La rete stradale nazionale è un’infrastruttura fondamentale per promuovere lo sviluppo economico e sociale, consentendo il movimento efficiente di merci e persone su lunghe distanze. Garantire una rete sicura ed efficiente è quindi di importanza primaria, e strategie efficaci di manutenzione stradale sono un elemento chiave in questo processo.
Nel precedente articolo di NIRA (Pettinari, 2024) è stato esplorato l’utilizzo dei dati di rugosità per la manutenzione correttiva e preventiva. In questo articolo approfondiremo invece l’uso dei dati di NIRA Dynamics nello sviluppo degli indici di condizione delle pavimentazioni.
1. Indici di condizione delle pavimentazioni
Gli indici di condizione delle pavimentazioni derivano da dati dettagliati sul loro stato e sono generalmente forniti come:
- punteggi di condizione, tipicamente su una scala da 0 a 100, usati per identificare i siti e per definire le priorità di manutenzione.
- categorie di condizione, derivate dai punteggi e spesso espresse su scale 1–5 o con codici colore (rosso, ambra, verde). Queste sono comunemente utilizzate per il monitoraggio a livello di rete, la rendicontazione nazionale, l’identificazione ad alto livello dei siti e la definizione delle priorità.
La Figura 1 illustra la progressione dai dati grezzi (rugosità, frizione, ecc.) ai punteggi di condizione e alle categorie di condizione.
Diverse tipologie di indici sono largamente utilizzate, ad esempio:
• Il Road Condition Index (RCI) nel Regno Unito
• Il Pavement Condition Index (PCI) negli Stati Uniti
• L’International Roughness Index (IRI) in numerose regioni del Sud globale e negli USA
La raccolta dei dati per derivare questi indici è solitamente prescrittiva, standardizzata e si basa su attrezzature dedicate o su ispezioni manuali. Nel caso del PCI e del RCI, una serie rigorosa di regole viene applicata per convertire i dati in punteggi.
Negli ultimi anni, i progressi tecnologici — trainati in gran parte dal settore automotive — hanno rivoluzionato il monitoraggio delle condizioni stradali grazie ai dati crowd-sourced dai veicoli connessi. NIRA Dynamics è tra i protagonisti assoluti di questo cambiamento.
2. Utilizzare i dati dei veicoli connessi per derivare indici di condizione
I veicoli moderni sono equipaggiati con un’ampia gamma di sensori che monitorano posizione (GPS), velocità ruote, accelerazioni, input di controllo e molto altro. NIRA Dynamics collabora strettamente con l’industria automobilistica per raccogliere, processare, analizzare ed estrarre insight da questi dati per supportare la gestione stradale.
NIRA ha sviluppato due indici: NPCC e NPCI, descritti nelle sezioni seguenti. La loro generazione si basa principalmente su tre fonti:
- Rugosità: i dati di rugosità di NIRA rappresentano l’IRI. Vengono raccolti continuamente e permettono di analizzare valori giornalieri e tendenze a lungo termine (Pettinari, 2024).
- Frizione: i dati di frizione provengono dal Tire Grip Indicator (TGI), un software proprietario installato dal costruttore. Il TGI elabora i segnali dei sensori in tempo reale per determinare la frizione massima disponibile durante anche leggere manovre.
- Buche e irregolarità: i dati sulle irregolarità forniscono posizione, entità e tasso di sviluppo delle buche valutando velocità ruota e dati dell’accelerometro.
Gli indici vengono generati attraverso modelli statistici avanzati che descrivono sia lo stato corrente della strada sia la sua evoluzione temporale. Rugosità e frizione istantanee descrivono la condizione superficiale, mentre le tendenze della rugosità descrivono la condizione strutturale. I dati sulle buche aggiungono ulteriori indicatori di possibili problemi strutturali.
3. Il NPCC (NIRA Pavement Condition Category)
Il Department for Transport (DfT) inglese, insieme al Transport Research Laboratory (TRL), ha sviluppato una bozza di standard (PAS 2161) che modernizza la raccolta e la rendicontazione dei dati sulle condizioni stradali per la rete locale inglese. Questo standard introduce una nuova tecnica di categorizzazione che abbandona approcci prescrittivi per adottare un metodo basato sulle prestazioni, con criteri rigorosi.
Come parte dello sviluppo del PAS 2161, TRL ha condotto uno studio esplorativo per valutare le tecnologie disponibili. Il rapporto (Wright & Brittain, 2024) può essere scaricato da (https://trl.co.uk/publications/road-condition-monitoring-data---network-study). NIRA Dynamics ha partecipato come “partecipante H”.
