Search

The condition of the pavement surface on highways is an important factor in ensuring traffic safety. The condition of the road pavements varies according to the climatic conditions of the road. To record the variability of road pavements according to meteorological factors, both sensors placed in the pavement and road meteorology information stations are installed on the roadsides. Within the scope of intelligent transportation systems, the establishment of road management information systems and the status of the road pavement in real-time can be observed with the data obtained from the sensors. With these sensor data, the road surface condition can be estimated with different artificial intelligence methods. Thus, important information is provided for decision-makers in taking precautions according to the dry, wet, and icy road surface condition. In this study, it is purposed to estimate the road surface condition based on meteorological parameters. For this purpose, deep learning models have been developed. Air temperature (tmp), dew point temperature (dwp), wind speed (sknt), wind direction (drct), wind gust (gust), pavement sensor temperature (tfs), and pavement sensor condition (cond) parameters were used in 65966 datasets. Accuracy was used in the evaluation of deep learning models. Consequently, the evaluation, the accuracy value of the best model was determined as 0.88. In addition, accuracy, recall, precision, and F1-score values of each class were calculated for the test set of the best model., Karayollarında yol kaplama yüzeyinin durumu trafik güvenliğinin sağlanmasında önemli bir faktördür. Yolun bulunduğu iklim koşullarına göre yol kaplamalarının durumu değişkenlik göstermektedir. Yol kaplamalarının meteorolojik faktörlere göre değişkenlik durumunu kayıt altına almak için hem yol kaplama içerisine yerleştirilen sensorler hem de yol kenarlarına yol meteoroloji bilgi istasyonları kurulmaktadır. Akıllı ulaşım sistemleri kapsamında yol yönetim bilgi sistemlerinin kurulması ve sensörlerden alınan veriler ile gerçek zamanlı yol kaplamasının durumu gözlenebilmektedir. Bu sensor verileri ile yol yüzey durumu farklı yapay zeka yöntemleri ile tahmin edilebilmektedir. Böylece yol yüzey durumunun kuru, ıslak ve buzlu olmasına göre önlemlerin alınmasında karar vericiler için önemli bilgiler sunulmaktadır. Bu çalışmada, meterolojik parametelere bağlı yol yüzey durumu tahmin edilmesi amaçlanmıştır. Bu amaçla, derin öğrenme modelleri geliştirilmiştir. 65966 adet veriseti içerisinde hava sıcaklığı, çiğ noktası sıcaklığı, rüzgar hızı, rüzgar yönü, esinti hızı , kaplama sensör sıcaklığı ve kaplama sensör durumu parametreleri kullanılmıştır. Derin öğrenme modellerinin değerlendirilmesinde accuracy kullanılmıştır. Yapılan değerlendirme sonucunda en iyi modelin accuracy değeri 0.88 olarak belirlenmiştir. Ayrıca en iyi modelin test seti için her bir sınıfa ait accuracy, recall, presicion ve F1-score değerleri hesaplanmıştır.

One of the important parameters in ensuring traffic safety is road visibility. Road visibility depends on the geometric design of the road, lighting conditions, as well as the climatic conditions in the area where the road passes. Visibility depends on meteorological parameters such as temperature, humidity, wind speed, pressure, fog, precipitation type. In this study, it is aimed to predict road visibility to ensure traffic safety. Machine learning methods were used for road visibility estimation. Machine learning models were developed with Random Forest, Extra Tree and Gradient Boosting methods. In the models, 96453 meteorological data sets such as temperature, humidity, wind speed, pressure, precipitation types, visibility were used between 2006 and 2016 in Szeged, Hungary. Developed models were evaluated with coefficient of determination (R2) and Root mean squared error (RMSE). As a result of the evaluation, the random forest method gave the best result., Trafik güvenliğini sağlamada en önemli parametrelerden birisi yol görünürlüğüdür. Yol görünürlüğü yolun geçtiği bölgedeki iklim koşullarının yanı sıra, yolun geometric tasarımına ve aydınlatma koşullarına bağlıdır. Görünürlük, sıcaklık, nem, rüzgar hızı, basınç, sis, yağış tipi gibi meteorolojik parametrelere bağlıdır. Bu çalışmada, trafik güvenliğini sağlamak için yol görünürlük tahminlemesi yapılmıştır. Yol görünürlük tahmini için Makine öğrenme metotları kullanılmıştır. Makine öğrenme metotları Random Forest, Extra Tree ve Gradient Boosting yöntemleri ile geliştirilmiştir. Modelde, 2006-2016 yılları arasında Macaristan’ın Szeged şehrindeki sıcaklık, nem, rüzgar hızı, basınç, yağış tipi, görünürlük gibi 96453 meteorolojik data seti kullamılmıştır. Geliştirilen modeller belirtme katsayısı (R2) ve Karesel ortalama hata (KOH) ile değerlendirilmiştir. Değerlendirme sonucunda random forest methodu en iyi sonucu vermiştir.

