica los daños existentes,


59

Figura 21.- Principales funciones del software.


así como el área y nivel de severidad de dichos daños, yasocia a cada segmento la siguiente informa ción: posi-ción georreferenciada de cada daño, tipo de daño, seve -ridad, área afectada, etc. Para ello, el progra ma emplealas redes neuronales convolucio nales calibradas.

Seguidamente, el software es capaz de estimar auto -máticamente la condición del pavimento de un segmen -to de la red. A partir de los daños detectados, el áreaafectada y el nivel severidad de los mismos, determinael valor del indicador de la condición del pavimento(PCI) de cada segmento. Como se ha comentado ante-riormente, toda esta información, una vez procesada,

es incorporada como atributos a cada uno de los seg-mentos de la red (ver Figura 23).

9.3. Predicción del deterioro

A partir de la evaluación del estado actual del dete riorode las vías, el software es capaz de predecir la evoluciónde dicho deterioro a lo largo del tiempo con el objeto deidentificar las vías de mayor riesgo y con mayor capaci-dad de afección negativa sobre los usuarios. Para ello, elprograma incorpora el modelo de predicción definidopor la Ecuación 8 que se ha presentado en el epígrafe 6.Predicción de la condición del pavimento.



60

Figura 22.-Representación de la

red vial.


Una de las grandes ventajas del modelo seleccionado esque permite su aplicación, generalmente, en cual quierentorno urbano, debido a que este es capaz de adap-tarse a las condiciones climáticas de cada área o regiónespecífica. No obstante, el software está pre paradopara introducirle un modelo externo calibrado paraun área específica y, además, incorpora un reajusteautomático del modelo a medida que se inclu yen losdatos históricos de una determinada red vial urbana.

La Figura 24 muestra la predicción de la condicióndel pavimento en el distrito de En Corts de la ciu-dad de Valencia. Particularmente, en este ejemplo

el software ofrece la opción de visualizar el estadodel pavimento para los próximos cinco años, siendoeste período de tiempo introducido por el usuarioen base al análisis que se desee realizar. Asimismo,pueden ser visualizados cuáles serían los segmen-tos en los que intervenir cada uno de los años estu-diados.

9.4. Optimización de la planificación de lasactuaciones de mantenimiento

Finalmente, en base al estado actual y el deterioro futu -ro de la red, el software es capaz de gestionar y planifi -


61

Figura 23.-Identificación dedaños y estimación dela condición.


car el mantenimiento de la red mediante la optimizacióny priorización de actuaciones de mantenimiento quegaranticen, bajo determinadas restricciones presupues -tarias establecidas por el cliente, la reducción de loscostes de mantenimiento, las molestias a usuarios direc-tos e indirectos de la red, la contaminación ambientaly los niveles de seguridad en la red.

Para ello, el usuario podrá fijar el año horizonte e inclu -so modificar algunos de los parámetros que se esta -blecen por defecto como, por ejemplo, los puntosde interés, el porcentaje de vehículos pesados o la

prioridad de actuación en un barrio o zona concretade la ciudad.

La Figura 25 muestra un ejemplo de la salida de datosdel software en cuanto a la planificación de las actua-ciones de mantenimiento para un período de cincoaños. Principalmente, la salida de datos está conectadaa la matriz de intervención que proporciona la opti-mización multiobjetivo desarrollada en el proyecto ylas distintas técnicas de decisión propuestas. De estamanera, el software nos indica para cada una de lascalles o segmentos de la red vial en qué año intervenir.



62

Figura 24.-Predicción de la

condición del pavimento:

distrito de En Corts(Valencia).


10. CONCLUSIONESLa red vial, como uno de los mayores bienes patrimo-niales de un país y base fundamental para su desarrolloeconómico y social, debe mantenerse en buen estadopara reducir costes de transporte de personas y bienes,así como para no incurrir en sobrecostes por manteni -mientos tardíos. En este sentido, la gestión actual delpavimento urbano se caracteriza, principalmente, por:(i) inexistencia de métodos eficientes para la detec -ción de daños, (ii) carencia de mantenimiento predic-tivo y (iii) ausencia de factores relacionados con la

sostenibilidad social y medioambiental en la toma dedecisiones.

