Kantavuuden kausivaihtelumalli

Transkriptio

1 Kantavuuden kausivaihtelumalli Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja kuntotietojen avulla Tiehallinnon selvityksiä 17/26

2

3 Kantavuuden kausivaihtelumalli Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja kuntotietojen avulla Tiehallinnon selvityksiä 17/26 Tiehallinto Helsinki 26

4 Verkkojulkaisu pdf ( ISSN ISBN TIEH v Helsinki 26 TIEHALLINTO Asiantuntijapalvelut Opastinsilta 12 A PL HELSINKI Puhelinvaihde

5 Kantavuuden kausivaihtelumalli. Helsinki 26. Tiehallinto, Asiantuntijapalvelut. Tiehallinnon selvityksiä 17/ s. + liitt. 14 s. ISSN , ISBN , TIEH Asiasanat: Kantavuus, kausivaihtelu Aiheluokka: 33, 82 TIIVISTELMÄ Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. Tutkimusaineistoksi pyrittiin valitsemaan mahdollisimman edustava satunnaisotos, kuitenkin niin, että kohdejoukko painottuu alemmalle (vaurioituvalle) tieverkolle. Lopullinen tutkimusaineisto sisälsi 134 kohdetta (1- metristä), joille tehtiin vuoden 23 keväällä ja kesällä taipumamittausten (PPL) lisäksi myös PTM- ja PVI-mittaukset. Useiden vaiheiden kautta parhaaksi osoittautui sellainen yleistetty lineaarinen malli, jossa selittäville muuttujille etsittiin sopivat eksponentit. AB-tiet: (selitysaste 86 %) X1.12 X Y = X X 5 missä Y = DT kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus, X 2 = kumulatiivinen kuormituskertaluku X 3 = BCI (lämpötilakorjattujen D9 D12 erotus) X 4 = SCI (lämpötilakorjattujen D D3 erotus) X 5 = DT_kesä (lämpötilakorjattu). PAB-tiet: (selitysaste 74 %) X [ X X ] 151 Y = X missä Y = DT_kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = BCI (D9 D12 erotus) X 3 = DT_kesä (lämpötilakorjattu). SOP-tiet: (selitysaste 81 %) Y missä [ Χ Χ Χ ] 23 = X Y = DT_kevät (lämpötilakorjattu) X 1 = Päällysteen ikä X 2 = keskiharjanteen (keskiarvon) kasvunopeus X 3 = DT_kesä (lämpötilakorjattu). X 4 = BCI (D9 D12 erotus) Todettakoon, että malleissa vauriosumma on voitu korvata kokonaan paremmin toistettavilla rakenteellisilla muuttujilla: keskiharjanteen kasvunopeus, SCI (Surface Curvature Index) ja BCI (Base Curvature Index).,,

6 Säsongsvariation modell för bärighet. Helsingfors 26. Vägförvaltningen, Expertenhet. Vägförvaltningens utredningar 17/ s. + bilagor 14 s. ISSN , ISBN , TIEH v. SAMMANFATTNING Målsättningen med studien har varit att ta fram en kalkyleringsmodell för bedömning av vårbärighet med hjälp av vägens konstruktiva egenskaper och uppmätta konditionsdata. Modellen skulle kunna ersätta den nuvarande mycket mödosamma och inexakta metoden, där den sk. vårbärighetsfaktorn bedöms visuellt på platsen utifrån rådande förhållanden och vägens kondition. Syftet var att som studieunderlag välja en så representativt slumpmässigt urval som möjligt, dock så att lägre (skadekänsligt) vägnät blir betonad i målgruppen. I det slutgiltiga underlaget ingick 134 vägavsnitt (på 1 meter), där man på våren och sommaren 23 utöver sättningsmätningar (PPL) även utförde PTM- och PVI-mätningar. Bästa modellen ansågs efter flera mätningsfaser vara en kombinerad linjär modell där lämpliga exponenter söktes för de förklarande variablerna. AB-vägar: (redovisningsgrad 86 %) X1 Y = X X +.89 X X.88 3 Y = DT sättning vår (temperaturkorrigerad) X 1 = mittryggens (medelvärdes) tillväxthastighet X 2 = kumulativt belastningsantal X 3 = BCI sättningsskillnad (skillnaden mellan D9 D12) X 4 = SCI sättningsskillnad (skillnaden mellan temp.korr. D D3) X 5 = DT sättning sommar (temperaturkorrigerad). PAB-vägar: (redovisningsgrad 74 %) Y = X X X 3 Y = DT_sättning vår (temperaturkorrigerad) X 1 = SCI sättningsskillnad (skillnaden mellan temp.korr. D D3) X 2 = mittryggens (medelvärdes) tillväxthastighet X 3 = BCI sättningsskillnad (skillnaden D9 D12) X 4 = DT sättning sommar (temperaturkorrigerad). 82 [ ] 151 SOP-vägar: (redovisningsgrad 81 %), där, där [ Χ Χ Χ ] 23 Y = X där Y = DT sättning vår (temperaturkorrigerad) X 1 = Beläggningens ålder X 2 = mittryggens (medelvärdes) tillväxthastighet X 3 = DT sättning sommar (temperaturkorrigerad). X 4 = BCI sättningsskillnad (skillnaden D9 D12) Det ska konstateras att i modellerna har skadesumman helt kunnat ersättas med bättre reproducerbara konstruktiva variabler: mittryggens tillväxthastighet, SCI (Surface Curvature Index) och BCI (Base Curvature Index).

