Técnicas de aprendizaje automático para la predicción de intervenciones de mantenimiento en infraestructuras lineales de carretera

TÉCNICAS DE APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE INTERVENCIONES DE MANTENIMIENTO EN INFRAESTRUCTURAS LINEALES DE CARRETERA Francisco José Morales Sánchez Ingeniería e infraestructura de los Transportes, Universidad de Sevilla, España. Antonio Reyes Gutiérrez Ingeniería e infraestructura de los Transportes, Universidad de Sevilla, España. Noelia Caceres Sánchez Ingeniería e infraestructura de los Transportes, Universidad de Sevilla, España. Luis Miguel Romero Pérez Ingeniería e infraestructura de los Transportes, Universidad de Sevilla, España. Francisco García Benítez Ingeniería e infraestructura de los Transportes, Universidad de Sevilla, España. RESUMEN Las técnicas de mantenimiento predictivo persiguen disminuir la aparición de fallos imprevistos, y la ejecución de las intervenciones correctivas necesarias que deben llevarse a cabo con anterioridad a la aparición de los fallos. Esta comunicación presenta una metodología, que permite automatizar la predicción de alertas de mantenimiento en infraestructuras lineales de transporte, aplicada al caso de una red de carreteras. Combina información cuantitativa del estado del activo junto con datos de las intervenciones de mantenimiento operativos e históricos, haciendo uso de técnicas de analítica de datos y modelos de aprendizaje automático. Una vez los modelos se encuentran entrenados, se infiere el estado del activo en el escenario futuro de interés, y las tareas de mantenimiento necesarias para evitar una degradación posterior o desajustes de las condiciones de seguridad y/o confortabilidad. La metodología genera una lista priorizada correspondiente a las alertas generadas por todos los activos de la infraestructura monitorizada. La parte científica de esta comunicación presenta: i) el análisis de la información mínima necesaria para obtener predicciones de alertas, y de las intervenciones de mantenimiento más probables asociadas a ellas en redes de carreteras; ii) el diagrama de flujo esquemático del conjunto de herramientas desarrollado para predecir alertas de mantenimiento; iii) el procedimiento metodológico utilizado, para activar alertas y predecir las intervenciones más probables, necesario para resolver estas alertas; iv) la metodología para determinar la fiabilidad y el nivel de severidad de alertas frente a falsos positivos y negativos. 732 INFRAESTRUCTURAS La parte empírica del artículo recoge la descripción y resultados de un caso piloto de red de carreteras. Finalmente, se extraen conclusiones sobre el enfoque del procedimiento propuesto y la capacidad predictiva alcanzada. 1. INTRODUCCIÓN El mantenimiento predictivo de las infraestructuras de transporte lineales ha despertado un interés considerable en las dos últimas décadas. La importancia de impulsar el desarrollo de herramientas de predicción fiables, a fin de maximizar la disponibilidad de las redes de carreteras y ferrocarriles, y optimizar los recursos dedicados a mantenerlas en servicio, es de suma importancia socioeconómica. Actualmente, desde la faceta gerencial, varios códigos profesionales de administración de activos lineales (e.g. Bentley Exor, Bentley Optram, HDM-4, INFOR EAM, PAVER, PMS Core) incluyen aplicaciones que brindan algún tipo de capacidades predictivas sobre alertas y operaciones de mantenimiento, que facilitan ciertos niveles de predicción; aunque se echa en falta mayores esfuerzos y avances hasta su completa automatización y universalización. En el ámbito del desarrollo de las técnicas de predicción del estado de activos, se produjo un gran salto en los años 1940-60 con la introducción del concepto de fiabilidad y el uso de técnicas estadísticas y de optimización (Dekker, 1996), que dio lugar al cuerpo de conocimiento del Mantenimiento Centrado en la Fiabilidad (Moubray, 1998), una de las herramientas más utilizadas en la actualidad. Un segundo salto hacia delante aparece, en la década de los años 80, con la analítica de