Bu çalışmada ekonomik ömürlerini tamamlayarak yıkılan binaların atıkları öğütülerek agrega haline getirilmiştir. Referans kireçtaşı numunesi ve bina atıklarından elde edilen agrega numunelerinin, fiziksel ve mekanik özellikleri belirlenerek şartname limitleri ile karşılaştırılmaları yapılmıştır. Bununla birlikte agrega haline getirilen atıklar Bitümlü Sıcak Karışım (BSK) numuneleri ile kalan kısmı kireçtaşı olmak üzere, sırasıyla %100, %75, %50 ve %25 oranlarında karıştırılmıştır. Her farklı karışım oranı için karışımın SuperpaveTM yöntemi ile hacimsel analizi yapılarak optimum bağlayıcı içeriği belirlenmiştir. Optimum bağlayıcı içeriği belirlenen numunelerin AASHTO T 283’e göre nem hassasiyetleri incelenmiştir. Ayrıca atık ilave edilmeyen referans kireçtaşı numuneleri için de deneyler yapılmış ve sonuçlar bina atıkları ile karşılaştırılmıştır. Test sonuçlarının Karayolu Teknik Şartnamesi limitleri ile kıyası yapıldığında, atık numunelerin su emme oranları ve Los Angeles aşınma deney sonuçlarının şartname limitlerini aştığı gözlemlenmiş olup, bina atıklarının bitümlü temellerde ancak %25 oranında kullanılabileceği belirlenmiştir.

Köpük bitümle geri kazanılmış malzemeler ekonomik ve çevresel anlamda üstyapılar için umut verici malzemelerdir. Ancak bu malzemelerin üstyapıda nasıl konumlanacağı ile ilgili literatürde farklı görüşler mevcuttur. Performanslarının aşınma tabakası için uygun olmayacağı ancak bitüm ihtiva etmeleri nedeniyle PMT (plent mix temel) tabakası için kullanılmasının da bu malzemelerin değerlendirilmesinde özensiz davranılmış olacağı açıktır. Çalışmada geri kazanılmış bir üstyapı malzemesi ile hazırlanan 4 farklı köpük bitümlü karışım ile standart bir bitümlü temel karışımı tek eksenli dolaylı çekme modülü testinden elde edilen esneklik modülü değerleri açısından kıyaslanmıştır. Karışımlardan üç tanesi için gradasyon aynı olup iki tanesinde mineral esaslı bağlayıcı olarak çimento kullanılmış ancak bu iki üretimin birisinde 70/100 diğerinde 50/70 bitüm kullanılmıştır. 3. karışımda ise 70/100 bitüm ve sönmüş kireç+uçucu kül kullanılmıştır. Son karışımda 70/100 bitüm ve mineral esaslı bağlayıcı olarak çimento kullanılmış ancak gradasyon değiştirilmiştir. İlave olarak son üretim için kalıcı deformasyon kontrolü, üç eksenli tekrarlı basınç testi ile yapılmıştır. Tüm bu değişkenlerin sonuçları etkilediği ancak hepsi için elde edilen esneklik modülü değerlerinin bitümlü temel numunesinden elde edilene oldukça yakın olduğu sonucuna ulaşılmıştır. Uygulamada, köpük bitümlü karışımların bitümlü temel tabakasına göre daha kalın olacağı da düşünüldüğünde bu tabakanın bitümlü temel yerine kullanılması yapısal olarak uygun görünmektedir., Materials recycled with foam bitumen are promising materials for pavements economically and environmentally. However, there are different opinions in the literature about how these materials are positioned in the pavement. It is clear that their performances will not be suitable for the wearing course, but that they are used for the plant mixture base course because they contain bitumen, and that these materials will be neglected in the evaluation of these materials. In the study, 4 different foam bituminous mixes prepared with a recycled pavement material and a standard bituminous base course mix were compared in terms of the resilient modulus obtained from the uniaxial indirect tensile resilient modulus test. Gradation is the same for three of the mixtures, two of them use cement as a mineral binder, but 70/100 grade bitumen in one of these two productions and 50/70 grade bitumen in the other. In the third mixture, 70/100 grade bitumen and hydrated lime (HL)+fly ash (FA) were used. In the final mixture, 70/100 grade bitumen and cement were used as mineral binders, but gradation was changed. In addition, permanent deformation control for the final production was carried out with a triaxial cyclic compression test. It was concluded that all these variables affect the results, but the resilience modulus values obtained for all were quite close to those obtained from the bituminous base sample. Considering that the foamed bituminous mixtures will be thicker than the bituminous base course in practice, it is considered structurally appropriate to use this layer instead of the bituminous base course.