7 Season variation model for road bearing capacity. Helsinki 26. Finnish Road Administration. Finnra Reports 17/ p. + app. 14 p. ISSN , ISBN , TIEH v. Keywords: Road bearing capacity, season variation SUMMARY The main purpose of this study has been to create theoretical model to determine spring time bearing capacity based on the structural properties and measured condition data of the road. The model would replace present method which is extremely demanding and inaccurate. Earlier spring time bearing capacity was determined visually evaluated by the condition of the road. The research material was tried to choose as representative random sample as possible. However, the sample is emphasizing on the lower (which is more damaged) road network. The final research material consisted of 134 subjects (each distance was 1 meters). In addition to deflection measurements the research subjects were also analyzed with the PTM and PVI measurements during spring and summer 23. The best method was found to be the generalized linear model where fitting exponents for explanatory variables were determined. Asphalt roads: (coefficient of determination 86 %) X1.12 X X 3 Y = , X X 5 where Y = DT spring (corrected temperature) X 1 = The growth rate of the road middle ridge (average) X 2 = cumulative equivalent axle load X 3 = BCI (difference of temperature corrected D9 D12) X 4 = SCI (difference of temperature corrected D D3) X 5 = DT_summer (corrected temperature). PAB- roads: (coefficient of determination 74 %) Y = X X X 3 where Y = DT spring (corrected temperature) X 1 = The growth rate of the road middle ridge (average) X 2 = BCI (difference of temperature corrected D9 D12) X 3 = DT summer (corrected temperature). [ ] 151 Surface treatment of gravel roads: (coefficient of determination 81 %) Y = Χ Χ Χ X 4 where Y = DT spring (corrected temperature) X 1 = Age of the pavement X 2 =The growth rate of the road middle ridge (average) X 3 = DT summer (corrected temperature). X 4 = BCI (difference of temperature corrected D9 D12) [ ] 23 In these models the crack surface index has been replaced completely with the structural variables which are more repeatable like; the growth rate of the road middle ridge, SCI (Surface Curvature Index) and BCI (Base Curvature Index).,

8

9 ESIPUHE Tämän tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Nykyinen käytäntö on ollut työläs ja epätarkka, koska se on perustunut ns. kevätkantavuuskertoimen määrittämiseen silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. Mallit perustuvat vuonna 23 mitattuun havaintoaineistoon, johon sisältyi edustava otos AB-, PAB- ja SOP-teillä tehtyjä PPL-, PTM- ja vauriomittauksia. Työn on tilannut Tiehallinto osana Väyläomaisuuden hallinnan tutkimusohjelmaa (VOH). Tutkimuksen käytännön työn ja raportin on laatinut FM Seppo Järvinen, Ramboll Finland Oy:stä. Työtä on ohjannut ja raportin laadinnassa on ollut mukana DI Ismo Iso-Heiniemi Tiehallinnosta. Helsinki, toukokuu 26 Tiehallinto Asiantuntijapalvelut

10

11 Kantavuuden kausivaihtelumalli 9 Sisältö 1 JOHDANTO JA TUTKIMUSAINEISTO Kevätkantavuusmallin tutkimuskohteiden valintaperusteet Mitatun aineiston esittely 12 2 MENETELMÄT 15 3 KEVÄTKANTAVUUSMALLIT AB-tiet PAB-tiet SOP-tiet 2 4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET 22 5 LIITTEET 23

