CC BY
53
Шабаршов И.В.1 Горячев М.Г.2 Горячева Е.В.3
'Студент, Московский автомобильно-дорожный государственный технический университет (МАДИ); 2Канд. техн. наук, доцент, Московский автомобильно-дорожный государственный технический университет (МАДИ); 3Ассистент, Московский автомобильно-дорожный государственный технический университет (МАДИ)
ОСОБЕННОСТИ СОВРЕМЕННОГО ОБОРУДОВАНИЯ ДЛЯ ОБСЛЕДОВАНИЯ СОСТОЯНИЯ ДОРОЖНЫХ
ОДЕЖД В США
Аннотация
На основе обзора зарубежных источников выполнено обобщение широко распространённого современного оборудования для проведения работ по диагностике дорожных конструкций автомобильных дорог в США и выявлены главные проблемы, связанные с использованием этих средств измерения.
Ключевые слова: обследование, дорожные одежда и покрытие.
Shabarshov I.V.1 Goryachev MG.2 Goryacheva Е.^3
1 Student, Moscow state automobile and road technical university; 2Ph.D in technics, assosiate professor, Moscow state automobile and road technical university; 3Assistent, Moscow state automobile and road technical university
FEATURES OF MODERN EQUIPMENT FOR SURVEY PAVEMENT OF US.
Abstract
Based on a review offoreign sources made a generalization of the widespread modern equipment for diagnostics activities of road construction of roads in the United States and identified the major problems associated with the use of measuring tools.
Keywords: survey, pavement.
Повреждение поверхности дорожного покрытия
Оборудование для проведения измерений транспортно-эксплуатационных качеств дорожных одежд и покрытий и отслеживания их динамики во времени как ручного, так и автоматического принципа действия предназначено для идентификации и классификации повреждений, а также установление уровней серьёзности повреждений.
При этом внутри группы повреждений, выявленных в автоматизированном режиме, выделяют повреждения, установленные с помощью датчиков (например, ровность, образование колеи, и смещение дорожных плит), а также нарушения, полученные на основании обработки изображений дорожного покрытия (например, растрескивание).
Поскольку некоторые повреждения идентифицированы с помощью датчиков, другие на основании изображений, являются в общем различными, они представляются в различных разделах отчётов. Как правило, как ручные, так и автоматизированные методы выявления растрескиваний фиксируют более серьёзные повреждения, при этом повреждения менее серьёзные не отображаются, поскольку первые обычно легче определяются, чем повреждения средней или меньшей степени [2].
Растрескивание
Растрескивание определяется с передвижного транспортного средства или «проходя пешком» по участку. Оценки, собранные при перемещении транспортного средства, могут быть собраны вручную (оценки «с лобового стекла») или автоматически путём обработки изображений дорожного покрытия, собранных видеосъёмкой. Обработка изображений производится вручную в условиях полуавтоматического сбора данных или с помощью программных средств в рамках полностью автоматизированного процесса. Различия для автоматизированного, полуавтоматизированного и ручного процессов заключаются в следующем [3]:
1. Тип оборудования/метод сбора данных.
• Качество изображения. Это имеет значение для автоматизированных и полуавтоматизированных исследований.
• Используемый тип технологий, например, аналоговые изображения, цифровые изображения, лазерные изображения.
• Разрешение оборудования для создания изображений (выявление небольших трещин требует оборудования более высокого разрешения)
• Поле обзора (повреждения могут отсутствовать, если они не покрывают всю полосу движения).
• Качество цветового контраста изображения дорожного покрытия (цветовой контраст между трещиной и окружающим дорожным покрытием является важным фактором при оценке повреждений с помощью программного обеспечения по обработке данных о повреждениях).
2. Квалификация операторов оборудования.
3. Программное обеспечение для обработки. Алгоритм, используемый для выявления и подсчёта различных типов трещин, является крайне важным в случае автоматизированного обследования. Так, одной из распространённых проблем, связанной с алгоритмом автоматического выявления растрескиваний, является ошибочная классификация тротуарных стыков (pavement shoulder joint) как продольных трещин.
