Proposta di tecniche e algoritmi innovativi per il rilievo e l’analisi dei degradi delle superfici stradali e di indicatori di performance, finalizzati all’ottimizzazione delle procedure per la gestione del processo di manutenzione

In order to allow the transport infrastructures to effectively perform their task as driving force of the economic growth, the road pavements have to assure adequate structural and functional characteristics for their entire service life. To achieve this goal, it is essential, from one side, to properly design the pavements and, from the other, to adequately deal with the complex maintenance issues, for guaranteeing performance and safety reliability. However, to accurately schedule maintenance operations, it is crucial to monitor the pavement condition during its service life, for predicting the distress evolution and avoiding reaching dangerous conditions for users (overpassing safety thresholds). Monitoring and survey activities – especially for detection, identification, and classification of distresses on road pavement surfaces – can be so costly, not only in economic terms, but further considering the execution time, to discourage their execution, with evident drawbacks for a proper maintenance management and the related intervention strategies. In view of the above, the research activity presented in this PhD thesis was completely focused on the development of a novel device for real-time and continuous survey of road pavement surface distresses and on the proposal and definition of original algorithms and methodologies for their detection and quantification. In particular, during the PhD course, I took part in a research activity, led by Prof. Gaetano Bosurgi at the Engineering Department of University of Messina, to design and develop an instrumentation for road surface distress surveys, named “HiPRoSS” (High Performance Road Survey System). Using the potential of laser lighting systems, of line-cameras and 3D cameras for optical triangulation, this device – actually in an experimental phase, but already operative – can acquire 2D images and produce 3D representations of the road surfaces, limiting the disturbance on vehicular traffic and speeding up survey operations. Consequently, also during a research period at Oklahoma State University (USA) with the supervision of Prof. Kelvin C.P. Wang, I defined a novel algorithm for the analysis of pavement surface 3D data and fully automated detection of cracks, one of the most representative and common kind of distresses. The defined computer vision procedure, combining the strengths of three different basic methodologies (Matched Filtering, Tensor Voting, and Minimum Spanning Tree), provided encouraging results in terms of both accuracy and reliability, actually comparable to (if not superior than) those obtained through semi-automatic algorithms available in literature. The proposed algorithm, properly extended to the other forms of distresses, may actually simplify the survey procedures and produce distress interpretations of relevant quality, in a very short time, using high-resolution 3D data, without any disturbance on traffic, and with clear advantages in the global optimization process of the maintenance strategies. Considered the results obtained in this first phase, the availability of very accurate, widespread, and detailed data - as those provided by modern survey devices, also like HiPRoSS - and the elaboration and detection ability of the computer vision techniques, it was natural to analyse their potential impact on the main road pavement quality indices, for defining novel performance indicators more related to the actual safety and comfort needs. As propaedeutic step for achieving this main goal, in the first analysis phase, the attention was focused on the examination of the existing relationships among the main structural and functional indices of road pavements, for providing, by means of artificial intelligence techniques, correlations between “traditional” indicators (in particular, roughness and structural capacity). This can increase the efficiency of the maintenance management process and further extend the potentiality of the high-performance devices. In this specific case, examining a large database provided by the Long Term Pavement Performance programme (LTPP), I proposed the adoption of an artificial neural network to derive an analytical relationship between roughness and structural capacity data in asphalt pavement. This approach, improved during another stage at National University of Singapore with the supervision of Prof. Tien F. Fwa, appeared numerically efficient and may effectively imply actual operative advantages: it could assure a fundamental decrease in the deflection measure frequency (the most common methodology for pavement structural performance evaluation), very expensive and critic for traffic. In this way, an estimation of the structural performance can be obtained by means of roughness measurements, nowadays easily provided by high-performance laser or optical devices, with related costs and execution time considerably lower. This result, even though preliminary, can represent a relevant starting point for defining integrated approaches including all the most important factors in the evaluation of the overall pavement quality (considering, of course, the various distress types, measurable using the available optical systems).