12 1 Kantavuuden kausivaihtelumalli

13 Kantavuuden kausivaihtelumalli 11 JOHDANTO JA TUTKIMUSAINEISTO 1 JOHDANTO JA TUTKIMUSAINEISTO Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. 1.1 Kevätkantavuusmallin tutkimuskohteiden valintaperusteet Projektissa kausivaihtelumallin tutkimuskohteiden valinta ja koordinointi tehtiin ehdotus tutkimuskohteiden valitsemiseksi: keväällä 23 inventoitiin kaikenkuntoisia teitä PPL:llä, PVI:llä ja PTM:llä. Samat tiekohteet mitattiin myöhemmin kesällä sekä PTM että PPL mittauksilla. Tiet valittiin siten, että mahdollisimman moni kuului normaaliin mittausohjelmaan. Myös valittujen teiden tuli edustaa kattavasti kaikenkuntoisia teitä: 1. Koko tieverkko noin 53 km 2. Valikoidut alkuvaiheen tutkimuskohteet 3 5 km 3. Lopullinen satunnaisotos noin 1 4km. Koko tieverkko 53 km Valikoidut kohteet Sat.otos Alkukarsinta koko tieverkolta Tutkimuskohteiden alkukarsinta tehtiin seuraavien ehtojen mukaisesti : PVI mittaus keväältä 2 (todennäköisesti 3 vuoden mittauskierrolla seuraava mittaus on keväällä 23). PTM mittaus kesältä 21 (todennäköisesti 2 vuoden mittauskierrolla seuraava mittaus on kesällä 23). Toimenpiteiden oli oltava ennen sekä PVI että PTM mittauksia (= toimenpide ennen vuotta 2). SAS-tietokannasta poimittiin valikoidut tieosat (tie, ajr, suunta, kaista, aosa, aet, osan pituus) ja kohdistettiin Suomen tieverkolle ARCVIEW- ohjelmalla. Kartalta nähtiin, kuinka maantieteellisesti valitut kohteet sijaitsivat (kartasta voitiin tehdä A3 tai A kokoisia piiritulosteita). Samaan karttaan voitiin myöhemmin lisätä tiepiirien mittausohjelman mukaiset kohteet. Edellä kuvatulla tavalla tieverkolta löytyi noin 3 5 km tutkimuskohteiksi soveltuvia teitä. Lopullinen kohdejoukko valittiin erikseen valittujen tiekohteiden (vajaat 3 5 km) joukosta siten, että ne edustivat erilaisia teitä (painotus alemmalle, vaurioituneelle, tieverkolle). Edustavuutta verrattiin koko tieverkon- ja alkuvaiheen karsitun aineistojen välillä.

14 12 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO Edustavuutta tutkittiin seuraavien muuttujien avulla tieosakeskiarvoina: o Päällystelaji: 2 eri luokkaa, AB päällystelaji<21, PAB ja SOP päällystelaji o SCI3-taipuma: 2 eri luokkaa, SCI3<33, SCI3 >329 o Vauriosumma: 2 eri luokkaa, VS<4, VS>39 o Päällysteen ikä: 2 eri luokkaa, päällysteen ikä 1 8 vuotta, päällysteen ikä yli 9-vuotta. Edellä mainittujen muuttujien muodostamien luokkien suhteen tehtiin kokeensuunnittelumatriisi (2x2x2x2 = 16 kpl eri luokkakombinaatiota). Tehtiin ositettu otanta, josta saatiin seuraavan taulun mukainen tulos. Taulukko. Kokeensuunnittelumatriisi. Ositetun otanta-aineiston jakautuminen homogeenisiin osaverkkoihin (harvinaisia osaverkkoja yhdistelty). SCI3 VS Ei mittausta <33 =>33 yhteensä /m PVI-23 OSAVERKKO <4 =>4 <4 =>4 <4 on 1: AB,Pikä<9v : AB,Pikä=>9v : AB : MUU, Pikä<9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä<9v : MUU, Pikä=>9v : MUU, Pikä=>9v : MUU, Pikä=>9v Yhteensä Osa-aineistot yhdistettiin SAS-tilasto-ohjelmassa yhdeksi tietokannaksi, jossa yksi rivi on yksi 1-metrin tiepätkä eli tieosoite ja eri muuttujat ovat eri sarakkeissa. 1.2 Mitatun aineiston esittely Havaintojen määrät mittauslajeittain Yhteensä PVI_kevät 117 PPL_kevät 1178 PPL_kesä 119 PTM_kevät -mittaus 12 PTM_kesä -mittaus 1149 Tutkimuksessa käytettävissä olevia havaintoja 134 Tilattuja mittauksia oli kpl, joista 1 34 soveltui tutkimukseen.