4. Среда измерения. Это условия, при которых проводятся обзоры повреждений дорожного покрытия, и которые влияют на определение растрескиваний. Например, растрескивания, как правило, более чётко видны вскоре после дождя, поскольку они могут наполниться водой. Степень растрескивания, выявленных при этих обстоятельствах, может различаться.
Ровность в продольном направлении
Учитывая большое разнообразие коммерчески доступных устройств измерения ровности, полученные результаты для одного и того же участка дорожного покрытия могут значительно отличаться. Однако измерения с помощью одного и того же устройства являются в целом сопоставляемыми. Основные факторы, оказывающие значение на вариативность измерений ровности дорожного покрытия [4].
1. Тип профилометра. Различные профилометры, доступные с коммерческой точки зрения, используют различные технологии, датчики и технологии обработки сигналов.
• Датчик высоты. Большинство текущих профилометров используют лазерные датчики, однако некоторые агентства до сих пор используют профилометры с ультразвуковыми или инфракрасными датчиками. Важные характеристики датчика включают частоту выборки, разрешение, зону охвата (или площадь по периметру) и диапазон. Несмотря на то, что традиционные лазерные профилометры используют точечные лазеры, агентства начинают предъявлять требования, чтобы датчики имели широкую зону охвата.
• Тип и расположение акселерометра.
• Система измерения расстояния.
• Количество датчиков, месторасположение и расстояние между датчиками при использовании нескольких датчиков.
2. Квалификация водителя и оператора профилометра. С этим фактором связано поперечное положение профилометра. Путь протектора колеса является важным источником изменчивости данных, таким образом, операторы должны придерживаться центра полосы движения.
89
3. Скорость измерений [5]. В некоторых исследованиях указывается, что большинство профилометров дают измерения, которые остаются стабильными при выдерживании одинаковой скорости измерений [6].
4. Измеренная полоса движения. Хотя большинство агентств измеряют только внешнюю колею, другие начинают измерять профиль на всех полосах движения.
5. Давление накачки шин, влияющее на измерения продольного расстояния.
6. Калибровка различных компонентов оборудования.
7. Интерпретация и обработка профильных данных.
• Фильтры. Большинство профилометров используют фильтры для устранения нежелательных высоких или низких частот в измеренном профиле; хотя некоторые позволяют пользователю применять фильтры, некоторые не позволяют;
• Алгоритм расчёта профилометра. Алгоритм, используемый для сочетания данных полученных от датчиков ключевых компонентов и определения профиля.
• Алгоритм и процедура расчёта международного индекса ровности (IRI). Например, некоторые производители измерителей профиля поверхности дорожного покрытия автоматически применяют нестандартные фильтры к профилю. Другие производители и штаты могут принять решение использовать усреднённый профиль левого и правого колёсного путей, тем самым генерируя индекс неровности полугусеничного автомобиля вместо индекса неровности от пути одного колеса или среднего значения индекса неровности двух колёсных путей.
• Интервал интегрирования. Речь идёт о протяжённости участка дороги, по которому подаются отчёты о ровности покрытия. Относительно большая сумма значений продольного профиля может указывать на дорожное покрытие, которое является умеренно неровным на длинном участке, и слишком неровным по отношению к небольшому участку дороги. Измерение небольших участков, как правило, даёт более полезные результаты, поскольку это позволяет определить короткие неровные участки, которые могли бы оказаться незамеченными, если бы участки были большей длины.
• Измеренный колёсный путь. Хотя некоторые агентства считывают данные о колёсном пути только от одного колеса, другие измеряют среднее значение пути обоих колёс. Это существенно, поскольку измерения внешнего (правого) колёсного пути являются, как правило, менее ровными, чем измерения внутреннего (левого) колёсного пути [7].
• Мостовые переходы. Отсутствует согласие по вопросу, как поступать с мостами, включёнными в тот или иной участок дороги. Мосты, как правило, представляют собой локализованные участки большой неровности. Некоторые агентства, включают мосты в качестве части участка дороги, поскольку это позволяет лучше отражать фактическое восприятие пользователей общих участков дороги. Другие агентства не включают мосты, чтобы избежать искусственно завышенной оценки индекса ровности дорожного покрытия на участках.
