网络级低碳循环路面管理的计算优化框架：机器学习与多目标优化的整合应用

《Resources Chemicals and Materials》：Computational optimization for low-carbon and circular pavement management at the network level

本文提出了一种集成机器学习与多目标优化的路面管理系统（PMS）新框架，通过前置投资策略和再生沥青路面（RAP）应用，实现了路面性能提升与温室气体（GHG）减排的协同优化。研究表明，高比例RAP（28%碳减排）结合机器学习预测模型（R2>0.75），可为基础设施可持续管理提供数据驱动决策支持。

　　

¹方法和数据

本研究采用图1所示方法论进行网络级低碳路面管理的计算优化，包含三个步骤：（1）开发机器学习模型预测路段路面状况；（2）制定维持路面性能的养护策略；（3）在全路网范围内优化这些养护策略。

²模型性能与预测

图2展示了Catboost模型性能及六项指标的预测结果。平整度（VI）模型的R2达到76%，其余模型均超过84%，证明其强大的路面状况预测能力。通过GIS可视化可全面展示佛兰德斯高速公路网六项路面指标（灰色代表良好状态，橙色需干预路段）。

³讨论与结论

本研究提出数据驱动的路面管理系统（PMS），整合机器学习与计算优化来预测路面状况（含抗滑性、平整度、车辙和裂缝），并从四种养护方案中识别最优策略。机器学习模型融合气候数据、土壤特性、交通流量和历史记录，其R2值均超过0.75。与传统方法相比，该框架显著提升了养护决策的科学性与环境效益。