15 Kantavuuden kausivaihtelumalli 13 JOHDANTO JA TUTKIMUSAINEISTO Summa / pituus m SCI3 kevät VS <33 33 Yhteensä P-laji P-ikä <4 4 <4 4 AB 1-8 vuotta vuotta PAB 1-8 vuotta vuotta SOP 1-8 vuotta vuotta Yhteensä Summa / pituus m SCI3 kesä VS <33 33 Yhteensä P-laji P-ikä <4 4 <4 4 AB 1-8 vuotta vuotta PAB 1-8 vuotta vuotta SOP 1-8 vuotta vuotta Yhteensä Aineiston määrä päällystelajiluokissa Frequency AB PAB SOP Frequency Päällysteluokka Frequency

16 14 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO B-tiet AB-tie, Kevätkantavuuskerroin 2 % 1 % 16 % 72 % PAB-tiet PAB-tie, Kevätkantavuuskerroin % 39 % 36 % % SOP-tiet SOP-tie, Kevätkantavuuskerroin % 43 % 57 % % Tutkimusaineiston tilastollisia jakaumia on esitetty tarkemmin liitteessä 1.

17 Kantavuuden kausivaihtelumalli 15 MENETELMÄT 2 MENETELMÄT Tässä tutkimuksessa on käytetty sakkomallia eli toiselta nimeltään yleistettyä lineaarista mallia (=GLM), jossa valitut selittäjät joko lisäävät tai vähentävät selitettävän muuttujan Y keskimääräistä tasoa. Selittäjät voivat olla joko jatkuvia tai luokitettuja kunhan ne ovat järjestysasteikollisia. Regressiomallin ja sakkomallin yksi ero on siinä, että sakkomallissa luokitetun selittäjän luokkatason vaikutus vasteen Y keskimääräiseen arvoon ei tarvitse olla vakio. Seuraava esimerkki valaisee regressio- ja sakkomallin eroja Plaji ( AB = 1, PAB = 2, SOP = 3) Y REG = +.9 KVL _ R ( KVL _ R = 1, KVL _ R = 2, KVL _ R = 3) +.6 SCI3 Eo. regressiomallia tulkitaan siten, että jos selittäjiä ei oteta huomioon, vaurionopeus regressiomallissa olisi 1.4 m2/vuosi. Sitten tuohon vakioarvoon on lisättävä kunkin tieolosuhteen aiheuttama muutos keskimääräisessä nopeudessa. Esimerkiksi jos päällystelajina onkin SOP, niin tällöin regressiokerroin.6 kerrotaan 3:lla (AB=.6, PAB=1.2 ja SOP=1.8) ja päällystelaji SOP:n vaikutukseksi saadaan 1.8 m2/vuosi nopeuslisää. Tällöin vakion ja päällystelajin muodostama nopeusennuste olisi jo 3.2 m2/vuosi. Samalla tavalla kaikkien merkitsevien selittäjien vaikutus nopeuteen on additiivisesti laskettavissa riippuen toki muuttujan saamasta arvosta. Kaavan Y REG mukaisesti mikäli tiellä olisi KVL_R:n luokkatason 2 mukainen raskaan liikenteen määrä sitä vastaava vaikutus Y-muuttujaan olisi 2 x.9 eli.18 suuruista etumerkkeineen. Eli luokkatason muutos vaikuttaa vakiomuutoksen Y-muuttujan keskimääräiseen tasoon. 1. ( jos AB) +.9 ( jos PAB) 1.2 ( jos SOP) Y sakko =.. ( jos KVL _ R = 1) +.4 ( jos KVL _ R = 2 ).32 ( jos KVL _ R = 3) +.2 SCI3 Edellä on esimerkki sakkomallista: jos sakkomallissa tiellä on raskaanliikenteen määrä luokkatasoa 2 vastaavaa vaikuttaa ko. muuttuja selitettävän muuttujan Y keskimääräiseen tasoon vain.4 yksikön verran (vrt. regressiomallin vaikutus.18). Numeeristen menetelmien avulla (Gauss Newton) on arvioitu kunkin yleistetyn lineaarisen mallin selittäjän funktiomuotoa kaavan a X j b mukaan, jossa parametrit a ja b ovat tuntemattomia. Kun funktiomuoto on saatu selville sijoitetaan tulos yleistetyn lineaarisen mallin yhtälöön, josta sitten haetaan sopivat kertoimet kullekin selittäjälle X. j