8. Среда измерения.
• Температура, ветер, влажность и влажность на покрытии, которые по-разному влияют на различные типы датчиков.
• Наличие посторонних предметов и мусора, загрязняющих дорожное покрытие, таких как песок, гравий и т.п.
• Условия освещённости, влияющие на работу оптических датчиков.
9. Форма поверхности. Структура поверхности влияют на точность и повторяемость данных профилометров.
• Повреждения поверхности дорожного покрытия оказывает основное влияние на поперечные изменения профиля.
• Повседневные и сезонные изменения профиля вызваны деформацией плит из бетона на портландцементе (PCC slabs), изменением влажности основания дорожной одежды, сменами похолодания и оттепели и т.п. На некоторых участках отмечены различия в 0,4 м/км.
• Геометрия дорог. Поперечный и продольный уклон, кривые могут влиять на работу акселерометров, которые являются основными элементами инерционных профилометров.
Ровность в поперечном направлении (колея)
Большинство агентств в настоящее время измеряют глубину колеи (поперечный профиль) с помощью какого-либо типа оборудования для автоматизированного сбора данных, включая брусья/профили (или штанги) с многочисленными датчиками или системами непрерывного измерения. На точность результатов влияют следующие факторы.
1. Тип оборудования.
• Тип датчиков: точечные лазеры, ультразвуковые лазеры и лазеры для непрерывного сканирования. В настоящее время чаще всего используемыми датчиками являются координатные лазеры. Лазеры непрерывного сканирования охватывают общую ширину 4 м с разрешением 1280 точек на дюйм. Эти лазеры очень точны в измерениях, однако пользователь должен вводить данные по ширине полосы движения с тем, чтобы программное обеспечение исключило параметры обочины, тротуара или бордюра. Ультразвуковые датчики до сих пор используются в некоторых системах, но их измерения могут быть недостаточно точными из-за воздействия температуры или влажности воздуха.
• Ширина бруса (или штанги) для измерения ширины колеи (и охват полосы движения). Более старые и до сих пор используемые датчики для измерения ширины колеи охватывают только определенную ширину полосы движения. Более того, даже раздвижные брусы для измерения ширины колеи почти никогда до конца не раздвигаются из соображений безопасности. Как правило, такой брус (или штанга) раздвигается только до длины 3 м. Некоторые бруски имеют два продольных датчика, разведенных наружу для увеличения ширины охвата.
• Количество датчиков. Количество датчиков может колебаться от 3 до 37, при этом непрерывные системы становятся более распространенными.
• Система измерения расстояния. Путь протектора колеса влияет не непрерывность измерений, поскольку он затрагивает собранные данные по начальным точкам.
2. Геометрия бордюра и/или узкая колея. Крайне правый датчик способен улавливать информацию о возвышении бордюра или наличии травы на правом тротуарном стыке, несколько корректирующие измерения.
3. Квалификация водителя и/или оператор оборудования. Здесь важны опыт, подготовка, навыки вождения, влияющие на качество собранных данных.
4. Метод расчёта глубины колеи подлежит контролю в целях обеспечения согласованности данных из года в год или от поставщика услуг поставщику услуг, поскольку имеются различные алгоритмы обработки поперечного профиля и расчета глубины колеи. Основные методы, используемые в настоящее время - это линейный метод или метод «натянутого шнура» (AASHTO PP-38-00 Стандартная практика определения максимальной глубины колеи в асфальтовых покрытиях (2005)] и метод линейки. В соответствии с линейным методом воображаемая линия изгибается на выпуклой части между двумя колесными колеями, если эта выпуклость выше обочин и осевой линии дороги. Метод линейки проецирует прямую линию от внутренней стороны до обочины полосы движения и приводит к занижению расчётов глубины колеи.
5. Среда измерений.
90
• Температура, ветер, влажность и влажность на покрытии, которые по-разному влияют на различные типы датчиков.
• Наличие посторонних предметов и мусора, загрязняющих дорожное покрытие, таких как песок, гравий и т.п.
• Условия освещённости, влияющие на работу оптических датчиков.
6. Структура поверхности. Имеется в виду фактура поверхности: крупность каменного материала и их шероховатость, искажающие считывание датчиков.
