Hållbara beslutsstöd baserade på relevant data

Smart underhåll av stadsgator baserat på objektiva data

Utmaning

Det finns mycket metoder för att prioritera när, var och hur en väg ska underhållas rörande statliga vägar men inte för stadsgator. Stadsgators tillstånd kan inte beskrivas ned likadana parametrar som landsbygdsvägar. 

Förväntat resultat

Digitaliseringen och uppkopplingar, ny teknik och nya sensorer har medfört mängder av ny data som kan komplettera traditionell. Deep Learning och Machine Learning är metoder som passar väl för analys av tillståndsdata. Beslutet när underhåll ska ske bygger på valda gränsvärden. För höga eller för låga värden medför både ekonomiska och säkerhetsmässiga risker.

Modernt effektivt underhåll ska bygga på objektiva data och ta hänsyn till funktionsmål: trafiksäkert, användarvänligt och tillgängligt.

 

1.8

Tidplan

2018 – 2022

Projektledare

Sigurdur Erlingsson, KTH
sigurdur.erlingsson@vti.se

Parter

Skellefteå, VTI Statens väg- och transportforskningsinstitut, KTH Kungliga Tekniska Högskolan, Ramböll, NCC, PEAB, Skanska, Trafikverket, RISE Research Institutes of Sweden, Göteborgs stad

Bidrar till programmålen:

Z

Förbättrad hållbar effektivitet med 20 procent

Z

Halverad kompetensbrist

Z

Över 50 kommuner är förebilder för hållbar förvaltning (Asset Management)

Z

Minst tio företag har antagit resultaten från programmet och exporterar tjänster/ produkter, kompetens och praxis

Share This