Aszfalt felületi hőmérsékletének meghatározása időjárási adatok alapján

Szerzők

  • Koch Domonkos Út- és Vasútépítési Tanszék, Budapest Műszaki és Gazdaságtudományi Egyetem

DOI:

https://doi.org/10.24228/KTSZ.2026.5.2

Kulcsszavak:

aszfalthőmérséklet, gépi tanulás, regressziós modellek, hőmérséklet-előrejelzés, időjárási adatok

Absztrakt

A burkolat hőmérséklete kulcsfontosságú az útépítésben, mind a pályaszerkezet méretezése, mind az útüzemeltetés területén. A burkolat felszínének hőmérsékletéből meghatározható a mélységi hőmérséklet, ami a méretezésben,
valamint a behajlásméréseknél fontos paraméter. A felszíni hőmérséklet az üzemeltető mérnökségek számára kiemelt jelentőséggel bír a téli üzem során, mivel indikátorként használják a megelőző síkosságmentesítés megkezdéséhez.
A magyar országos közúthálózaton mintegy 400 db meteorológiai állomás helyezkedik el, ami azt jelenti, hogy 80 km úthálózat hőmérsékleti állapotát jellemzi egyetlen mérőállomás. Ezek a mérőállomások az úthőmérséklet mellett
számos egyéb időjárási adatot is gyűjtenek, mint a levegő hőmérséklete, relatív páratartalom, szélsebesség stb. Jelen cikk időjárási adatokon alapuló regressziós modelleket vizsgál a felületi hőmérséklet előrejelzésére. A magyarországi
meteorológiai állomások adatait használva 24 különböző modellt tanítottam be. A legjobb (Matérn 5/2 GPR) modell 10 perces gyakoriságú adatok segítségével RMSE = 2,33 °C pontosságot ért el, míg az órás inputok alkalmazásával
a modell pontossága RMSE = 2,24 °C-ra javult, ami a statisztikai zaj csökkentésével magyarázható. A nappali és éjszakai adatsor szétválasztásával optimalizált modell nem javított a pontosságon, viszont a számítást minimálisan
bonyolította, így a végső modell a 24 órás összesített adatokon tanult. A cikk alátámasztja, hogy négy időjárási input (levegőhőmérséklet, napsugárzás, annak változása, vízfilmvastagság) elegendő ennek eléréséhez. Az egyéb
időjárást jellemző paraméterek, mint a relatív páratartalom, szélsebesség, csapadékintenzitás nem javították a modell pontosságát. Az egyszerűbb modellek (pl. lineáris regressziós modell, RMSE = 2,88 °C) is hasonló globális
pontosságot mutattak, azonban szélsőséges hőmérsékletek esetén az átlagos hibájuk jelentősen megnőtt, 40 °C felett RMSE > 4,5 °C értéket vett fel. Ezért a komplexebb modell alkalmazása mérnöki szempontból javasolt a nagyobb
számítási igénye mellett is. A bemutatott regressziós modell segítségével három mért és egy számított időjárási adat alapján meghatározható a burkolat felszíni hőmérséklete. Ez az eszköz lehetőséget ad arra, hogy olyan helyszíneken is
ismert legyen a burkolat hőmérséklete, ahol nincs vagy attól távol helyezkedik el mérőállomás, esetleg burkolatfelújítás után nem került helyreállításra vagy egyéb okból üzemszünet áll fenn. Egy hosszú távú élettartam monitoring esetében ez fontos információ lehet, ennek hazai kidolgozásáig és alkalmazásáig a cikkben bemutatott modell hatékony segítséget nyújthat a téli üzemeltetés során a közutak kezelői számára, ami növeli a forgalombiztonságot.

Hivatkozások

Barber, E.S. (1957) Calculation of Maximum Pavement Temperatures From Weather Reports. HRB, National Research Council, Washington D.C., pp. 1-8. URL: http://onlinepubs.trb.org/Onlinepubs/hrbbulletin/168/168-001.pdf

Bland, J. M., Altman D. G. (1986) Statistical methods for assessing agreement between two methods of clinical measurement. Lancet, pp. 307–310. DOI: https://doi.org/10.1016/S0140-6736(86)90837-8

Cho, S., Tóth, Cs. (2022) Temperature estimation method of asphalt pavement in Hungary. FACTA UNIVERSITATIS, Architechture and Civil Engineering, 20(3), pp. 203–212. DOI: https://doi.org/10.2298/FUACE220213016C

Dickinson, J. E. (1978) A method for calculating the temperature gradients in asphaltic concrete pavement structures based on climatic data. Austrian Road Research, 8(4), pp. 16-34.