18 16 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3 KEVÄTKANTAVUUSMALLIT 3.1 AB-tiet Parhaaksi AB-päällysteiden malliksi osoittautui seuraava: X1.12 X Y = X X 5 missä Y = DT kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = kumulatiivinen kuormituskertaluku X 3 = BCI taipumaero (D9 D12) X 4 = SCI taipumaero (lämpötilakorjattu D D3) X 5 = DT_kesä (lämpötilakorjattu). Selitysasteeksi on AB-teiden mallissa saatu noin 86 % X AB-tiet R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 3. Pienillä arvoilla (=hyvin kantavilla teillä), kun DT_kesä -taipuma on alle 3, käytetään kaavaa: D T _ kevät = 1.5 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.

19 Kantavuuden kausivaihtelumalli 17 KEVÄTKANTAVUUSMALLIT Seuraavasta kuvasta käy ilmi, kuinka suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa AB-teillä (siis kun DT_kesä 3). 4 AB-tiet 1.3 kertoimella kerrottu D_kesä = ennustettu dt_kevät Mitattu dt_kevät Mikäli DT_kevät -ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai kumulatiivinen kuormituskertaluku (ei taipuma DT_kesä, BCI- ja SCI taipumaerot), käytetään seuraavia oletusarvoja AB-teillä Harjanteen keskimääräisen kasvunopeuden oletusarvona on 1.17 mm/v. kumulatiivisen kuormituskertaluvun oletusarvona on AB-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät

20 18 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3.2 PAB-tiet Paras PAB-päällysteiden malli on seuraava: Y = X X X 3 missä Y = DT_kevät (lämpötilakorjattu) X 1 = keskiharjanteen (keskiarvon) kasvunopeus X 2 = BCI taipumaero X 3 = DT_kesä (lämpötilakorjattu). [ ] 151 Selitysasteeksi on PAB-teiden mallissa saatu 74 %., 25 PAB-tiet R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 35. Pienillä arvoilla, kun DT_kesä -taipuma on alle 35, käytetään kaavaa: D T _ kevät = 1.38 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.

21 Kantavuuden kausivaihtelumalli 19 KEVÄTKANTAVUUSMALLIT Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa. 5 PAB-tiet 1.38 kertoimella kerrottu D_kesä = ennustettu DT_kevät Mitattu dt_kevät Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta (ei taipuma DTkesä tai BCI taipumaero), käytetään PAB-teillä oletusarvoa 1.8 mm/v. 25 PAB-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät

22 2 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT 3.3 SOP-tiet Paras SOP-päällysteiden malli on seuraava: Y = Χ Χ Χ X 4 missä Y = DT_kevät (lämpötilakorjattu) X 1 = Päällysteen ikä X 2 = keskiharjanteen (keskiarvon) kasvunopeus X 3 = DT_kesä (lämpötilakorjattu). X 4 = BCI_kesä (lämpötilakorjattu). [ ] 23 Selitysasteeksi on SOP-teiden mallissa saatu 81 %. 25 SOP-tiet 2 Mallilla laskettu dt_kevät Mitattu dt_kevät Mallin pätevyysalue on DT_kesä -taipuma 55. Pienillä arvoilla, kun DT kesätaipuma on alle 55, käytetään kaavaa: D T _ kevät = 1.58 DT _ kesä, joka on saatu laskemalla suhde DT _ kevät DT _ kesä mitatusta tutkimusaineistosta.

23 Kantavuuden kausivaihtelumalli 21 KEVÄTKANTAVUUSMALLIT Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu DT_kevät vastaa mitattua DT_kevät -arvoa. SOP-tiet kertoimella kerrottu D_kesä = ennustettu DT_kevät Mitattu dt_kevät Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esimerkiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai päällysteen ikä (ei taipuma DT_kesä ja BCI taipumaero), käytetään seuraavia oletusarvoja SOP-teillä Harjanteen keskimääräisen kasvunopeuden oletusarvona on 2.5 mm/v. Pällysteen iän oletusarvona on 1 vuotta. 25 SOP-tiet (oletusarvoilla) R 2 = Mallilla laskettu dt_kevät Mitattu dt_kevät Lisää mallien kuvausta on liitteessä 2 "Kausivaihtelumallien diagnostiikkakuvat".