Para hacer frente a estas deficiencias, las herramientasdesarrolladas en este proyecto permitirán: (i) la auto -matización de las tareas de auscultación a través de laobtención de imágenes con cámaras convencionales yprocesamiento posterior de las mismas mediante téc-nicas de aprendizaje profundo, evitando la subjetivi-dad derivada de la inspección visual y reduciendotiempos y costes de la evaluación del pavimento, (ii) lahomogeneización de la predicción del estado del firme


63

Figura 25.-Planificación delas actuaciones demantenimiento.


al incorporar, además de variables técnicas, variablesrelacionadas con el volumen de tráfico, la precipita -ción y la temperatura, favoreciendo la aplicación delsoftwa re desarrollado a otras regiones geográficasy (iii) la incorporación de un modelo de optimizacióny toma de decisiones que incluye criterios como lasemisiones de CO2 o la proximidad a infraestructurasde desarrollo social y económico, con el fin de reducirlos costes también desde una perspectiva social ymedioambiental.

El software desarrollado es capaz de integrar las dis-tintas herramientas desarrolladas con el fin de facilitarsu uso a los usuarios, ya sea la propia administración ouna empresa especializada en el mantenimiento deuna red vial. Este software, además, ha sido diseñadocon el fin de ofrecer al usuario una interfaz y una visua -lización gráfica sencillas de los resultados que se vanobteniendo a lo largo de las diferentes etapas quese deben llevar a cabo para lograr una planificaciónóptima de las actuaciones de mantenimiento. En estesentido, el software muestra, en primer lugar, cuál esel estado actual de la red tomando como input la gra -bación en vídeo del pavimento de un determinadotramo de la red o de la totalidad de la misma. Para ello,emplea principalmente las redes neuronales convolu-cionales entrenadas y estima el valor del PCI paracada sección de vía del área de estudio. A partir de lacondición actual del pavimento, el software es capaz

de predecir el estado futuro de la red vial en base alos modelos de predicción que incorpora. Finalmente,el software permite determinar cuál es la planifica -ción óptima de las actuaciones de mantenimiento yrehabilitación en base a una optimización multiobje-tivo que considera, entre otros criterios, la afección alos ciudadanos, las emisiones de CO2 relacionadascon la actuación y la proximidad a puntos de interés.Estos criterios, junto a los habituales criterios econó -micos y técnicos, proporcionarán una planificacióneficiente y proactiva para mantener la red vial en elmejor estado posible, minimizando los costes y lasafecciones a los ciudadanos y usuarios de la red, almismo tiempo que se consigue un mantenimiento mássostenible.

Resumiendo, el proyecto SIMEPU ha permitido eldesarrollo de una aplicación sencilla basada principal-mente en una interfaz visual muy amigable para elusuario que permite:

• la identificación y cuantificación de deterioros enel pavimento de manera automática;

• conocer cuál será el estado de la red en un futuroy

• establecer una programación eficiente y proac-tiva de las actuaciones de mantenimiento y reha-bilitación del pavimento urbano a medio-largoplazo.



64


65

REFERENCIAS BIBLIOGRÁFICAS

AASHTO (2011). Transportation Asset Management Guide: A Focus on Implementation. American Association ofState Highway and Transportation Officials, Washington, DC.

AASHTO (1993). Guide for Design of Pavement Structures. American Association of State Highway and Transpor -tation Officials, Washington, DC.

AEC (2020). Guía para la Rehabilitación y la Gestión de los Firmes de las Carreteras dependientes de las Adminis -traciones Locales. Asociación Española de la Carretera, Madrid.

AMHAZ, R., CHAMBON, S., IDIER, J., & BALTAZART, V. (2016). Automatic crack detection on two-dimensionalpavement images: An algorithm based on minimal path selection. IEEE Transactions on IntelligentTransportation Systems, 17(10), pp. 2718-2729.

ARAMBULA, E., GEORGE, R., XIONG, W., & HALL G. (2011). Development and validation of pavement performancemodels for the state of Maryland. Transportation Research Record: Journal of the Transportation ResearchBoard, 2225(1), pp. 25-31.

ASTM, 2018. Standard practice for roads and parking lots pavement condition index surveys (No. ASTM D6433-18).American Society for Testing and Materials, West Conshohocken.

BULL, A. (2003). Traffic Congestion: The Problem and how to Deal with it (No. 87). United Nations Publications.

