Остаточный ресурс дорожных одежд на автомобильных дорогах с высокой интенсивностью движения

Введение. Актуальной задачей в области содержания автомобильных дорог является объективная оценка их остаточного ресурса. Существующие методы часто носят субъективный характер или требуют сложных процедур. Целью данной работы является разработка нового подхода к такой оценке, основанного на инструментальных измерениях.

Материалы и методы. Объектом исследования выступают дорожные одежды автомобильных дорог. В основе метода лежит модель, связывающая величину упругого прогиба покрытия с расчетным числом циклов нагружения до исчерпания прочности. Прогиб измерялся с помощью установки ударного нагружения (Falling Weight Deflectometer). Методика позволяет адаптировать модель к разным условиям путем калибровки коэффициентов.

Результаты исследования. На основе предложенной модели создана четырехуровневая шкала состояния дорожной одежды по величине остаточного ресурса: нормативное, удовлетворительное, предотказное и критическое. Для повышения надежности оценки в качестве расчетного значения для точки замера используется медианное значение ресурса, а для характеристики всего участка — его средневзвешенная величина.

Обсуждение и заключение. Разработанный подход позволяет давать количественную оценку остаточного ресурса на основе инструментальных данных. Внедрение данной методики повысит объективность диагностики и поможет оптимально планировать ремонтные работы. Перспективы исследования связаны с дальнейшей адаптацией модели для различных дорожно-климатических условий. 

1. Pantuso A, Loprencipe G, Bonin G, Teltayev BB Analysis of Pavement Condition Survey Data for Effective Implementation of a Network Level Pavement Management Program for Kazakhstan. Sustainability 2019;11:901 https://doi.org/10.3390/su11030901.

2. Flora WF Development of a Structural Index for Pavement Management: An Exploratory Analysis. West Lafayette: Purdue University; 2009.

3. Fakhri M, Dezfoulian RS Pavement Structural Evaluation Based on Roughness and Surface Distress Survey Using Neural Network Model. Construction and Building Materials.2019;204:768–780. https://doi.org/10.1016/j.conbuildmat.2019.01.142

4. Tang F, Ma T, Zhang J, Guan Y, Chen L Integrating Three-Dimensional Road Design and Pavement Structure Analysis Based on BIM. Automation in Construction. 2020;113:103152. https://doi.org/10.1016/j.autcon.2020.103152

5. Llopis-Castelló D, García-Segura T, Montalbán-Domingo L, Sanz-Benlloch A, Pellicer E Influence of Pavement Structure, Traffic, and Weather on Urban Flexible Pavement Deterioration. Sustainability. 2020;12:9717. https://doi.org/10.3390/su12229717

6. Haas R, Hudson R Pavement Asset Management. John Wiley & Sons; 2015. 432 p. https://doi.org/10.1002/9781119038849

7. Bryce J, Flintsch G, Katicha S, Diefenderfer B Enhancing Network-Level Decision Making through the Use of a Structural Capacity Index. Transportation Research Record. 2013;2366(1):64–70. https://doi.org/10.3141/2366-08

8. Calhoon T, Marasteanu M, McGrath S Are New Pavement Condition Indices Necessary for Long-Poor Pavements? Transportation Research Record. 2022;2676(11):186–193. https://doi.org/10.1177/03611981221092004

9. Hanandeh S Introducing Mathematical Modeling to Estimate Pavement Quality Index of Flexible Pavements Based on Genetic Algorithm and Artificial Neural Networks. Case Studies in Construction Materials. 2022;16:e00991. https://doi.org/10.1016/j.cscm.2022.e00991

10. Elkins GE, Thompson T, Groeger J, Visintine BA, Rada GR Reformulated Pavement Remaining Service Life Framework (Report No. FHWA-HRT-13-038). USA. Federal Highway Administration. Office of Infrastructure Research and Development.; 2013. URL: https://www.fhwa.dot.gov/publications/research/infrastructure/pavements/13038/index.cfm (accessed: 01.03.2026).

