Pludselig undviger du huller efter al denne regn? Her er hvordan droner kunne hjælpe med reparationer

Når det regner, øser det. Og når det hælder – som det har gjort i år – får vi huller. Mens mindre huller er en ulempe, kan større huller ødelægge bilhjul og forårsage ulykker, som snesevis af bilister opdagede i sidste uge på Hume Freeway.

Tre meget regnfulde år langs Australiens østkyst betyder, at hullerne vokser i antal. I det sydøstlige Queensland ventede tusindvis af kilometer af hullede veje på reparationer måneder efter oversvømmelser i regionen. I det indre af New South Wales har vejpersonale repareret mere end 135.000 huller siden februar.

Huller kan endda medvirke til næste måneds victorianske valg. Labour har lovet omgående reparationer, mens de liberale har lovet 1 milliard A$ om året over ti år til vedligeholdelse af veje.

Ikke sikker på, hvad der er mere farligt. Storm jager eller kører langs Sturt Hwy øst for Hay, NSW. Der er så mange "huller", der kan betragtes som dødelige langs denne vej. @TransportforNSW pic.twitter.com/lLWdhm9Hha

— Daniel Shaw (@DanielShawAU) 13. oktober 2022

Reparationer af huller har en tendens til at ske længe efter, at skaden først opstod. Dette gælder især i landdistrikter, hvor kommuner skal opretholde store vejnet på et meget begrænset budget. Det voksende problem har allerede tvunget nogle råd til at skære ned i programmer for anlægsarbejder for at støtte deres veje. Det er her, vores nye forskning kan hjælpe.

Ved at bruge droner eller kameraer på biler kan vi fange tilstanden af ​​et områdes veje for at bygge en digital model. Vi kan derefter køre et maskinlæringsprogram på det for præcist at forudsige, hvilke huller der sandsynligvis vil udvide sig til et hjulødelæggende hul.

Dette kan føre til sikrere veje og spare skatteydere og bilister for alvorlige pengebeløb. Cost-benefit-analyse tyder på, at det kan reducere overvågningsomkostningerne med omkring 40 %.

Hvorfor er der huller i nyhederne lige nu?

Huller skaber nyheder, fordi de pludselig er overalt. Mens vi udholder vores tredje år med La Nina, har vi haft hidtil uset regn og oversvømmelser i mange dele af Australien.

Der dannes typisk et hul i vejen, når regnen lander på asfalten og flyder til lavere punkter på vejen. Køretøjsdæk tvinger vandet dybt ind i små revner og sprækker. Med tiden bryder dette tryk små stykker af asfalten af. Et lille hul kan hurtigt blive bredere og dybere, efterhånden som mere trafik går over det.

Huller kan dannes på andre måder, såsom når vand infiltrerer bunden af ​​vejen og skaber hulrum under asfalten. Efter nok biler er kørt over stedet, knækker asfalten.

Normalt finder vejmyndighederne ud af huller gennem klager fra offentligheden, eller når arbejdere kører rundt og leder efter dem. Huller behandles også ved periodisk ombelægning.

Men lige nu har mange kommuner svært ved at holde trit med alle de huller, der skal repareres.

Hvis der går nok tid, kan et lille hul i vejen blive et kæmpe og dyrt problem. Som følge heraf er meget reparation af huller i praksis reaktiv - og en hovedpine for råd.

Hvorfor ville en digital model af vores veje hjælpe?

Digital tvillingteknologi bliver stadig mere populær som en måde at overvåge alt fra forsyningskæder til lejligheder til varehuse. Målet er normalt at spare penge.

Når du først har bygget en detaljeret digital model af aktiver fra den virkelige verden, kan du køre modellen fremad i tid for at se, hvor stresspunkterne er – og hvor du skal gribe ind tidligt. Når modellen er bygget, skal du opdatere den en eller to gange om året.

Lad os sige, at du har et netværk af landeveje i outback Queensland. Du sender droner op, som tager tusindvis af billeder i høj opløsning af vejbanerne. Så syr du disse billeder sammen for at lave en 3D-model. Når du har det, kan du træne et maskinlæringsprogram på disse billeder for at få øje på afslørende problemer.

Hvordan laver du modellen? I min forskning brugte jeg to droner til at skabe en 3D-model af 250 meter af Turner Street i Port Melbourne, som ofte er beskadiget på grund af et stort antal lastbiler. Den bedste metode til at få kvalitetsbilleder viste sig at være manuel i stedet for at stole på dronens automatiske systemer. Da jeg havde fået nok billeder, konverterede jeg dem til en digital tvilling og trænede et maskinlæringsværktøj til at markere huller, der er værd at reparere.

Ikke alle huller er skabt lige. Nogle vil forblive den samme størrelse i årevis, mens usædvanligt dybe eller brede huller hurtigt forværres. Når først programmet er lært, hvad det skal kigge efter, kan det finde de værste lovovertrædere og markere dem for hurtig reparation

En vejarbejder med 20 år på bagen vil normalt have en fornemmelse for, hvilke huller der bliver værre. Vores forskning fanger den viden og gør den til et bredt tilgængeligt værktøj.

Så hvor præcis var AI i at lære at markere huller, der sandsynligvis ville blive forringet? Omkring 85 % nøjagtigt, hvilket er acceptabelt.

I min cost-benefit-analyse fandt jeg ud af, at denne metode ville være omkring 40 % billigere end den traditionelle metode, hvor en person kører, og en anden tager noter. Det ville kræve lignende investering af tid, men jobbet kan udføres af én person i stedet for to. Hvad er ulemperne? Den største for kommunalbestyrelser vil sandsynligvis være at gemme de store mængder data, der genereres, samtidig med at det sikres, at det er både sikkert og tilgængeligt.

Når folk hører sætninger som droner, maskinlæring og digitale tvillinger, kan de mentalt arkivere det under "interessant, men for meget arbejde". Det er en stor skam. Det er meget nemmere at bruge disse værktøjer nu, end det plejede at være - og industrier fra lægevidenskab til bilfremstilling tager dem op.

Årets oversvømmelser og voldsomme regnskyl giver kommuner og andre vejmyndigheder en glimrende mulighed for at se på, hvad der nu er muligt.