Affinché le infrastrutture di trasporto possano efficacemente svolgere il loro compito di volano della crescita economica, le sovrastrutture stradali devono assicurare adeguate caratteristiche strutturali e funzionali per l’intera vita di esercizio. Per perseguire tale obiettivo, è indispensabile da un lato progettare le pavimentazioni in maniera appropriata, dall’altro affrontare opportunamente le complesse problematiche della manutenzione, così da garantirne l’affidabilità in termini di prestazioni e sicurezza. Al fine di programmare accuratamente gli interventi di manutenzione, tuttavia, è essenziale monitorare lo “stato di salute” della sovrastruttura durante l’esercizio per prevedere l’evoluzione dei degradi e scongiurare il raggiungimento di condizioni di pericolo per gli utenti (superamento delle soglie di sicurezza). Le attività di monitoraggio e rilievo, soprattutto per quanto riguarda l’individuazione, il riconoscimento e la classificazione dei degradi presenti sulle superfici stradali, possono essere molto dispendiose, non solo in termini di costo ma, soprattutto, nei riguardi dei tempi di esecuzione, così da scoraggiarne lo svolgimento con evidenti svantaggi per una corretta gestione della manutenzione e delle relative strategie di intervento. Alla luce di quanto premesso, l’attività di ricerca oggetto della presente Tesi di Dottorato è stata interamente incentrata sullo sviluppo di una strumentazione innovativa per il rilievo real-time e in continuo dei degradi superficiali e sulla proposta e definizione di originali algoritmi e metodologie per il loro riconoscimento e quantificazione. In particolare, durante il percorso di dottorato, ho partecipato ad un’attività di ricerca, coordinata dal Prof. Gaetano Bosurgi, presso il Dipartimento di Ingegneria Civile dell’Università degli Studi di Messina, finalizzata alla progettazione e messa a punto di una strumentazione per il rilievo dei degradi delle superfici stradali, denominata “HiPRoSS” (High Performance Road Survey System). Tale strumentazione, attualmente in fase di sperimentazione (ma già operativa), sfruttando le potenzialità dei sistemi di illuminazione laser, di camere lineari e di camere 3D per la triangolazione ottica, permette di acquisire immagini 2D e 3D (ricostruzioni tridimensionali) delle superfici stradali, limitando i disturbi sul traffico veicolare e velocizzando in maniera significativa le operazioni di rilievo. Conseguentemente, anche durante un periodo di ricerca svolto presso la Oklahoma State University (USA) sotto la supervisione del Prof. Kelvin Wang, ho sviluppato un innovativo algoritmo per l’analisi dei dati tridimensionali delle superfici stradali e per il riconoscimento totalmente automatizzato delle fessurazioni, una delle forme di degrado più significative e diffuse. La procedura di computer vision definita, mettendo insieme i vantaggi di tre diverse metodologie di base (Matched Filtering, Tensor Voting e Minimum Spanning Tree), ha fornito risultati incoraggianti in termini sia di accuratezza che di affidabilità, del tutto comparabili (se non superiori) con quelli prodotti da algoritmi semi-automatici noti in letteratura. L’algoritmo proposto, opportunamente esteso anche alle altre forme di degrado, potrebbe effettivamente semplificare le procedure di rilievo e, conseguentemente, permettere interpretazioni di significativa qualità in tempi molto ridotti, utilizzando dati 3D di elevata risoluzione, senza alcun disturbo sul traffico e con evidenti vantaggi nel processo complessivo di ottimizzazione delle strategie di intervento. Considerati i risultati ottenuti in questa prima fase e, in particolare, la disponibilità di dati estremamente accurati, diffusi e dettagliati (quali quelli forniti dalle moderne strumentazioni di rilievo, tra cui anche HiPRoSS) unitamente alle capacità di elaborazione e riconoscimento delle tecniche di computer vision, è stato naturale analizzarne l’impatto potenziale sui principali indici di qualità delle pavimentazioni stradali, per la definizione di indicatori di performance innovativi maggiormente contestualizzati alle esigenze della sicurezza e del comfort. Come passaggio propedeutico per il raggiungimento di tale obiettivo, in un primo step di analisi, ci si è soffermati sull’analisi delle relazioni esistenti tra i principali indici di qualità strutturali e funzionali delle pavimentazioni stradali finalizzata alla formulazione, mediante tecniche di intelligenza artificiale, di correlazioni tra indicatori “tradizionali” (riferiti nello specifico alla regolarità e alla portanza), al fine di permettere una gestione più efficace del processo di manutenzione ed estendere ulteriormente le potenzialità delle strumentazioni ad alto rendimento. Nel caso specifico, esaminando un vasto database messo a disposizione nell’ambito della ricerca “Long Term Pavement Performance program” (LTTP), ho proposto l’applicazione di una rete neurale artificiale per derivare una relazione analitica tra i dati di irregolarità e le capacità strutturali delle pavimentazioni stradali flessibili. Tale approccio, perfezionato inoltre durante un ulteriore stage presso la National University of Singapore e con la supervisione del Prof. Tien F. Fwa, si è dimostrato efficace da un punto di vista numerico e potrebbe effettivamente implicare concreti vantaggi applicativi: tale soluzione potrebbe assicurare una sensibile riduzione della frequenza delle misure deflettometriche (ad oggi le più diffuse per la valutazione delle performance strutturali delle pavimentazioni), molto costose ed invasive per il traffico, permettendo una valutazione della performance strutturale tramite prove di regolarità, oggigiorno eseguibili mediante strumentazioni laser o ottiche ad alto rendimento, con costi e tempi di esecuzione molto più bassi. Tale risultato, seppure preliminare, può rappresentare un riguardevole punto di partenza per la definizione di approcci integrati che tengano in considerazione tutti i fattori più importanti nella valutazione della qualità complessiva della pavimentazione (includendo magari anche le diverse tipologie di degrado misurabili con gli attuali sistemi ottici).