24 22 Kantavuuden kausivaihtelumalli JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET 4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET Tutkimustulosten tulkinnassa on otettava huomioon, että kohdeaineiston mittausajankohtaa keväällä ei ole voitu valita kantavuudeltaan heikoimpaan ajankohtaan. Siten keskimäärin mallin antamat kevätkantavuusarvot eivät edusta heikointa tilannetta tiestöllä. Malli siis edustaa ainoastaan yhden vuoden tilannetta valitulla kohdejoukolla vuonna 23. Pitemmällä aikavälillä näissä kohdejoukon pisteissä esiintyy todennäköisesti vielä heikompia kantavuuksia kevään aikana johtuen erilaisista kosteusolosuhteista tien rakenteessa ja pohjamaassa. Lisäksi käytännön havainnot ovat osoittaneet, että esimerkiksi kesäkantavuuskin voi vaihdella 2 3 % verrattaessa sadejakson jälkeisiä arvoja kuivaan kauteen. Edellä esitetyt näkökohdat tulisi ottaa huomioon silloin, kun mallin antamia kevätkantavuusarvoja käytetään hanketasolla tierakenteiden mitoituksessa. Raportin luvuissa on esitetty parhaimmat kevätkantavuusmallit. Sekä mitattu että ennustettu DT_kevät ovat keskimäärin samalla tasolla kaikilla päällystelajeilla (AB, PAB, SOP). PPL-mittaajien arviointiin perustuvien kevätkantavuuskertoimien avulla ennustetut DT_kevät -arvot (kts. liite1 sivu 11/13) poikkeavat tämän tutkimuksen mukaan selvästi havaituista: kk-kertoimet antavat AB-teillä liian hyviä ja PAB sekä SOP -teillä liian huonoja kevätkantavuuksia. Tässä työssä tehty kausivaihtelumalli kannattaisi testata heti keväällä 26 tehtävien PPL-mittausten avulla (samat tiet vuodelta 23 pitäisi mitata sekä keväällä että kesällä PPL ja RST-mittareilla). Tällöin lasketaan kausivaihtelumallilla kevään DT-taipumaennuste, jota verrataan todelliseen kevät DTmittaukseen. Testausaineistoksi sopisi sellainen kohdejoukko, joka painottuisi etupäässä alemmalle tieverkolle, jossa taipuma DT arvot ovat suurehkoja. Lisäksi RST- ja APVM-mittarin uusien parametrien monipuolisempaa käyttöä voitaisiin harkita, jolloin kausivaihtelumallissa olisi mahdollisesti lisäselittäjiä.

25 Kantavuuden kausivaihtelumalli 23 LIITTEET 5 LIITTEET Liite 1: Kevätkantavuusmallien aineiston kuvaus (sivut 1 9/13) Liite 1: Kevätkantavuusmallien diagnostiikkakuvat (sivut 1 13/13) Excel-tiedosto (Järvinen/Iso-Heiniemi): -Kevätkantavuusmalli_3426.xls

26

27 Kantavuuden kausivaihtelumalli Liite 1 (1/13) LIITTEET KAUSIVAIHTELUMALLIN AINEISTON KUVAUS D AB-tie N/A Log-logistic (data) Function Shift N/A g b a 4.2 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis D PAB-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % AB-tie, D taipuma Mean = 528. Mean = X <= % PAB-tie, D taipuma X <= % Mean = 656 Mean = 65 X <= % Values x 1^-3 Values x 1^-3 D SOP-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, D taipuma Mean = 891 Mean = 899 X <= % Values x 1^-3

28 Liite 1 (2/13) Kantavuuden kausivaihtelumalli LIITTEET SCI AB-tie N/A FIT Log-logistic (data) Function Shift N/A g b a 5.84 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis SCI PAB-tie N/A Log-logistic (data) Function Shift N/A g b a 3.53 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis N/A X <= % AB-tie, SCI taipumaero Mean = Mean = X <= % X <= 19 5.% PAB-tie, SCi taipumaero Mean = 311 Mean = 313 X <= % Values x 1^-3 Values x 1^-3 SCI SOP-tie N/A Log-norm (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, SCI taipumaero Mean = Mean = X <= % Values x 1^-3