datos computacional, que permite inferir modelos de estimación de la evolución del estado de activos y componentes (e.g. inteligencia artificial, sistemas expertos). Esto da lugar a la estructuración en un novedoso corpus científico (e.g. aprendizaje automático: ML) entre los años 1980 y 2000 y su más reciente popularización (e.g. minería de datos) ha suscitado un gran interés por predecir el estado de las infraestructuras lineales de transporte con el fin de establecer programas de planificación de las intervenciones y tareas de mantenimiento, de acuerdo con los recursos disponibles y el mínimo impacto en el funcionamiento de la infraestructura. La detección de alertas de mantenimiento se basa, por lo general, en la inspección del estado de los activos mediante la visualización/auscultación/medición de las características explicativas del activo involucrado. La evolución de estas características, estimadas de manera cuantitativa o cualitativa, utilizando técnicas de proyección (e.g. regresión) o cualitativas (e.g. experiencia), y la verificación cruzada con umbrales y límites (definidos por estándares técnicos prescritos por la administración/regulador de la infraestructura correspondiente), ha sido la principal herramienta para prever los posible fallos o deficiencias en el funcionamiento de los activos. R-EVOLUCIONANDO EL TRANSPORTE 733 Estos umbrales se basan en el conocimiento acumulado adquirido durante un período prolongado de tiempo, en relación con la adecuación del estado de los activos analizados, y responden a una envolvente conservadora que garantiza la seguridad, integridad y correcto funcionamiento del activo como parte del sistema en el que se integra. Con el fin de mejorar la capacidad “predictiva” de este procedimiento, se han considerado nuevas y adicionales características explicativas, unitarias o combinadas, que se han ido progresivamente incorporando, durante el pasado, a la lista de índices a monitorizar y medir. Sin embargo, la gran diversidad de factores que afectan a un determinado activo, en relación con su estado, hace poco probable que se prevea el caso ideal en el que cualquier estado/condición pueda explicarse de manera integral utilizando un conjunto fijo de características medibles y, como consecuencia adicional, obtener una estimación fiable de la evolución de su integridad u operatividad. Esta falta de determinismo se solventa, parcialmente, con el conocimiento histórico recogido por el equipo de mantenimiento. Durante décadas, la construcción de modelos deterministas o probabilísticos basados en características explicativas apriorísticas (i.e. modelos empíricos-mecanicistas) ha sido la tendencia más acusada (e.g. Lytton, 1987; NCHRP, 2004; AASHTO, 2008; Mubaraki, 2010). En la actualidad, los desarrollos se han enfocado en sustituir esa forma de proceder por el modelado basado en datos, haciendo uso de técnicas de minería de datos y aprendizaje automático (e.g. Quinlan 1986; Schwartz 1993; TRB 1999; Dick et al.2003; Podofillini et al.2006; Iqbal 2010; Podder 2010; Witten et al.2011; Karlaftis et al.2015; Plati et al.2015), y apoyándose en la creciente disponibilidad de datos capturados de las actividades y campañas de auscultación/monitorizado. Estas técnicas inteligentes (i.e. automáticas y de minería) han promovido el concepto de aprender de los datos, facilitando la extracción de patrones y tendencias al “dejar que los datos hablen por sí mismos”. El uso de estas técnicas, complementadas con la información histórica contenida en el repositorio de órdenes de trabajo, permite una rápida mejora de las predicciones. En el ámbito de las infraestructuras de carreteras, desde la década de los 90s, la tendencia se ha enfocado en la predicción de la evolución del estado de determinados componentes usando técnicas ML y analítica de datos; tal es el caso de la predicción de los índices asociados al pavimento, (Attoh-Okine, 1994; Bosurgi & Trifiro, 2005; Gong et al., 2018), o al estado global de éste (Eldin & Senouci, 1995; Salini et al., 2015; Sollazzo at al., 2017). En relación con la estimación de las intervenciones de mantenimiento ha habido importantes avances (Hanna et al., 1993; Taha & Hanna, 1995; Alsugair & Al-Qudrah, 1998; Domitrovic et al., 2018; Roberts et al., 2021); referenciadas por diversas publicaciones sobre el estado del arte en esta temática (TRB, 1999; Flintsch & Chen, 2004; Ismail et al., 2009; Ceylan et al., 2014; Abambres & Ferreira; 2020; Karimzadeh & Shoghli, 2020). 734 INFRAESTRUCTURAS Esta comunicación presenta un enfoque metodológico para la estimación y activación de alertas asociadas a activos de infraestructuras lineales de carreteras relativas a intervenciones de mantenimiento, sean correctivas o predictivas. Su objetivo final es disponer de un sistema de información basado en un sistema experto que respalda y automatiza la gestión de la infraestructura desde la auscultación hasta el mantenimiento utilizando un enfoque modular. Se basa en: i) un sistema de gestión de los datos asociados a las variables explicativas de los activos implicados; ii) un conjunto de herramientas de analítica de datos (i.e. cuantificación del estado de los activos, gestión de alertas) y un sistema de apoyo a la toma de decisiones que recibe los resultados de estas herramientas y optimiza las intervenciones de mantenimiento. Esta comunicación presenta avances en el marco metodológico y analítico, y se avala con resultados obtenidos en un caso piloto (Infralert, 2016, 2017; Morales et al, 2017, 2018, 2020; Reyes, 2018). Las alertas estimadas se evalúan, de acuerdo con la información que brinda el sistema de toma de decisiones, en base a la evolución del estado de los activos de interés, reflejado por sus variables explicativas (e.g. características físicas endógenas, variables exógenas), y la base de datos de intervenciones históricas. Los resultados inferidos proporcionan las alertas etiquetadas con un determinado nivel de severidad y una clasificación de todas las alertas en una lista jerárquica de intervenciones junto con sus probabilidades de incidencia. El objetivo final es facilitar la gestión de todas las intervenciones activas y previstas, optimizando las operaciones de mantenimiento. 2. INFORMACION RELEVANTE PARA EL PROCESO DE PREDICCIÓN En el enfoque propuesto, las alertas se infieren correlacionando los valores estimados (proyectados) de las características explicativas (Xi1,…,Xin) del estado del activo (Ai), en un escenario futuro de interés para el mantenimiento, con la información almacenada en el repositorio histórico de mantenimiento (RHM). En este proceso están involucradas dos fuentes de datos principales diferentes: i) mediciones realizadas en la infraestructura en la que se incluyen los valores de las características relevantes; ii) datos de mantenimiento histórico que almacena, al menos: a) cada una de las intervenciones realizada (incluyendo información cronológica/tipológica); b) cuantificación/valoración de las variables de estado/explicativas previas a la intervención. Esto hace que la activación de alertas se base no solo en la comparativa de los valores estimados de las características explicativas con sus umbrales preestablecidos, sino también en el uso de la información no explícita oculta en estas fuentes de datos, lo que puede explicar la intervención necesaria realizada en casos pasados. Este repositorio también puede contener información registrada, con respecto a la evaluación subjetiva, del estado del activo inspeccionado por el equipo de mantenimiento previo a la intervención realizada (e.g. la evaluación subjetiva de cada característica explicativa individual del activo [SXi1,…, SXin], una característica explicativa combinada [CXi] y/o una valoración global del estado del activo [Gi]). R-EVOLUCIONANDO EL TRANSPORTE 735 Además, existen otras características (variables endógenas y exógenas) que afectan a la evolución del estado del activo. Éstas completan el conjunto de características explicativas a tener en cuenta en el enfoque de intervención predictiva (e.g. flujo de tráfico, categoría de la infraestructura). 3. PROCESO METODOLÓGICO El marco general propuesto se esboza en la Figura 1 donde se muestran diferentes módulos (que incorporan técnicas, metodologías, algoritmos y modelos) y sus interacciones, entradas y salidas. El enfoque tiene como objetivo estimar y priorizar las alertas de mantenimiento y predecir las intervenciones necesarias. En particular, se consideran dos tipos de alertas en la metodología propuesta: i) las desencadenadas por la desviación de los indicadores asociados a la calidad/estado de un activo establecido por la normativa vigente (e.g. europea, administración/gestor de la infraestructura), y ii) los índices cuantitativos que se infieren al correlacionar la información registrada de intervenciones históricas. El Módulo AM1 (Pre-alerts base on limits) se encarga de generar pre-alertas basadas en límites, desde el punto de vista de aquellas características que superan sus umbrales asociados, utilizando como datos de entrada los valores pronosticados de las características explicativas del activo. El objetivo de este módulo es comparar el valor de cada característica prevista con el umbral correspondiente (según los parámetros de diseño/calidad/seguridad) para cuantificar el estado del activo. Como resultados, se proporcionan las siguientes salidas: i) Pre-alertas (Warnings) que indican que una característica específica excede su umbral prescrito, y ii) niveles de severidad técnica (Technical Severity Level TSL) de las pre-alertas estimadas. El TSL es un valor objetivo que se utiliza para priorizar las pre-alertas (e.g. en función de un criterio de distancia entre el valor de las características y los umbrales). El módulo AM2 se encarga de predecir alertas basadas en órdenes de trabajo (WO), desde el punto de vista de requerir una acción de mantenimiento (Sí/No); también estima las operaciones de mantenimiento necesarias más probables. Para lograr esto, el módulo incorpora dos submódulos funcionales diferentes. El primero (AM21) está específicamente dedicado a activar alertas atendiendo a la necesidad de mantenimiento (Sí/No) y su correspondiente nivel de severidad técnica global (Global Technical Severity Level GTSL) cuantificada en términos de todas las características previstas consideradas en su conjunto. El GTSL se infiere en función de todos los TSL de las características explicativas correspondientes X = {X1, X2, … Xn}, previamente normalizadas (referidas a la misma escala) y ponderadas por valores preestablecidos αi a cada característica individual Xi (sujeto a restricciones de ponderación unitaria α1 + α2 +… + αn = 1). Aquí, las alertas son activadas por el estimador contenido en el primer bloque (Alert Estimator), que ha sido previamente entrenado con la información adecuada mediante un procesamiento de aprendizaje automático. El segundo submódulo (Maintenance interventions AM22) tiene como cometido la estimación de la tipología de intervenciones de mantenimiento más probables (ver Sección 3.2). 736 INFRAESTRUCTURAS 1 p n X X X   Figura 1. Marco metodológico 3.1 Proceso de aprendizaje y predicción de alertas La metodología de aprendizaje, representado en la Figura 2, consiste en una clasificación automática basado en variables binarias (1-0: Sí/No). Se ha considerado un conjunto de cuatro modelos de clasificación binaria automática (i.e. árbol de decisión DT, red neuronal artificial ANN, vecinos más próximos KNN-K, máquina de vector soporte SVM). De entre los cuatro modelos que se ensayan queda seleccionado el que proporciona las mejores capacidades predictivas. El submódulo AM21 también proporciona una salida opcional utilizando un segundo bloque (Subjective asset condition en la Figura 2), que "aprende" del conocimiento del RHM, con el propósito final de predecir una evaluación subjetiva del estado del activo (a partir del conjunto de características pronosticadas). Alert (Yes/No) Subjective asset condition GTSL N-Most probable maintenance interventions and their probability 1 p n ˆ X ˆ X ˆ X   Figura 2. Esquema del proceso de aprendizaje y predicción R-EVOLUCIONANDO EL TRANSPORTE 737 3.2 Proceso de predicción de tipo de intervenciones de mantenimiento El segundo submódulo (AM22), Figura 1, tiene como objetivo determinar el conjunto de las k-intervenciones de mantenimiento más probables que deben realizarse, así como sus correspondientes probabilidades de incidencia, mediante un procedimiento de aprendizaje basado en datos de la base histórica de intervenciones. Para estimar el tipo de intervención más probable, en un activo específico, de acuerdo con el conocimiento contenido en la base histórica, se debe iniciar un proceso correlacionando los valores estimados de las características explicativas relevantes ( ˆ X) y el estado subjetivo pronosticado ( ˆ ˆˆ SX,CX,G) proporcionado por el submódulo AM21; este proceso hace uso de muestras de activos similares reportadas en el repositorio histórico; las predicciones del tipo de intervención se basan en un esquema de aprendizaje automático no supervisado que utiliza técnicas de agrupamiento y k-vecinos. Como resultado, el módulo AM2 proporciona: i) alertas activadas que identifican aquellos activos donde se requiere mantenimiento; ii) nivel de severidad técnica global (GTSL) de esos activos; iii) K-intervenciones previstas más probables asociadas a cada activo y alerta activada; y iv) probabilidades de incidencia de las intervenciones más probables. 4. REGLAS DE AUTOAPRENDIZAJE AUTOMÁTICO Dado que el enfoque se basa en técnicas de aprendizaje automático, se encuentran definidas un conjunto de reglas de autoaprendizaje para mejorar las capacidades predictivas. Esta sección se centra en la metodología utilizada para discernir las predicciones de “falsos positivos” y “falsos negativos”, de acuerdo con las siguientes reglas: - Un falso positivo surge cuando una estimación (derivada de los modelos) indica que se ha alcanzado un estado determinado, cuando no es así. Este caso se considera como una "falsa alarma", valorándose como caso positivo erróneo. - Un falso negativo aparece cuando una estimación indica que no se ha detectado ninguna alerta (i.e. el estado previsto del activo es correcto), mientras que posteriormente tuvo que realizarse una intervención de mantenimiento correctivo; por lo que el pronóstico de fallos era erróneo. La Figura 3 esboza una descripción del modo de proceder que debe seguir el equipo de mantenimiento cuando se comunica una alerta activada; incluyendo la información necesaria a registrar en la base de datos. Esto puede tener una causa "correctiva" o "predictiva". El caso de intervención preventiva no se tiene en cuenta en este documento, ya que sigue un plan predefinido y con reglas específicas. De acuerdo con esto, todos los datos registrados tienen asociado un campo de marca cronológica para identificar el instante en que se tomó cualquier decisión/acción (cuando la alerta se considera como “no atendida”, “atendida” o “intervenida”). 738 INFRAESTRUCTURAS Los casos falsos pueden surgir cuando las estimaciones incorrectas se deben a: i) predicción incorrecta de una característica, ii) predicción incorrecta para solicitar mantenimiento (Sí/No), iii) predicción incorrecta del tipo de operación de mantenimiento requerido. En los siguientes párrafos se presenta una descripción gráfica de los casos. Figura 3. Diagrama de flujo del procedimiento de verificación y activación de alertas 4.1 Predicción incorrecta de una característica Se analizan por separado dos posibles casos, falso positivo y falso negativo: -i) Falso positivo. Tiene lugar cuando la alerta se activa por el valor esperado de una característica (individual, combinada, o multiplicidad de características), debido a la predicción incorrecta de los valores de las características. El procedimiento de alerta activada, puesto en marcha por el Equipo Gestor del Mantenimiento (EGM), finaliza con la evaluación de todos los activos implicados en la alerta y con el registro de información sobre el estado de dichos activos. La nueva información enriquecerá la base de datos (RHM) correspondiente al estado de los activos involucrados. El procedimiento de aprendizaje automático aprenderá de la información enriquecida de la base de datos, mejorando la tasa de éxito de acuerdo con la calidad de la información capturada en más ejecuciones de predicción. -ii) Falso negativo. Surge cuando el valor esperado de las características (única, combinada o multiplicidad de características) está por debajo del valor que tendrán y también cae por debajo del umbral TSL. En este caso, el procedimiento de activaciónde-alerta no se activa y no se predice ninguna alerta. Eventualmente, puede aparecer una advertencia correctiva y activarse el procedimiento de activación-de-alertas, que registrará la información identificada en la Figura 3. R-EVOLUCIONANDO EL TRANSPORTE 739 4.2 Predicción incorrecta de incidencia de mantenimiento Al igual que en el caso anterior, se analizan los casos de falso positivo y falso negativo: - i) Falso positivo. Esto ocurre cuando el submódulo AM21 predice la necesidad de mantenimiento y se activa una alerta. Este caso sigue un patrón similar al caso (i) de la sección 4.1. El procedimiento de ML se mejorará de acuerdo con el enriquecimiento de la base de datos. - ii) Falso negativo. Esto ocurre cuando el submódulo AM21 no detecta la necesidad de mantenimiento y no se activa ninguna alerta. Este caso sigue un patrón similar al caso (ii) de la sección 4.1. 4.3 Predicción incorrecta del tipo de mantenimiento En este caso, se supone que la solicitud de mantenimiento se estima correctamente como positiva, de lo contrario el procedimiento vuelve a la sección 4.2. Solo es posible la predicción general de "tipo falso de mantenimiento ": - Tipo falso. La alerta se ha activado debido a una solicitud de mantenimiento (submódulo AM21) y se proporciona un tipo de intervención de mantenimiento estimado. El EGM activa el procedimiento de Alerta-activada y el equipo de intervención de mantenimiento evalúa los activos implicados. El equipo detecta que el tipo de mantenimiento estimado no corresponde al tipo previsto, y que se ha realizado una predicción incorrecta del tipo de mantenimiento por parte del submódulo AM22. Se continúa el procedimiento de Alerta-activada, actuando de acuerdo con las acciones especificadas. La información capturada por este procedimiento (que refleja todos los presentados en la Figura 3) se registra en la base de datos RHM, lo que enriquece la información almacenada. Las estimaciones posteriores de los algoritmos ML se verán beneficiadas por la nueva base de datos enriquecida. 5. CASO PILOTO Para el caso piloto se ha elegido una subred de carreteras de la zona centro de Portugal, con una extensión de 620 km, gestionada por Infraestruturas de Portugal. La información disponible consta de dos bases de datos: 1) la primera corresponde a los resultados de diferentes campañas de medición en las que se obtienen características representativas del estado de la vía; 2) la segunda recopila las intervenciones históricas de mantenimiento realizadas en la red en las últimas cuatro décadas. Al correlacionar ambas bases de datos se infieren las entradas y los objetivos para los modelos de aprendizaje automático. Sin embargo, los datos registrados se han filtrado previamente para extraer la información relevante que utiliza el sistema antes de activar toda la metodología predictiva de mantenimiento. Con la información disponible para el caso piloto, los modelos se han implementado computacionalmente usando las técnicas de árboles de decisión (DT), k-vecinos más próximos (KNN), máquinas de vectores soporte (SVM) y redes neuronales artificiales 746 INFRAESTRUCTURAS INFRALERT (2016). INFRALERT: Linear Infrastructure Efficiency Improvement by Automated Learning and Optimised Predictive Maintenance Techniques. H2020 Programme. European Commission. Research Directorate (Grant agreement No 636496). http: infralert.eu INFRALERT (2017). INFRALERT: Deliverable D4.3. Methodologies and procedures for inferring three-dimensional alert-severity-intervention pattern space. Supervised and unsupervised approaches. http: infralert.eu IQBAL, Z. (2010). A Study of AI techniques for Railheads, Vegetation, Switches & Crossings. Master