Cai Wenyuan+A0049

L’augmentation du kilométrage et de la durée de vie des routes augmente les exigences d’entretien des routes. La plupart des recherches portant sur l’entretien majeur et spécial, l’optimisation de l’entretien quotidien est peu étudiée, malgré son importance dans les ordres de travail. En raison des scènes de route complexes et variables et des règles de décision d’entretien floues, la stratégie d’entretien quotidienne générée par le modèle purement axé sur les données est facile à dévier de la réalité de l’ingénierie, et la méthode de prise de décision avec l’optimisation comme noyau est difficile à prendre en compte pleinement les caractéristiques régionales, et la généralisation de la scène est limitée. Ce document répond à cette lacune en développant un modèle de décision d’entretien détaillé qui combine les données et la rétroaction des experts par l’apprentissage par renforcement. La recherche utilise un modèle de prévision des performances des chaussées basé sur des données réelles comme l’environnement pour apprendre les influences couplées du climat, de la route, de la circulation et des conditions d’entretien et utiliser l’apprentissage par renforcement pour optimiser les stratégies. En outre, dans l’apprentissage par renforcement, le modèle intègre les évaluations d’experts comme fonction de récompense pour apprendre les règles de décision ambiguës et les caractéristiques des scénarios en ingénierie pratique, ce qui améliore l’adaptabilité du modèle de décision axé sur les données à différents scénarios. La validation des données dans le monde réel démontre que le modèle RLEF peut rapidement acquérir des connaissances spécialisées, s’adapter à différents objectifs et règles décisionnels propres à un scénario et obtenir une rentabilité supérieure.

Cai Wenyuan