Заметим, общеизвестно, что брусья для измерения ширины колеи с большим количеством датчиков (или точек поперечного измерения в непрерывных системах) дают более точные и последовательные измерения. При переходе от старого бруска для измерения ширины колеи к более современному сканирующему лазеру, департамент транспорта штата Оклахома обнаружил, что расчёты глубины колеи, обычно показывали большую глубину, но были ближе к измерениям, сделанным вручную. Более старые бруски для измерения глубины колеи занижают сведения о глубине колеи из-за недостатка охвата данных о ширине всей полосы движения.
Сцепные качества
1. Используемое оборудование.
• Большинство департаментов транспорта используют прицеп с заблокированным колесом (ASTM E 274) для скоростных измерений силы трения [8] или, как ещё говорят, для испытаний дорожных покрытий на сопротивление заносу. Система включает тягач с резервуаром воды и системой прицепов, которая может заблокировать одно колесо для измерения коэффициента трения между шиной и мокрым дорожным покрытием. Сила трения (или заноса) о мокрое дорожное покрытие, как сообщается, в 100 раз превышает коэффициент трения [9]. Некоторые виды оборудования оснащены лазерными системами для определения макротекстуры поверхности и оценки градиента скорости.
• Тип шины. Некоторые штаты, например, Вирджиния, используют гладкие шины, а некоторые, например, Флорида -шины с рисунком проектора.
• Скорость испытания. Некоторые штаты используют уравнения пересчёта для вычисления показателя трения при испытании на занос при разных скоростях, но эти корреляции проверялись исключительно на местном уровне [5].
2. Калибровка оборудования. Калибровка обычно производится в начале сезона сбора данных (или каждые два года) при проверочных испытаниях, которые проводятся на контрольных участках в ходе сбора и подготовки данных.
3. Среда измерений. В практике выявлены годовые отклонения в силе трения о дорожное покрытие. Следовательно, рекомендован круглогодичный мониторинг сети [5]. Доказано, что температура является одним из главных параметров, влияющих на результаты замеров [10]. Некоторые штаты выполняют сезонные (обычно ежемесячные) наблюдения.
Прочность дорожной одежды
Причины разнородности считываемой информации при проведении обследования возникают по следующим причинам.
1. Используемое оборудование. Различные FWD используют несколько различающиеся конфигурации и сенсорные устройства. Кроме того, имеющиеся устройства используют различное количество датчиков.
2. Эксплуатационные параметры оборудования.
• Нагрузка. Большинство агентств используют нагрузку в 4 т, в то время как некоторые организации проводят дополнительные испытания на различных уровнях нагрузки для оценки нелинейности некоторых материалов.
• Датчики. Известные устройства используют различные параметры датчиков, однако руководящие принципы по сбору данных в рамках программы по поддержанию долговечности дорожных конструкций помогли их стандартизировать.
• Ошибки, связанные с положением датчика. Некоторые протоколы требуют одного или двух первоначально пониженных уровне положения датчика для улучшения контакта между измерительной пластиной датчика и дорожным покрытием, а также для повышения воспроизводимости измерений. Калибровку оборудования важно проводить для коррекции систематических ошибок в измерениях датчика; для этих целей имеются региональные участки дорог.
3. Выбор испытуемой полосы движения. Испытания, проведенные в штате Индиана, показали, что допустимая нагрузка по одному из направлений автодороги между штатами почти совпадала с нагрузкой на противоположном направлении. Однако на дорогах, на местных дорогах испытания прочности показали дали различные показания. По-видимому, одной из причин этого стало стадийное строительство полос с неодинаковыми дорожными одеждами.
4. Частота проведения испытаний. Несмотря на то, что частые испытания являются предпочтительными для точной оценки допустимой нагрузки, это снижает производительность и увеличивает затраты.
5. Среда измерений. Факторы окружающей среды оказывают существенное влияние на реакцию дорожной одежды и измеренные деформации, прежде всего асфальтобетонного покрытия.
• Температура влияет на устойчивость асфальтобетонных материалов. Факторы учёта деформаций при температурных колебаниях разработаны на национальном (LTPP) уровне и уровне штатов.