11. Kaya O, Citir N, Ceylan H, Kim S, Waid DR Development of Pavement Performance and Remaining Service Life Prediction Tools for Iowa Jointed Plain Concrete Pavement Systems. Journal of Transportation Engineering, Part B: Pavements. 2023;149(1):04022070. https://doi.org/10.1061/JPEODX.PVENG-1160

12. Rada GR, Visintine BA, Bryce JM, Thyagarajan S, Elkins GE, Wheeler AF Application and Validation of Remaining Service Interval Framework for Pavements (Reporrt No. FHWA-HRT-16-053). USA: Federal Highway Administration; 2013. URL: https://www.fhwa.dot.gov/publications/research/infrastructure/pavements/16053/index.cfm (accessed: 01.03.2026).

13. Ekramnia T, Nasimifar M Development of a Methodological Tool for Treatment Prioritization in Network-Level Pavement Management System. Journal of Transportation Engineering, Part B: Pavements. 2022;148(1):04021069. https://doi.org/10.1061/JPEODX.0000329

14. Das S, Siddagangaiah AK Multi-Objective Optimization of Imperfect Pavement Repair Policy: A ReliabilityBased Approach. Transportation Research Record. 2022;2676(7):264–275. https://doi.org/10.1177/03611981221077988

15. Shahata K, El-Zahab S, Zayed T, Alfalah G Rehabilitation of Municipal Infrastructure Using Risk-Based Performance. Automation in Construction. 2022;140:104335. https://doi.org/10.1016/j.autcon.2022.104335

16. Jannat G, Yuan XX, Shehata M Development of Regression Equations For Local Calibration of Rutting and IRI as Predicted by the MEPDG Models for Flexible Pavements Using Ontario’s Long-Term PMS data. IJPE. 2016;17:166–175. https://doi.org/10.1080/10298436.2014.973024

17. Islam KM, Gassman SL Predicting Flexible Pavement Distress and IRI Considering Subgrade Resilient Modulus of Fine-Grained Soils Using MEPDG. Materials. 2023;16:1126. https://doi.org/10.3390/ma16031126

18. Hurley CD Asphalt Pavement Evaluation to Support the Calibration of the AASHTO MEPDG for South Carolina Conditions. Master’s Thesis, Clemson University, Clemson, SC, USA; 2019. URL: https://open.clemson.edu/all_theses/3198/ (accessed: 01.03.2026).

19. Philip B, Jassmi HA A Bayesian Approach towards Modelling the Interrelationships of Pavement Deterioration Factors. Buildings. 2022, 12, 1039. https://doi.org/10.3390/buildings12071039

20. Attoh-Okine NO Probabilistic Analysis of Factors Affecting Highway Construction Costs: A Belief Network Approach. Canadian Journal of Civil Engineering. 2002, 2002;29:369–374. https://doi.org/10.1139/l02-003

21. Hatoum AA, Khatib JM, Barraj F, Elkordi A Survival Analysis for Asphalt Pavement Performance and Assessment of Various Factors Affecting Fatigue Cracking Based on LTPP Data. Sustainability. 2022;14:12408. https://doi.org/10.3390/su141912408

22. Justo-Silva R, Ferreira A, Flintsch G Review on Machine Learning Techniques for Developing Pavement Performance Prediction Models. Sustainability. 2021;13:5248. https://doi.org/10.3390/su13095248

23. Elshamy MMM, Tiraturyan AN, Uglova EV, Zakari M Development of the Non-Destructive Monitoring Methods of the Pavement Conditions Via Artificial Neural Networks. Journal of Physics: Conference Series. 2020;1614(1):012099. https://doi.org/10.1088/1742-6596/1614/1/012099

24. Elshamy MMM, Tiraturyan AN Using Application of an Artificial Neural Network System to Backcalculate Pavement Elastic Modulus. Russian Journal of Building Construction and Architecture. 2020;2:84–93. https://doi.org/10.36622/vstu.2020.2.46.006

25. Osman SA, Almoshaogeh M, Jamal A, Alharbi F, Al Mojil A, Dalhat MA Intelligent Assessment of Pavement Condition Indices Using Artificial Neural Networks. Sustainability. 2023;15(1):561. https://doi.org/10.3390/su15010561