Dierfenderer, B. K., Al-Qadi, I. L., Dierfenderfer S. D. (2006) Model to predict pavement temperature profile: development and validation. Journal of Transportation Engineering, 132(2), pp. 162-167. DOI: https://doi.org/10.1061/(ASCE)0733-947X(2006)132:2(162)

Herceg, A., Primusz, P., Kalicz, P., Gribovszki, Z. (2020) A klimatikus jellemzők hatásai az útpályaszerkezetre: A pályaszerkezet hőmérsékletek számítása. Útügyi Lapok, 8(14). DOI: https://doi.org/10.36246/UL.2020.2.02

Herceg, A., Tóth, Cs., Primusz, P., Kalicz, P., Gribovszki, Z. (2022) Hazai bitumenek viselkedési fokozatának meghatározása egy soproni tesztparcella meteorológiai adatai alapján. Közlekedéstudományi Szemle, 72(1), pp. 32-47. DOI: https://doi.org/10.24228/KTSZ.2022.1.3

Huang, Y., Nojumi, M. M., Ansari, S., Hashemian, L., Bayat, A. (2024) Multi-depth temperature prediction using machine learning for pavement sections. Journal of Applied Remote Sensoring, 18(1). DOI: https://doi.org/10.1117/1.JRS.18.014517

Kebede, Y. B., Yang, MD., Huang, Ch. W. (2024) Real-time pavement temperature prediction through ensemble machine learning. Engineering Applications of Artificial Intelligence, 135, 108870. DOI: https://doi.org/10.1016/j.engappai.2024.108870

Khan, Z. H., Md Islam, R., Tarefder, R. A. (2019) Determining asphalt surface temperature using weather parameters. Journal of Traffic and Transportation Engineering, 6(6), pp. 577–588. DOI: https://doi.org/10.1016/j.jtte.2018.04.005

Mohseni, A. (1998) LTPP Seasonal Asphalt Concrete (AC) Pavement Temperature Models. FHWA Reports, pp. 1-72. URL: https://rosap.ntl.bts.gov/view/dot/40378

Pethő, L. (2008) A hőmérséklet eloszlás alakulása az aszfalt burkolatú pályaszerkezetekben és ennek hatása a pályaszerkezeti rétegek méretezésére, technológiai tervezésére. PhD értekezés. Budapesti Műszaki és Gazdaságtudományi Egyetem. URL: https://repozitorium.omikk.bme.hu/items/1ab9a912-e4a7-447d-85b2-e91859efa49a

Rasmussen, C. E., Williams, C. K. I. (2006) Gaussian Processes for Machine Learning. Cambridge, MA, The MIT Press. DOI: https://doi.org/10.7551/mitpress/3206.001.0001

Rumney, T. N., Jimenez, R. A. (1969) Pavement Temperatures in the Southwest. Highway Reasearch Record 361, HRB, National Research Council, Washington D.C., pp. 1-13. URL: http://hdl.handle.net/10150/566372

Solaimanian, M., Kennedy, T. W. (1993) Predicting Maximum Pavement Surface temperature Using Maximum Air Temperature and Hourly Solar Radiation. Transportation Research Record, 1417, pp. 1-11. URL: http://onlinepubs.trb.org/Onlinepubs/trr/1993/1417/1417-001.pdf

Schuirmann, D.J. (1987) A comparison of the Two One-Sided Tests Procedure and the Power Approach for assessing the equivalence of average bioavailability. Journal of Pharmacokinetics and Biopharmaceutics 15, pp. 657–680. DOI: https://doi.org/10.1007/BF01068419

Ureczky, J., Tóth, Cs. (2008) A hőmérséklet teherbírásra gyakorolt hatásának vizsgálata. Közúti és mélyépítési szemle, 58(3-4), pp. 9-14. URL: https://szemle.pms2000.hu/docs/2008_3_4.pdf

Vapnik, V. N. (1995) The Nature of Statistical Learning Theory. Springer, New York. DOI: http://dx.doi.org/10.1007/978-1-4757-2440-0

Letöltések

Megjelent

2026-11-04

Hogyan kell idézni

Koch, D. (2026). Aszfalt felületi hőmérsékletének meghatározása időjárási adatok alapján. Közlekedéstudományi Szemle, 76(5), 15–27. https://doi.org/10.24228/KTSZ.2026.5.2

Folyóirat szám

Rovat

Közúti közlekedés