National Transport Library Research Database

KCV - Planering av underhåll – Datadriven analys med hjälp av artificiell intelligens (AI)

  • Lunds universitet, Universitet eller högskola, 202100-3211
Sponsors, duration, budget: Trafikverket ; 2025-01-11 -- 2029-02-28 ; 2 890 000 kronorRegistration number:
  • Trafikverket 2024/125617
Subject(s): Summary: Traditionellt brukar beläggningsunderhåll upphandlas som en utförandeentreprenad, dvs. beställaren (t.ex. Trafikverket) specificerar vilken metod och beläggningstyp som ska användas och därefter prissätter entreprenörerna kostnaden för att utföra arbetet. Lägsta pris vinner uppdraget. Detta uppdrag har även en specificerad garantitid (vanligtvis 2-5 år). Detta upphandlingsförfarande förutsätter att det finns erfarna beläggningsspecialister hos Trafikverket som kan välja optimal åtgärd för de sträckor som ska åtgärdas. Trafikverket har dock på senare år lagt ut flera långa funktionskontrakt för drift och underhåll av en begränsad vägsträckning. Kontraktstiden är upp till 15 år då entreprenören fritt väljer hur vägen ska underhållas. Som hjälp för styrning av kontraktet finns specificerade funktionskrav som ska garantera en vägyta med god standard för trafikanten. Ofta är kraven också kopplade till bonus och vite vid bättre resp. sämre tillstånd än uppsatta krav. Vid så pass långa funktionstider som 15 år hinner mycket hända med vägen, vilket gör valet av åtgärd mycket viktigt, med tanke på optimering av vägens robusthet och hållbarhet under funktionstiden. Summary: Traditionally, pavement maintenance is usually procured as a construction contract, i.e., the client (e.g., the Swedish Transport Administration, STA) specifies which method and pavement type to use, and then contractors price the cost of carrying out the work. The lowest price wins the contract. This contract also has a specified warranty period (usually 2-5 years). This procurement process assumes that there are experienced pavement specialists at the STA who can choose the optimal measure for the sections to be addressed. In recent years, the STA has issued several long-term performance contracts for the operation and maintenance of limited road sections. The contract period is up to 15 years, during which the contractor freely chooses how to maintain the road. To help manage the contract, there are specified performance requirements that guarantee a road surface with good standards for road users. The requirements are often linked to bonuses and penalties for better or worse conditions than the set requirements. With such long performance periods as 15 years, much can happen to the road, making the choice of measure increasingly important in terms of optimizing the road's robustness and sustainability during the performance period. In this project, we intend to investigate how we can supplement and use new information about the road's condition to create robust automated methods and models to support the selection of treatment sections. The data is also expected to provide strong support for choosing the appropriate measure. Various alternatives will be explored, including AI-based methods and machine learning, with a human-centered approach (utilizing experts' knowledge), to ultimately recommend a method. The method should take into account both economic perspectives for the contractor and, by extension, the road manager, as well as durability, robustness and sustainability. The project will also highlight the benefits of alternative data collection and open data, which are not normally used for monitoring these contracts.
Item type: