REAL

Aszfalt felületi hőmérsékletének meghatározása időjárási adatok alapján = Determining the Surface Temperature of Asphalt based on Weather Data

Koch, Domonkos (2026) Aszfalt felületi hőmérsékletének meghatározása időjárási adatok alapján = Determining the Surface Temperature of Asphalt based on Weather Data. KÖZLEKEDÉSTUDOMÁNYI SZEMLE, 76 (5). pp. 15-27. ISSN 0023-4362

[img]
Preview
Text
Final_Koch_D.pdf - Published Version
Available under License Creative Commons Attribution Non-commercial No Derivatives.

Download (575kB) | Preview

Abstract

A burkolat hőmérséklete kulcsfontosságú az útépítésben, mind a pályaszerkezet méretezése, mind az útüzemeltetés területén. A burkolat felszínének hőmérsékletéből meghatározható a mélységi hőmérséklet, ami a méretezésben,valamint a behajlásméréseknél fontos paraméter. A felszíni hőmérséklet az üzemeltető mérnökségek számára kiemelt jelentőséggel bír a téli üzem során, mivel indikátorként használják a megelőző síkosságmentesítés megkezdéséhez.A magyar országos közúthálózaton mintegy 400 db meteorológiai állomás helyezkedik el, ami azt jelenti, hogy 80 km úthálózat hőmérsékleti állapotát jellemzi egyetlen mérőállomás. Ezek a mérőállomások az úthőmérséklet mellettszámos egyéb időjárási adatot is gyűjtenek, mint a levegő hőmérséklete, relatív páratartalom, szélsebesség stb. Jelen cikk időjárási adatokon alapuló regressziós modelleket vizsgál a felületi hőmérséklet előrejelzésére. A magyarországimeteorológiai állomások adatait használva 24 különböző modellt tanítottam be. A legjobb (Matérn 5/2 GPR) modell 10 perces gyakoriságú adatok segítségével RMSE = 2,33 °C pontosságot ért el, míg az órás inputok alkalmazásávala modell pontossága RMSE = 2,24 °C-ra javult, ami a statisztikai zaj csökkentésével magyarázható. A nappali és éjszakai adatsor szétválasztásával optimalizált modell nem javított a pontosságon, viszont a számítást minimálisanbonyolította, így a végső modell a 24 órás összesített adatokon tanult. A cikk alátámasztja, hogy négy időjárási input (levegőhőmérséklet, napsugárzás, annak változása, vízfilmvastagság) elegendő ennek eléréséhez. Az egyébidőjárást jellemző paraméterek, mint a relatív páratartalom, szélsebesség, csapadékintenzitás nem javították a modell pontosságát. Az egyszerűbb modellek (pl. lineáris regressziós modell, RMSE = 2,88 °C) is hasonló globálispontosságot mutattak, azonban szélsőséges hőmérsékletek esetén az átlagos hibájuk jelentősen megnőtt, 40 °C felett RMSE > 4,5 °C értéket vett fel. Ezért a komplexebb modell alkalmazása mérnöki szempontból javasolt a nagyobbszámítási igénye mellett is. A bemutatott regressziós modell segítségével három mért és egy számított időjárási adat alapján meghatározható a burkolat felszíni hőmérséklete. Ez az eszköz lehetőséget ad arra, hogy olyan helyszíneken isismert legyen a burkolat hőmérséklete, ahol nincs vagy attól távol helyezkedik el mérőállomás, esetleg burkolatfelújítás után nem került helyreállításra vagy egyéb okból üzemszünet áll fenn. Egy hosszú távú élettartam monitoring esetében ez fontos információ lehet, ennek hazai kidolgozásáig és alkalmazásáig a cikkben bemutatott modell hatékony segítséget nyújthat a téli üzemeltetés során a közutak kezelői számára, ami növeli a forgalombiztonságot. | Pavement temperature has a key importance in road construction, both in the design of the pavement structure and in road maintenance. The in-depth temperature can be determined from the pavement surface temperature, which is an important parameter in design and for deflection measurements. Surface temperature has particular importance to road maintenance engineers during winter operations, as it serves as an indicator for when to begin preventive de-icing. There are approximately 400 weather stations located along the Hungarian national highway network, meaning that a single measuring station characterizes the temperature conditions of 80 km of the road network. In addition to road surface temperature, these stations also collect a variety of other weather data, such as air temperature, relative humidity, wind speed, etc. This article examines regression models based on weather data for predicting surface temperature. Using data from meteorological stations in Hungary, I trained 24 different models. The best model (Matern 5/2 GPR) achieved an accuracy of RMSE = 2.33 °C using data at 10-minute intervals, while using hourly inputs improved the model’s accuracy to RMSE = 2.24 °C, which can be explained by a reduction in statistical noise. The model optimized by separating the daytime and nighttime data sets did not improve accuracy but did slightly complicate the calculations; therefore, the final model was trained on the aggregated 24-hour data. The article confirms that four meteorological inputs (air temperature, solar radiation, its variation, and water film thickness) are sufficient to achieve this. Other meteorological parameters, such as relative humidity, wind speed, and precipitation intensity, did not improve the model’s accuracy. Simpler models (e.g., a linear regression model, RMSE = 2.88 °C) also showed similar overall accuracy; however, their average error increased significantly under extreme temperatures, reaching an RMSE > 4.5 °C above 40 °C. Therefore, from an engineering perspective, the use of the more complex model is recommended, despite its higher computational demands. Using the presented regression model, the surface temperature of the pavement can be determined based on three measured and one calculated weather data point. This tool makes it possible to determine the pavement temperature even at locations where there is no weather station or where it is located far away, or where the station has not been restored after pavement rehabilitation, or where it is otherwise out of service. In the context of long-term monitoring, this can be important information; until a domestic solution is developed and implemented, the model presented in this article can provide effective assistance to public road operators during winter operations, thereby enhancing traffic safety.

Item Type: Article
Uncontrolled Keywords: aszfalthőmérséklet, gépi tanulás, regressziós modellek, hőmérséklet-előrejelzés, időjárási adatok, pavement temperature, machine learning, regression models, temperature forecasting, weather data
Subjects: T Technology / alkalmazott, műszaki tudományok > TE Highway engineering. Roads and pavements / közlekedésmérnöki, útépítési technika
SWORD Depositor: MTMT SWORD
Depositing User: MTMT SWORD
Date Deposited: 06 Nov 2026 09:48
Last Modified: 06 Nov 2026 09:48
URI: https://real.mtak.hu/id/eprint/249728

Actions (login required)

View Item View Item