29 Kantavuuden kausivaihtelumalli Liite 1 (3/13) LIITTEET BCI AB-tie N/A FIT Gauss (data) Function 33.9 Shift 6.98 a 2.88 b 9.36 Minimum - 8. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis BCI PAB-tie N/A Lognorm (data) Function Shift Mean 4.8 STD 2.88 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % AB tie, BCI taipumaero Mean = 33.9 Mean = 33.9 X <= % X <= 1. 5.% PAB-tie, BCI taipumaero Mean = 34.8 Mean = 34.3 X <= % X <= % SOP-tie, BCI taipumaero X <= % Mean = 5.6 Mean = Values x 1^-2 Values x 1^-2 Values x 1^-2 BCI SOP-tie N/A Lognorm (data) Function 5.66 Shift Mean STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis

30 Liite 1 (4/13) Kantavuuden kausivaihtelumalli LIITTEET Harjanne nopeus AB-tie N/A Log-logistic (data) Function 1.1 Shift N/A g -.27 b 1.15 a 4. Minimum Maximum Mean Mode.74.6 arvio Median.88.9 STD Variance Skewness Kurtosis N/A 3.92 Harjanne nopeus PAB-tie N/A Log-logistic (data) Function.82 Shift N/A g -.25 b.98 a 4.35 Minimum Maximum Mean Mode.63.6 arvio Median STD.5.43 Variance Skewness Kurtosis Harjanne nopeus SOP-tie N/A Log-norm (data) Function 1.89 Shift -.98 Mean 2.86 STD.94 Minimum -.4 Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis AB-tie, harjanne keskiarvon kasvunopeus X <=.28 5.% Mean = 1. Mean = 1. X <= % PAB-tie, harjanne keskiarvon kasvunopeus X <= % Mean =.81 Mean =.82 X <= % X <= % SOP-tie, harjanne keskiarvon kasvunopeus Mean = 1.9 Mean = 1.9 X <= %

31 Kantavuuden kausivaihtelumalli Liite 1 (5/13) LIITTEET Päällysteen ikä AB-tie N/A Normal (data) Function Shift N/A mean STD 5.34 Minimum - 5. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis Päällysteen ikä PAB-tie N/A uniform (data) Function 16.5 Shift N/A min 4.96 max 28.4 Minimum - 5. Maximum Mean Mode N/A 12. arvio Median STD Variance Skewness..87 Kurtosis Päällysteen ikä SOP-tie N/A Normal (data) Function 1.8 Shift N/A Mean 1.8 STD 2.68 Minimum - 8. Maximum Mean Mode arvio Median STD Variance Skewness..13 Kurtosis AB-tie, päällysteen ikä Mean = 11.1 X <= % Mean = X <= % PAB-tie, päällysteen ikä Mean = 12.6 Mean = 16.5 X <= % SOP-tie, päällysteen ikä Mean = 1.8 Mean =

32 Liite 1 (6/13) Kantavuuden kausivaihtelumalli LIITTEET Vauriosumma AB-tie N/A Log-normal (data) Function Shift Mean 34.2 STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis Vauriosumma PAB-tie N/A Log-norm (data) Function 5.33 Shift Mean STD Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <= % SOP-tie, vauriosumma Mean = 37.3 Mean = 38.4 X <= % Values x 1^-2 Vauriosumma SOP-tie N/A Log-norm (data) Function Shift -9.9 Mean STD Minimum -. Maximum Mean Mode arvio Median Std. Deviation Variance Skewness Kurtosis X <= % Mean = 31.9 Mean = 32.8 AB-tie, vauriosumma X <= % X <= % Mean = 43.2 PAB-tie, vauriosumma X <= % 2.5 Mean = Values x 1^-2 Values x 1^-2

33 Kantavuuden kausivaihtelumalli Liite 1 (7/13) LIITTEET Vaurionopeus (m2/v) AB-tie N/A Log-normal (data) Function 2.7 Shift -.19 Mean 2.89 STD 3.7 Minimum -. Maximum Mean Mode.48 arvio Median STD Variance Skewness Kurtosis Vaurionopeus (m2/v). PAB-tie N/A Log-norm (data) Function 3.95 Shift -.14 Mean 4.9 STD 8.7 Minimum -. Maximum Mean Mode.24. arvio Median STD Variance Skewness Kurtosis Vaurionopeus (m2/v). SOP-tie N/A Log-norm (data) Function 3.45 Shift -1.5 Mean 4.5 STD 3.9 Minimum -. Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis X <=.16 5.% AB-tie, vaurionopeus (m2/v) X <= % Mean = 2.9 Mean = X <=.9 5.% PAB-tie, vaurionopeus (m2/v). Mean = 3.4 X <= % Mean = X <=.29 5.% SOP-tie, vaurionopeus (m2/v) Mean = 3.4 X <= % Mean =