CARR, T. A., JENKINS, M. D., IGLESIAS, M. I., BUGGY, T., & MORISON, G. (2018). Road crack detection using a sin-gle stage detector based deep neural network. IEEE Workshop on Environmental, Energy, and StructuralMonitoring Systems (EESMS), 2018, pp. 1-5. IEEE.

CHA, Y. J., CHOI, W., & BÜYÜKÖZTÜRK, O. (2017). Deep learning‐based crack damage detection using convolutionalneural networks. Computer-Aided Civil and Infrastructure Engineering, 32(5), pp. 361-378.

CHAMBON, S., & MOLIARD, J. M. (2011). Automatic road pavement assessment with image processing: review andcomparison. International Journal of Geophysics, 2011, doi:10.1155/2011/989354.





66

DONG, Q., HUANG, B., & RICHARDS S.H. (2014). Calibration and application of treatment performance models ina pavement management system in Tennessee. Journal of Transportation Engineering, 141(2), 04014076.

ESPINOZA-VALAREZO, P.A., GARCÍA-SEGURA, T., MONTALBÁN-DOMINGO, L., & PELLICER, E. (2019).Development of a Decision Making Tool for the Pavement Maintenance Management under Sustaina -bility Criteria: Application to Valencia (Spain). Interdependence between Structural Engineering andConstruction Management. The Tenth International Structural Engineering and Construction Conference.Chicago, Illinois, United States.

FHWA (1999). Asset Management Primer. Washington, DC, USA.

FWA, T. F., CHAN, W. T., & HOQUE, K. Z. (2000). Multiobjective optimization for pavement maintenance program-ming. Journal of Transportation Engineering, 126(5), pp. 367-374.

GEORGE, K. P., RAJAGOPAL, A. S., & LIM, L. K. (1989). Models for predicting pavement deterioration. TransportationResearch Record, (1215), pp. 25-32.

HAJJ, E. Y., LORIA, L., & SEBAALY, P. E. (2010). Performance evaluation of asphalt pavement preservation activities.Transportation Research Record, 2150(1), pp. 36-46.

HASSAN, R., LIN, O., & THANANJEYAN, A. (2015). A comparison between three approaches for modelling deterio-ration of five pavement surfaces. International Journal of Pavement Engineering, 18(1), pp. 26-35.

JENKINS, M. D., CARR, T. A., IGLESIAS, M. I., BUGGY, T., & MORISON, G. (2018). A deep convolutional neuralnetwork for semantic pixel-wise segmentation of road and pavement surface cracks. 26th European SignalProcessing Conference (EUSIPCO), 2018, pp. 2120-2124. IEEE.

KINGMA, D. P., & BA. J. (2015). Adam: A method for stochastic optimization. 3rd International Conference forLearning Representations, San Diego, arXiv:1412.6980.

KRAEMER, C., PARDILLO, J. M., ROCCI, S., ROMANA, M., SÁNCHEZ, V., & DEL VAL, M.A. (2004). Ingeniería deCarreteras, Vol. II. Editorial McGraw Hill, Madrid.


67

MAEDA, H., SEKIMOTO, Y., SETO, T., KASHIYAMA, T., & OMATA, H. (2018). Road damage detection using deep neu-ral networks with images captured through a smartphone. arXiv preprint arXiv:1801.09454.

MENESES, S., & FERREIRA, A. (2015). Flexible pavement maintenance programming considering the minimisationof maintenance and rehabilitation costs and the maximisation of the residual value of pavements.International Journal of Pavement Engineering, 16(7), pp. 571-586.

MOHD HASAN, M. R., HILLER, J.E., & YOU, Z. (2016). Effects of mean annual temperature and mean annual pre-cipitation on the performance of flexible pavement using ME design. International Journal of PavementEngineering, 17(7), pp. 647-658.

MOREIRA, A.V., TINOCO, J., OLIVEIRA, J.R., & SANTOS, A. (2018). An application of Markov chains to predict theevolution of performance indicators based on pavement historical data. International Journal of PavementEngineering, 19(10), pp. 937-948.

OLIVEIRA, H., & CORREIA, P. L. (2013). Automatic road crack detection and characterization. IEEE Transactions onIntelligent Transportation Systems, 14(1), pp. 155-168.

