Avec environ 4,18 millions de miles de routes aux États-Unis, la planification de l'entretien de la chaussée peut sembler un processus intimidant.

Actuellement, les ministères des transports (DOT) ont tendance à se fier aux pratiques antérieures ou à l'opinion d'experts pour prendre des décisions d'entretien. Mais avec un arriéré de 420 milliards de dollars de réparations pour les autoroutes américaines, ces méthodes conventionnelles sont de moins en moins efficaces. Au lieu, Les DOT nécessitent des approches plus quantitatives pour gérer leurs budgets serrés et réparer leurs routes vieillissantes.

Dans un article récent de Recherche sur les transports Partie C :Technologies émergentes , Fengdi Guo, chercheurs du MIT Concrete Sustainability Hub (CSHub), Jérémy Grégory, et Randolph Kirchain proposent une telle approche, connue sous le nom de dépendance probabiliste à la voie de traitement (PTPD). PTPD fonctionne mieux que les modèles conventionnels, ce qui nécessiterait un budget annuel supplémentaire de 10 % pour atteindre le même niveau de performance du réseau dans l'étude de cas donnée.

Les chercheurs du CSHub y sont parvenus en se confrontant à une préoccupation fondamentale que de nombreux modèles conventionnels évitent :l'incertitude.

À l'aise avec l'incertitude

Le pavage est chargé d'incertitudes. De la dégradation des chaussées au prix des matériaux, Les DOT ne peuvent pas être sûrs de ce à quoi ressembleront les choses dans cinq ans, dix, ou 20 ans. Quoi de plus, prédire et intégrer ce type d'incertitudes peut s'avérer difficile, suffisamment pour que de nombreux modèles l'ignorent complètement.

Traditionnellement, la plupart des modèles évaluent les coûts et les avantages des décisions de maintenance pour chaque segment d'un réseau afin de choisir le meilleur. Leurs analyses tendent à calculer le coût et le bénéfice sur la base de l'année en cours ou pour un ensemble fixe de futurs traitements d'entretien, sans tenir compte des incertitudes pendant la période d'analyse.

« Cela peut signifier qu'ils prévoient d'entretenir un nouveau segment de chaussée de la même manière à chaque fois au cours de sa vie, " dit Guo. " Le problème est que ce n'est souvent pas possible. Heures supplémentaires, évolution du prix des matériaux, les taux de dégradation des chaussées, et même les changements dans les voies de traitement - qui sont la séquence d'actions de maintenance prises - nécessiteront des traitements non spécifiés dans le modèle d'origine. »

Pour que les DOT gèrent efficacement leurs réseaux, alors, ils devaient mieux s'adapter à la dépendance et à l'incertitude du parcours thérapeutique.

La recherche du CSHub a cherché à créer un nouveau modèle qui leur offre la plus grande adaptabilité. Pour faire ça, ils ont considéré des milliers de programmes de traitement dans des scénarios futurs.

Leur modèle adopte une approche ascendante, en examinant chaque segment d'un réseau de chaussées. Pour chaque segment, il évalue tous les traitements initiaux possibles et les scénarios futurs de prix et de détérioration des matériaux. De là, une voie de traitement optimale et son coût total sont identifiés pour chaque combinaison de scénario et de traitement initial.

Avec toutes ces possibilités devant eux, Les chercheurs du CSHub ont ensuite calculé la probabilité de certains résultats dans la performance de la chaussée (la qualité de la surface de la chaussée) pour chaque combinaison d'option de traitement initial et de scénario futur. Cela leur permet de déterminer quels traitements auront probablement les meilleurs résultats compte tenu de tous les changements possibles qui pourraient survenir. Pour chaque segment, le modèle identifie ensuite les deux options de traitement avec les meilleurs résultats probables.

"Pour choisir entre ces deux dernières options, " dit Guo, "notre modèle prend en compte les risques associés à chacun et le budget disponible, également."