34 Liite 1 (8/13) Kantavuuden kausivaihtelumalli LIITTEET Kevät/kesä IRI AB-tie N/A Normal (data) Function 1.4 Shift N/A Mean 1.4 STD.15 Minimum -. Maximum Mean Mode arvio Median STD Variance.2.2 Skewness Kurtosis Kevät/kesä IRI PAB-tie N/A Log-norm (data) Function 1.8 Shift -1.7 Mean 2.15 STD.2 Minimum -. Maximum Mean Mode arvio Median STD.2.21 Variance.4.5 Skewness Kurtosis Kevät/kesä IRI SOP-tie N/A Normal (data) Function 1.8 Shift N/A Mean 1.8 STD.12 Minimum -.82 Maximum Mean Mode arvio Median STD Variance.2.2 Skewness..83 Kurtosis AB-tie, (kevät/kesä) IRI X <=.84 5.% Mean = 1.4 Mean = 1.4 X <= % PAB-tie, (kevät/kesä) IRI X <= % Mean = 1.7 X <= % Mean = SOP-tie, (kevät/kesä) IRI X <= % Mean = 1.7 Mean = 1.7 X <= %

35 Kantavuuden kausivaihtelumalli Liite 1 (9/13) LIITTEET Kumulatiivinen kuormituskertaluku AB-tie N/A Log-normal (data) Function Shift Mean STD Minimum Maximum Mean Mode arvio Median STD Variance 2.5x1^11 1.7x1^11 Skewness Kurtosis Tien leveys AB-tie N/A Normal (data) Function 7.7 Shift N/A Mean 7.7 STD 1.45 Minimum Maximum Mean Mode arvio Median STD Variance Skewness Kurtosis AB-tie, kumulatiivinen kuormituskertaluku 1. X <= % Mean = Mean = X <= % AB-tie, tien leveys X <= % Mean = 7.7 Mean =

36 Kantavuuden kausivaihtelumalli LIITTEET

37 Kantavuuden kausivaihtelumalli Liite 1 (1/13) LIITTEET KEVÄTKANTAVUUSMALLIN ENNUSTEVIRHEKUVAAJAT 8 AB-tiet 8 6 Malli yliennustaa Sakko-mallin ennustevirhe (ennustemittaus) Malli aliennustaa Mitattu dt_kevät PAB-tiet Malli yliennustaa Sakko-mallin ennustevirhe (ennustemittaus) Malli aliennustaa -8 Mitattu dt_kevät SOP-tiet Malli yliennustaa Malli aliennustaa Mitattu dt_kevät Sakko-mallin ennustevirhe (ennustemittaus)

38 Liite 1 (11/13) Kantavuuden kausivaihtelumalli LIITTEET ERI KEVÄTKANTAVUUSMALLIEN DIAGNOSTIIKKAKUVAT Kevätkantavuuskertoimella laskettu Dkevät AB-tiet R 2 =.812 PAB-tiet R 2 = KK-kertoimella laskettu dt_kevät KK-kertoimella laskettu dot_kevät Mitattu dt_kevät Mitattu dt_kevät 3 SOP-tiet R 2 = KK-kertoimella laskettu dt_kevät Mitattu dt_kevät

39 Kantavuuden kausivaihtelumalli Liite 1 (12/13) LIITTEET Lämpötilakorjatun D:n avulla regressiomallilla laskettu Dkevät AB-tiet R 2 PAB-tiet R = = Nlin-mallilla laskettu dt_ke Nlin-mallilla laskettu dt_ke Mitattu dt_kevät Mitattu dt_kevät 3 SOP-tiet R 2 = Nlin-mallilla laskettu dt_ke Mitattu dt_kevät

40 Liite 1 (13/13) Kantavuuden kausivaihtelumalli LIITTEET Yleistetyn lineaarisen mallin avulla laskettu Dkevät 25 AB-tiet R 2 = GLM-Mallilla laskettu dt_ke Mitattu dt_kevät PAB-tiet R 2 = Mitattu dt_kevät GLM-Mallilla laskettu dot_ke 3 SOP-tiet R 2 = GLM-Mallilla laskettu dt_ke Mitattu dt_kevät

41

42 ISSN ISBN TIEH v