OSORIO-LIRD, A., CHAMORRO, A., VIDELA, C., TIGHE, S., & TORRES-MACHI, C. (2018). Application of Markovchains and Monte Carlo simulations for developing pavement performance models for urban networkmanagement. Structure and Infrastructure Engineering, 14(9), pp. 1169-1181.

PARK, S., BANG, S., KIM, H., & KIM, H. (2019). Patch-based crack detection in black box images using convolutionalneural networks. Journal of Computing in Civil Engineering, 33(3), 04019017.

PENADÉS-PLÀ, V., GARCÍA-SEGURA, T., MARTÍ, J., & YEPES, V. (2016). A review of multi-criteria decision-makingmethods applied to the sustainable bridge design. Sustainability, 8(12), 1295.

QIAO, Y., FLINTSCH, G.W., DAWSON, A.R., & PARRY, T. (2013). Examining effects of climatic factors on flexiblepavement performance and service life. Transportation Research Record: Journal of the TransportationResearch Board, 2349(1), pp. 100-107.



RAGNOLI, A., DE BLASIIS, M., & DI BENEDETTO, A. (2018). Pavement distress detection methods: A review.Infrastructures, 3(4), 58.

REGGIN, A., SHALABY, A., EMANUELS, R., & MICHEL, G. (2008). Urban considerations for using road roughness tomanage road networks. 7th International Conference on Managing Pavement Assets.

SANTERO, N. J., & HORVATH, A. (2009). Global warming potential of pavements. Environmental Research Letters,4(3), 034011.

SHI, Y., CUI, L., QI, Z., MENG, F., & CHEN, Z. (2016). Automatic road crack detection using random structured forests.IEEE Transactions on Intelligent Transportation Systems, 17(12), pp. 3434-3445.

TORRES-MACHI, C., PELLICER, E., YEPES, V., & CHAMORRO, A. (2017). Towards a sustainable optimization ofpavement maintenance programs under budgetary restrictions. Journal of Cleaner Production, 148,pp. 90-102.

WANG, H., CHEN, Z., & SUN, L. (2013). Pavement roughness evaluation for urban road management. In ICTE 2013:Safety, Speediness, Intelligence, Low-Carbon, Innovation, pp. 2709-2713.

WANG, X., & HU, Z. (2017). Grid-based pavement crack analysis using deep learning. 4th International Conference onTransportation Information and Safety (ICTIS), 2017, pp. 917-924. IEEE.

WU, Z., & FLINTSCH, G. W. (2009). Pavement preservation optimization considering multiple objectives and budgetvariability. Journal of Transportation Engineering, 135(5), pp. 305-31.

ZHANG, L., YANG, F., ZHANG, Y. D., & ZHU, Y. J. (2016). Road crack detection using deep convolutional neuralnetwork. IEEE International Conference on Image Processing (ICIP), 2016, pp. 3708-3712. IEEE.

ZOU, Q., CAO, Y., LI, Q., MAO, Q., & WANG, S. (2012). CrackTree: Automatic crack detection from pavement images.Pattern Recognition Letters, 33(3), pp. 227-238.

68


Editado en Madrid,26 de noviembre de 2020

ISBN: 978-84-89875-96-8

Dise

ño y

maq

ueta

ción

:Jos

e Ra

món

Mol

iner

o


l a c o l a b o r a c i ó n i n s t i t u c i o n a l d e :

c o n e l p a t r o c i n i o d e :

C o n v o c a :

Asociación Española de la Carretera





premio internacionalA LA INNOVACIÓN EN CARRETERASpremio internacionalA LA INNOVACIÓN EN CARRETERAS


2019 • 2020

2019•2020

Prem

io In

tern

acio

nal a

la In

nova

ción

en

Carr

eter

as

Oc t avaEd i c i ó n

]âtÇ

TÇàÉ

Ç|É Y

xÜÇöÇ

wxé wx

Ä VtÅ

ÑÉ

O c t ava E d i c i ó n

y l a c o l a b o r a c i ó n e m p r e s a r i a l d e :

CUBIERTA _Maquetación 1 23/11/20 11:37 Página 1

Download - la colaboración institucional de: EFICIENTE DE PAVIMENTOS … · 2020. 11. 26. · medio y largo plazo. La investigación lleva por título “Sistema integral para el mantenimiento

Top Related