Dans ce cas, le risque fait référence à la façon dont la performance réelle d'un traitement pourrait s'écarter de sa performance moyenne attendue. Plus la variance est importante et plus les scénarios aberrants sont extrêmes, plus le risque est grand. Cependant, c'est un compromis :un traitement plus risqué peut également donner de meilleures performances.

Donc, c'est au DOT de déterminer le niveau de risque qu'il est prêt à prendre. Et c'est ce niveau de risque qui détermine laquelle des deux dernières options ils choisiront pour chaque segment du réseau de chaussées.

Le pavage en pratique

Dans plusieurs études de cas examinées dans leur article, Les chercheurs du CSHub ont analysé comment les niveaux de risque affectaient la sélection des traitements dans leurs modèles, ainsi que comment leur modèle par rapport aux modèles conventionnels. Ils ont découvert que lorsque les DOT étaient moins réticents à risquer des résultats inattendus dans la performance d'un segment, leur modèle privilégiait les couches minces d'asphalte pour ce segment, qui est une option de traitement moins chère. Au fur et à mesure que l'aversion au risque augmentait, cependant, le contraire s'est produit. Le modèle a plutôt favorisé des revêtements en béton plus coûteux et des reconstructions complètes du segment.

Comment venir?

Cela se résume au prix des matériaux.

"Contrairement à l'asphalte, le béton a tendance à avoir une volatilité des prix plus faible, " explique Guo. " Cela signifie que les DOT peuvent prédire de manière fiable combien coûteront les traitements du béton. Cela évite le genre de dépassements de coûts qui pourraient survenir en raison d'une augmentation inattendue des prix de l'asphalte."

Le même compromis se produit avec la performance de la chaussée.

« Bien que des traitements plus risqués puissent offrir de meilleurs résultats de performance, il est plus probable que ces résultats varient, " explique Guo. " En revanche, les traitements moins risqués offriront des performances plus constantes, bien que ces performances puissent être légèrement inférieures. »

Finalement, les chercheurs ont découvert que les modèles avec une aversion au risque modérée et un mélange d'asphalte et de béton avaient les meilleurs résultats, car ils pourraient optimiser les performances moyennes et la variabilité des performances.

Les chercheurs ont ensuite comparé leur modèle PTPD à risque modéré aux approches conventionnelles coût-bénéfice actuellement utilisées par les DOT.

Sur une période d'analyse de 20 ans, ils ont constaté que leur modèle PTPD fonctionnait mieux que le modèle conventionnel.

Alors que le modèle conventionnel pourrait optimiser les coûts et les performances à court terme, il n'a pas anticipé les incertitudes futures. Cela a conduit à une fréquence plus élevée, des traitements moins coûteux qui ont initialement amélioré les résultats, mais ont entraîné de moins bonnes performances et des coûts plus élevés au fil du temps.

Le modèle PTPD a plutôt adopté une perspective à long terme. Il tenait compte des incertitudes et, en conséquence, mieux anticipé et adapté aux changements futurs.

Cela signifiait qu'il avait investi plus lourdement à l'avance dans quelques clés, segments fortement utilisés d'un réseau. Par conséquent, les avantages en termes de performances et de coûts sur l'ensemble du réseau ne se sont manifestés que plus tard au cours de la période d'analyse. À ce moment, le réseau requis plus simple, traitements moins chers moins fréquemment.

En réalité, pour que le modèle coût-bénéfice soit aussi performant que le modèle PTPD, Les DOT devraient dépenser 10 pour cent de plus sur 20 ans dans l'étude de cas donnée.

À l'avenir, Guo et ses collègues espèrent étendre leur analyse à l'ensemble du système routier américain. En plus du coût et de la performance, ils entendent mesurer l'empreinte environnementale des décisions de pavage, également.

Faire face à l'incertitude est difficile. Mais avec leur dernier modèle, C'est exactement ce que font les chercheurs du CSHub. Au lieu d'écarter l'incertitude, ils l'affrontent de front. Et par conséquent, Les DOT pourraient bientôt s'attendre à une réduction des arriérés et à de meilleures routes.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.