Per contribuire allo studio, NIRA ha sviluppato il NPCC, applicando analisi avanzate e competenze ingegneristiche a un ampio set di dati sulle pavimentazioni. I dati NPCC sono stati forniti a TRL per un percorso prestabilito e confrontati con categorie definite da un panel di ingegneri stradali. L’accordo tra NPCC e PCC (Pavement Condition Categories) è stato valutato mediante diversi metriche.
La Figura 2 presenta i risultati dello studio. Le colonne “Precision 0” e “Precision 1” indicano la percentuale delle sezioni di 100 m in cui NPCC e PCC erano identici (Precision 0) o entro una categoria (Precision 1). I risultati di NIRA — evidenziati in viola — mostrano prestazioni eccellenti.
I risultati dello studio sono stati estremamente promettenti e hanno fornito indicazioni molto positive sulla solidità e la validità della PAS 2161. I risultati dimostrano inoltre la capacità dei dati provenienti da veicoli connessi e delle analisi avanzate di fornire metriche robuste sulle condizioni stradali.
4. Il NPCI (NIRA Pavement Condition Index)
A seguito del successo dell’NPCC, l’NPCI è stato sviluppato utilizzando le stesse tecniche avanzate di raccolta e analisi dei dati. Le variabili di modello impiegate per generare gli NPCC sono state ulteriormente sviluppate e il modello è stato calibrato affinché i risultati riflettessero gli indici Pavement Condition Index (PCI) utilizzati negli Stati Uniti. I valori NPCI sono stati poi suddivisi in categorie NPCI utilizzando le stesse soglie di classificazione applicate ai punteggi PCI.
Per valutare le prestazioni dell’NPCI, sono stati raccolti dati PCI disponibili pubblicamente relativi a una grande città statunitense. Una parte di questi dati è stata utilizzata nello sviluppo dell’NPCI, mentre un’altra parte è stata mantenuta separata per la fase di verifica dell’NPCI.
I risultati della verifica dell’NPCI sono riportati di seguito. Sono stati sviluppati due indicatori di accuratezza per valutare quanto le categorie NPCI corrispondessero alle categorie PCI di riferimento. Accuracy 0 rappresenta la percentuale di categorie NPCI identiche alle categorie PCI di riferimento, mentre Accuracy 1 rappresenta la percentuale di categorie NPCI che si collocavano entro una categoria rispetto alle categorie PCI di riferimento. I valori ottenuti sono stati rispettivamente 62,2% e 93,5%, risultati in linea con quelli ottenuti per l’NPCC (Wright & Brittain, 2024).
Il secondo elemento di verifica è stato identificare il livello di correlazione tra i punteggi NPCI e i punteggi PCI (Figura 3). L’R² della correlazione è risultato pari a 0,75, indicando che i dati provenienti da veicoli connessi sono in grado di spiegare circa il 75% della variabilità dei punteggi PCI. La variabilità residua dei punteggi PCI di riferimento può essere spiegata dai seguenti fattori:
-
L’NPCI utilizza sia dati di tipo “snapshot” (le misurazioni più recenti della regolarità) sia le tendenze di lungo periodo della regolarità per determinare la condizione della pavimentazione. Le tendenze di lungo periodo risultano generalmente rappresentative della condizione strutturale della pavimentazione, mentre i dati snapshot tendono a riflettere la condizione superficiale. È quindi possibile che l’NPCI abbia identificato tratti con una condizione strutturale scadente, elemento che solitamente non viene considerato nei punteggi PCI di riferimento.
-
I punteggi PCI di riferimento rappresentano la condizione dell’intero tratto di pavimentazione compreso tra due intersezioni. Per le strade principali, questi tratti possono essere molto lunghi e includere condizioni della pavimentazione estremamente variabili lungo il loro sviluppo. Un’analisi più dettagliata dei dati PCI consentirebbe una valutazione più accurata dello stato della pavimentazione.
5. Applicazioni
NPCC e NPCI dimostrano la forza dei dati dei veicoli connessi nella generazione di indici di condizione delle pavimentazioni. I dati di riferimento per NPCC e NPCI provenivano da paradigmi molto diversi — giudizio diretto degli ingegneri vs. metodologie prescrittive — ma i dati NIRA sono riusciti a replicare entrambi con notevole accuratezza.
Ciò significa che gli indici possono essere sviluppati per riflettere qualsiasi altro indice tradizionale.
La combinazione tra le dettagliate informazioni di NIRA (Pettinari, 2024) e gli indici NPCC/NPCI permette ai gestori stradali di estrarre il massimo valore da dati ad alta risoluzione, economicamente vantaggiosi e raccolti in modo continuo dai veicoli connessi.
6. Riferimenti
British 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.
Leggi gli articoli precedenti:
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