• Влажность. Присутствие воды влияет на несущую способность грунта и материалы дорожного покрытия без должной связки между собой.
6. Использованное программное обеспечение. Методика расчёта, заложенная в программе, как правило, влияет и на конечный ответ.
Собранная информация может использоваться для оценки общей допустимой нагрузки на дорожную одежду (например, расчёт фактического структурного числа, модуля на поверхности или определение модулей различных слоёв дорожных одежды).
Георадар
Некоторые агентства для определения данных о толщине слоёв использовали георадары. Это устройство действует путём передачи геомагнитных волн между слоями дорожной одежды, которые в свою очередь позволяют определить толщину слоя. С тем, чтобы георадар определял разделения слоёв, слои дорожной одежды должны обладать различными диэлектрическими свойствами. Кроме того, волны более высокой частоты дают лучшее разрешение, в то время как волны меньшей частоты позволяют более глубокое проникновение по толщине, что приводит к тому, что измерения профиля верхнего слоя более точны, чем профили более нижних слоёв [11]. Испытания показали, что георадар даёт более точные значение плотности слоя, если калиброван при помощи нескольких сердечников, и измерения георадара могут использоваться для оценки необходимости, мест и объёма отбора кернов [12].
Литература
1. NCHRP Synthesis, 401. Quality Management of Pavement Condition Data Collection. Transportation research board 2009 executive committee, 2009. 143 pp.
2. McQueen, J.M. and D.H. Timm. Statistical Analysis of Automated Versus Manual Pavement Condition Surveys // Transportation Research Record: Journal of the Transportation Research Board, No. 2004,Transportation Research Board of the National Academies, Washington, D.C., 2005, pp. 55-62.
3. McNeil, S. and F. Humplick. Evaluation of Errors in Automated Pavement-distress Data Acquisition // Journal of Transportation Engineering, Vol.117, No.2, 1991, pp. 224-241.
91
4. Karamihas, S.M., T.D. Gillespie, R.W. Perera, and S.D. Kohn. NCHRP Report 434: Longitudinal Pavement Profile Measurement / Transportation Research Board, National Research Council, Washington, D.C., 1999, 81 pp.
5. Choubane, B., R.L. McNamara, and G.C. Page, Evaluation of High-Speed Profilers for Measurement of Asphalt Pavement Smoothness in Florida // Transportation Research Record: Journal of the Transportation Research Board, No.1813, Transportation Research Board of the National Academies, Washington, D.C., 2002, pp. 62-67.
6. Improving the Quality of Profiler Measurement, TPF-5 (063), Federal Highway Administration, Washington, D.C. 59. Available: http://www.fhwa.dot.gov/pavement/ltpp/profiler/profiler.cfm [accessed Apr. 2008].
7. Ningyuan, L., T. Kazmierowski, and B. Sharma. Verification of Network-Level Pavement Roughness Measurements // Transportation Research Record: Journal of the Transportation Research Board, No.1764, Transportation Research Board of the National Academies, Washington, D.C., 2001, pp. 128-138.
8. Trifiro, F., G.W. Flintsch, G. Guerrera, E.D. de Leon Izeppi, and K.K. McGhee. Comparison of Friction Measuring Devices and Preliminary Evaluation of the International Friction Index Coefficients / Presented at the 87th Annual Meeting of the Transportation Research Board, Washington, D.C., Jan. 13-17, 2008, 15 pp.
9. Jackson, N.M.C., C. Bouzid, C.R. Holzschuher, and S. Gokhale. Measuring Pavement Friction Characteristics at Variable Speeds for Added Safety // Journal of ASTM International, Vol.2, No.10, 2005, 14 pp.
10. Flintsch, G.W., Y. Luo, and I.L. Al-Qadi. Analysis of the Effect of Pavement Temperature on the Frictional Properties of Flexible Pavement Surfaces // Presented at the 84th Annual Meeting of the Transportation Research Board, Washington, D.C., Jan. 9-13, 2005.
