Abstract: Det nuvarande tillståndet för de svenska vägarna är dåligt dokumenterat på grund av det åldrande vägnätet. Samtidigt används allt oftare deformationsmätare för trafikhastighet (TSDD) för bedömning av vägnätets integritet. TSDD-mätningens karaktär, som är en dynamisk rörlig last och den komplexa responsen från beläggningen och underlaget, gör att tolkningen är långt ifrån trivial. Följaktligen är värdet av dessa data för Trafikverket fortfarande outnyttjat. Detta projekt kommer att ta itu med denna kunskapslucka genom att utveckla en datadriven metodik för tillståndsuppskattning från TSDD. Vi kommer att kombinera data från avancerade numeriska analyser som inkluderar spännings- och hastighetsberoendet hos underlaget och hastighets- och temperaturberoendet hos beläggningsmaterialet för att träna en surrogatmodell som kan användas för (nära) realtidstolkning av vägförhållandena från TSDD. Den unika datan från ett toppmodernt TSDD-system kommer att kombineras med modelleringsförmågan på Chalmers. Viktiga detaljer inkluderar den rigorösa kombinationen av surrogatmodeller och deflektometerdata med hjälp av Data Assimilation. Projektet är utformat för att en nyutexaminerad doktorand från Chalmers ska kunna integrera sina kunskaper om dataassimilering och maskininlärning, som är av stort värde för Trafikverket, hos hans nya arbetsgivare och för vägteknik i Sverige. Abstract: The current condition of the Swedish roads is poorly documented, due to the ageing road network. Concurrently, traffic speed deflection devices (TSDD) are gaining traction for the assessment of the integrity of the road network. The nature of the TSDD measurement, which is a dynamic moving load and the complex response of the pavement and the subgrade makes interpretation far from trivial. Consequently, the value of the data for Trafikverket remains unexploited. This project will address this knowledge gap by developing a data driven methodology for state estimation from TSDD. We will combine data from advanced numerical analyses that includes the stress and rate-dependency of the subgrade and the rate and temperature dependency of the pavement material to train a surrogate model that can be used for (near) real-time interpretation of the road conditions from TSDD. The unique data from a state-of-the-art TSDD system will be combined with the modelling capabilities at Chalmers. Salient details include the rigorous combination of surrogate models and deflectometer data using Data Assimilation. The project is designed for a recently graduated PhD from Chalmers to embed his skills on Data Assimilation and Machine Learning, that are of high value for Trafikverket, at his new employer and for road engineering in Sweden.