Thesis, E38440. Högskolan Dalarna. ISMAIL N., ISMAIL A., ATIQ R. (2009). An overview of expert systems in pavement management. European Journal of Scientific Research, 30(1), 99-111. KARIMZADEH A., SHOGHLI O. (2020). Predictive Analytics for Roadway Maintenance: A Review of Current Models, Challenges, and Opportunities. Civil Engineering Journal, 6(3), 602-625. KARLAFTIS A.G., BADR A. (2015). Predicting asphalt pavement crack initiation following rehabilitation treatments. Transportation Research C, 55, 510-517. LYTTON, R. (1987). Concept of Pavement Performance Prediction and Modelling. Proceedings 2nd North American Conference on Managing Pavement, Toronto, Canada. MORALES, F.J.; REYES, A.; CACERES, N.; ROMERO, L. M.; BENITEZ, F.G.; MORGADO, J.; DUARTE, E.; MARTINS, T. (2017). Historical maintenance relevant information roadmap for a self-learning maintenance prediction procedural approach. International Conference BestInfra 2017. IOP Conf. Ser.: Mater. Sci. Eng. 236, 012107. MORALES F.J., REYES A., CACERES N., ROMERO L.M., BENITEZ, F. G. (2018). Automatic Prediction of Maintenance Intervention Types in Roads using Machine Learning and Historical Records. Transportation Research Record, 2672, 44, 43-54. MORALES F.J., REYES A., CACERES N., ROMERO L.M., BENITEZ, F. G., MORGADO J., DUARTE E.A. (2020). Machine learning methodology to predict alerts and maintenance interventions in roads. Roads Materials and Pavement Design. DOI: 10.1080/14680629.2020.1753098 MOUBRAY J. (1998). Introduction to relibility-centered-maintenance. USA: TWI Press Inc. MUBARAKI M. (2010). Predicting deterioration for the Saudi Arabia Urban Road Network. PhD thesis, University of Nottingham. NCHRP (2004). Guide for Mechanistic–Empirical Design of New and Rehabilitated Pavement Structures. Final Report. National Cooperative Highway Research Program. TRB. R-EVOLUCIONANDO EL TRANSPORTE 747 PAVER. http://www.paver.colostate.edu/. PLATI C., GEORGIOU P, PAPAVASILIOU V. (2015). Simulating pavement structural condition using artificial neural networks. Structure and Infrastructure Engineering, 12(9), 1127-1136. PMS CORE. https://www.heller-ig.de/index.php?id=171. PODDER T. (2010). Analysis & study of AI techniques for automatic condition monitoring of railway track infrastructure. Master Thesis, E3845D. Högskolan Dalarna. PODOFILLINI L., ZIO E., VATN J. (2006). Risk-informed optimisation of railway tracks inspection and maintenance procedures. Reliability Engineering and System Safety 91(1), 20–35. QUINLAN J.R. (1986). Induction of decision trees. Machine Learning 1(1),81–106. REYES, A.; MORALES, F.J.; CACERES, N.; ROMERO, L. M.; BENITEZ, F.G.; MORGADO, J.; DUARTE, E.; MARTINS, T. (2018). Automatic prediction of maintenance intervention types in transport linear infrastructures using machine learning. Transport Research Arena TRA2018, Paper ID 10392, Vienna, Austria, 16-19 April 2018. ROBERTS R., INZERILLO L. DI MINO G. (2021). Exploiting Data Analytics and Deep Learning System to Support Pavement Maintenance Decisions. Applied Sciences, 11, 2458. SALINI R., XU B, LENNGRE C.A. (2015). Application of artificial intelligence for optimization in pavement management. International Journal of Engineering and Technology Innovation, 5(3), 189-197. SCHWARTZ C.W. (1993). Infrastructure condition forecasting using neural networks. Proceedings: Infrastructure Planning and Management, Denver, CO. SOLLAZZO G., FWA T., BOSURGI G. (2017). An ANN model to correlate roughness and structural performance in asphalt pavements. Construction and Building Materials, 134, 684-693. TAHA M.A., HANNA A.S. (1995). Evolutionary neural network model for the selection of pavement maintenance strategy. Transportation Research Record, 1497, 70-76. TRB A2K05(3). (1999). Use of artificial neural networks in geomechanical and pavement systems. Transportation Research Circular E-C012, Transportation Research Board, NRC. Retrieved from http://onlinepubs.trb.org/onlinepubs/circulars/ec012.pdf. WITTEN I.H., FRANK E., HALL M.A. (2011). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers.