La red viaria de un país es fundamental para impulsar el desarrollo económico y social, ya que permite el movimiento eficiente de personas y mercancías a lo largo de grandes distancias. Por ello, garantizar una red de carreteras segura y eficiente es de vital importancia, y para ello resultan clave unas estrategias de mantenimiento vial eficaces.
En un artículo anterior de NIRA (Pettinari, 2024) se analizó el uso de los datos de rugosidad de NIRA en el mantenimiento vial correctivo y preventivo. En este artículo se explorará el uso de los datos de NIRA Dynamics en el desarrollo de índices de condición del pavimento.
-
Índices de condición del pavimento
Los índices de condición del pavimento suelen derivarse de datos detallados sobre el estado del pavimento y, por lo general, se presentan de las siguientes formas:
-
Puntuaciones de condición, normalmente expresadas en una escala de 0 a 100. Se utilizan habitualmente para la identificación de tramos y la priorización de las tareas de mantenimiento.
-
Categorías de condición, normalmente derivadas de las puntuaciones de condición y expresadas en una escala de 1 a 5 o mediante un sistema de colores (rojo, ámbar y verde). Se emplean habitualmente para la monitorización a nivel de red, la elaboración de informes nacionales, la identificación de tramos a alto nivel y la priorización del mantenimiento.
Esto se ilustra en la Figura 1, que muestra la evolución de los datos sobre el estado de la superficie de la carretera (rugosidad, fricción, etc.) hasta la obtención de puntuaciones de condición y su posterior categorización.
Existen diversos índices de condición del pavimento, por ejemplo:
-
el Road Condition Index (RCI), utilizado habitualmente en el Reino Unido;
-
el Pavement Condition Index (PCI), utilizado en Estados Unidos;
-
el International Roughness Index (IRI), utilizado en gran parte del sur global y en Estados Unidos.
La recopilación de los datos empleados para la obtención de los índices de condición de las carreteras suele ser prescriptiva y estandarizada, y se basa en el uso de equipos específicos o en inspecciones manuales realizadas por ingenieros. En el caso del PCI y del RCI, se aplica un conjunto estricto de reglas a los datos del estado de la carretera para derivar la correspondiente puntuación PCI o RCI.
En los últimos años, los avances tecnológicos —impulsados en gran medida por la industria de la automoción— han revolucionado la monitorización del estado de las carreteras mediante el uso de datos de vehículos conectados obtenidos de forma colaborativa, y NIRA Dynamics se sitúa a la vanguardia de esta revolución.
2. Uso de datos de vehículos conectados para derivar índices de condición del pavimentoLos vehículos modernos están equipados con una amplia gama de sensores que monitorizan muchos aspectos del vehículo, como ubicación (GPS), velocidades de las ruedas, aceleración, entradas de control, entre otros. NIRA Dynamics trabaja estrechamente con la industria automotriz para recopilar, procesar y analizar estos datos y generar información útil para la gestión vial.
NIRA ha desarrollado dos índices de condición del pavimento —NPCC y NPCI— que se detallan en las siguientes secciones. Para generarlos, se utilizan tres fuentes principales de datos:
- Rugosidad: Los datos de rugosidad de NIRA son representativos del IRI. Se recopilan continuamente, lo que permite analizar valores diarios y tendencias a largo plazo (ver Pettinari, 2024).
- Fricción: Proporcionada por el Tire Grip Indicator (TGI), un software instalado por el fabricante del vehículo que calcula la fricción disponible en tiempo real.
- Baches: Los datos de irregularidades viales de NIRA proporcionan la ubicación, magnitud y tasa de desarrollo de los baches mediante el análisis de la velocidad de las ruedas y datos de acelerómetros.
Los índices se generan mediante modelos estadísticos avanzados que describen la condición actual del pavimento y su evolución en el tiempo. Los datos instantáneos de rugosidad y fricción describen la condición superficial, mientras que las tendencias de rugosidad aportan información sobre la condición estructural. Los datos de baches ayudan a identificar posibles problemas estructurales adicionales.
3. La Categoría de Condición del Pavimento de NIRA (NPCC)
El Department for Transport (DfT) del Reino Unido, junto con el Transport Research Laboratory (TRL), desarrolló un borrador de norma (PAS 2161) (British Standards Institute, 2024) que moderniza la recopilación y el reporte nacional del estado de las carreteras locales inglesas. Esta norma introduce una nueva técnica de categorización de condición vial que abandona las reglas estrictas y se orienta hacia un enfoque basado en desempeño, con criterios exigentes.
Como parte del desarrollo del PAS 2161, TRL realizó un estudio exploratorio para identificar los desafíos técnicos en la recolección de datos. El informe (Wright & Brittain, 2024) puede descargarse en:
(https://trl.co.uk/publications/road-condition-monitoring-data---network-study). NIRA Dynamics participó como el “participante H”, contribuyendo con algunos de los datos de mejor desempeño.
Para apoyar el estudio, NIRA desarrolló el NPCC mediante técnicas analíticas avanzadas y conocimiento experto. Los datos NPCC se compararon con Categorías de Condición del Pavimento (PCC) generadas por consenso de ingenieros. TRL evaluó el nivel de concordancia entre ambos resultados.
Los resultados se presentan en la Figura 2. Entre varias tecnologías evaluadas, los resultados de NIRA están resaltados en el recuadro púrpura. Las columnas ‘Precision 0’ y ‘Precision 1’ muestran, respectivamente, el porcentaje de secciones de 100 m donde NPCC y PCC fueron idénticas, o coincidieron dentro de una categoría.
Los resultados fueron altamente prometedores, demostrando la solidez del PAS 2161 y el valor de los datos de vehículos conectados para generar métricas confiables del estado vial.
4. El Índice de Condición del Pavimento de NIRA (NPCI)Tras el éxito del NPCC, el NPCI se desarrolló utilizando las mismas técnicas avanzadas de recopilación y análisis de datos. Las características del modelo utilizadas para generar los NPCC se perfeccionaron aún más, y el modelo se ajustó para que los resultados reflejaran las puntuaciones del Pavement Condition Index (PCI) utilizadas en los Estados Unidos. Posteriormente, las puntuaciones del NPCI se categorizaron en categorías NPCI utilizando las mismas demarcaciones aplicadas a las puntuaciones PCI.
Para evaluar el rendimiento del NPCI, se recopilaron datos PCI de acceso público correspondientes a una gran ciudad de los Estados Unidos. Una parte de estos datos se utilizó para el desarrollo del NPCI, y otra parte se reservó para la verificación del modelo.
Los resultados de la verificación del NPCI se presentan a continuación. Se desarrollaron dos métricas de exactitud para caracterizar qué tan estrechamente coincidían las categorías NPCI con las categorías PCI. Accuracy 0 corresponde al porcentaje de categorías NPCI idénticas a las categorías PCI de referencia, y Accuracy 1 corresponde al porcentaje de categorías NPCI que estaban dentro de una categoría respecto a la referencia PCI. Los valores obtenidos fueron 62,2 % y 93,5 % respectivamente, lo cual es similar a los resultados obtenidos para el NPCC (Wright & Brittain, 2024).
La segunda parte de la verificación consistió en identificar el nivel de correlación entre las puntuaciones NPCI y las puntuaciones PCI (Figura 3). El valor de R² fue 0,75, lo que muestra que los datos procedentes de vehículos conectados pueden explicar alrededor del 75 % de la variación en las puntuaciones PCI.
La variación restante en las puntuaciones PCI de referencia podría explicarse por lo siguiente:
- El NPCI utiliza tanto datos instantáneos (las mediciones de rugosidad más recientes) como tendencias de rugosidad a largo plazo para determinar la condición del pavimento. Las tendencias de rugosidad a largo plazo suelen ser representativas de la condición estructural del pavimento, mientras que los datos instantáneos tienden a reflejar la condición superficial. Por lo tanto, es posible que el NPCI haya identificado ubicaciones con mala condición estructural, algo que generalmente no se considera en las puntuaciones PCI de referencia.
- Las puntuaciones PCI de referencia representan la condición del pavimento de un segmento completo entre intersecciones. En carreteras principales, estos segmentos pueden ser muy largos y contener distintas condiciones a lo largo de su recorrido. Un análisis más detallado de los datos PCI permitiría una evaluación más precisa de la condición real del pavimento.
5. Aplicaciones
El NPCC y el NPCI demuestran el poder de los datos de vehículos conectados para derivar índices de condición del pavimento. Los datos de referencia utilizados para cada índice fueron muy distintos: el NPCC se basó en decisiones directas de ingenieros, mientras que el NPCI usó un método altamente prescriptivo.
Los datos de NIRA pudieron replicar con precisión índices generados bajo ambos paradigmas, lo que permite que se desarrollen índices compatibles con cualquier otro índice de condición vial existente.
La combinación de los conocimientos detallados sobre estado vial de NIRA (Pettinari, 2024) y sus índices de condición permite a los administradores viales obtener el máximo valor de datos de vehículos conectados, de alta resolución, continuos y rentables.
6. ReferenciasBritish Standards Institute. (2024). PAS 2161:2024 Road condition monitoring (RCM) data – Specification. London: British Standards Institute.
Pettiniri , M. (2024). Corrective and Preventive Maintenance using NIRA Roughness Data. Linköping: NIRA Dynamics AB.
Wright, A., & Brittain, S. (2024). PPR2042 Road condition monitoring data: Network Study. Wokingham: TRL.
Leer artículos anteriores:
https://www.niradynamics.com/latest/corrective-preventive-maintenance-using-nira-roughness-data
https://www.niradynamics.com/latest/friction-the-critical-factor-in-optimizing-road-maintenance
https://www.niradynamics.com/latest/unlocking-high-frequency-time-domain-in-roughness-measurements