11. Noureldin, S., K. Zhu, S. Li, and D. Harris. Network Pavement Evaluation with Falling-Weight Deflectometer and Ground-Penetrating Radar // Transportation Research Record: Journal of the Transportation Research Board, No.1860, Transportation Research Board of the National Academies, Washington, D.C., 2003, pp. 90-99.
12. Lahouar, S., I.L. Al-Qadi, A. Loulizi, T.M. Clark, and D.T. Lee. Approach to Determining In Situ Dielectric Constant of Pavements: Development and Implementation at Interstate 81 in Virginia // Transportation Research Record: Journal of the Transportation Research Board, No.1806, Transportation Research Board of the National Academies, Washington, D.C., 2002, pp. 81-87.
Дунаев А.А.1, Зайцева Н.В.2
1Магистрант, Белорусский государственный университет информатики и радиоэлектроники; 2Магистрант, Белорусский государственный университет информатики и радиоэлектроники СИСТЕМА ВЗАИМОДЕЙСТВИЯ УЧИТЕЛЯ И УЧЕНИКА В ВИРТУАЛЬНОЙ СИСТЕМЕ ОБУЧЕНИЯ
Аннотация
В статье рассмотрен прототип системы моделирования взаимодействия учителя и ученика для создания виртуальной системы обучения, учитывающей эмоциональное состояние ученика в ходе учебного процесса.
Ключевые слова: обучение, моделирование, эмоции.
Dunayeu A.A.1, Zaitsava N.V.2
^Postgraduate student, Belarusian State University of Informatics and Radioelectronics; ^Postgraduate student, Belarusian State
University of Informatics and Radioelectronics
SYSTEM OF TEACHER AND STUDENT ITERACTION IN VIRTUAL TRAINING SYSTEM
Abstract
The article considers the prototype of system of modeling interaction between teacher and student for creating a virtual learning system that takes into account the student emotional state in the learning process.
Keywords: education, modeling, emotions.
Введение
Сложность современных технологических процессов, возрастающая роль и удельный вес информационных технологий в различных сферах человеческой деятельности предъявляет повышенные требования к образовательным технологиям, и требуют адекватных изменений в сфере образования.
В этой связи все более актуальными становятся технологии дистанционного обучения. Однако последним присущ традиционный недостаток: оторванность студента от преподавателя, что не может не сказываться на качестве образования.
Логическим выходом из данной ситуации является применение в основном технологичном процессе дистанционного обучения современных средств интерактивного взаимодействия студента и преподавателя, таких как мультимедийные каналы связи. Важной задачей в данном случае является правильный подход к каждому студенту, а также оценка степени понимания материала, заинтересованности в обсуждаемом вопросе студента. Для этого необходимо использование систем позволяющих моделировать поведение преподавателя в зависимости от текущего состояния учебного процесса и эмоционального состояния ученика.
Распознавание лица и эмоционального состояния человека является важной задачей для многих сфер жизни. Решение данной задачи может использоваться в криминалистике, системах безопасности, а также в системах «умного дома».
Техническое задание системы взаимодействия учителя и ученика должно включать информацию о различных методиках и языках позволяющих описывать и моделировать процесс взаимодействия параллельных систем: учитель и ученик. Техническое задание модуля распознавания состояния ученика на основе нейронной сети должно включать информацию о различных эмоциональных и психологических состояний человека, их особенности, а также анализ систем и нейронной сети для распознавания образов и изображений. Успешность проекта зависит от глубины проработки предметной области и используемых критериев.
Использование нейронной сети для решения задачи распознавания эмоций оправдано при наличии на изображении искажений или его частичной деструктуризации.
Постановка задачи
Исходя из результатов анализа существующих методов описания и моделирования параллельных систем, а также методов распознавания лиц и обработки изображений на основе нейронной сети, систему взаимодействия учителя и ученика необходимо реализовать следующим образом.
Основные требования к разрабатываемой системе:
система должна уметь определять текущее состояние учебного процесса;
система должна уметь определять эмоциональное состояние студента;
эмоциональное состояние студента должно определяться с помощью отдельного модуля распознавания состояния ученика на основе нейронной сети;
должна быть реализована возможность обучения системы;
система должна давать пользователю советы по ведению учебного процесса в текущей обстановке, в зависимости от текущего состояния учебного процесса.
92
