No description available.

No description available.

This thesis is concerned with the use of semi-active suspensions in heavy vehicles to improve ride and reduce road damage. An introduction into the subject is given in chapter 1 and a review of the relevant literature is presented at the beginning of each main chapter. The development and modelling of a prototype, continuously variable semi-active damper for heavy vehicles is described in chapter 2. A proportional valve is used to generate the variable damping coefficient and the detrimental effects of the oil flow forces acting on the valve spool are studied. The force tracking performance of the damper is then examined for simple input conditions and the compliance of the hydraulic fluid is found to have a strong influence upon the response of the damper. The different vehicle and road models used in the thesis are described in chapter 3. In chapter 4, the performance of the prototype damper is investigated under realistic operating condition using a Hardware-in-the-Loop (HiL) test rig, with a single wheel station vehicle model. The prototype damper displays a phase lag of approximately 20ms between the demanded and achieved damping force. The semi-active suspension is found to be most effective in reducing the body accelerations relative to an optimum non-linear passive suspension. A theoretical investigation into the reduction of road damage through the use of active and semi-active suspensions is described in chapter 5. The relative performance of four linear state feedback control strategies is examined. The potential for reducing road damage by using a controller which directly regulates various measures of road damage is also studied. Significant improvements are predicted for the three controllers which assume the road inputs to the vehicle are correlated. However, these benefits are shown to diminish as the vehicle speed is reduced. It is concluded that the control of the dynamic tyre forces is an effective means by which to regulate road damage. Theoretical predictions of the benefits from wheelbase preview control are measured experimentally in chapter 6, using the prototype semi-active damper in a half-car HiL rig with a planar two axled heavy vehicle model. The benefits of preview control using the prototype semi-active damper are found to be less than theoretically possible due to the phase lag between the demanded and achieved damping force of the prototype damper. The final section of chapter 6 shows that the performance of the prototype damper can be improved further by having a theoretical simulation running ahead of the HiL vehicle. The theoretical simulation is used to predict the demanded damper force for the HiL vehicle and thereby compensate for the phase lag in the prototype damper. Conclusions and recommendations for further work are presented in chapter 7.

Overloading truck traffic is an untenable problem around the world. The occurrence of overloaded truck traffic can be evidence of rapid development of an economy. Most of the developing countries emphasize the development of economy, thus supporting reform of infrastructure is limited. This research investigates the relationship between truck overloading and the condition of road damage. The objective of this research is to determine the amount of economic loss due to overloaded truck traffic is. Axle load will be used to calculate the total ESAL to pavement. This study intends to provide perspective on the relationship between change in axle load due to overloading and the resultant service life of pavement. It can then be used in the estimation of pavement damage in other developing countries facing the problem of truck overloading. In conclusion, economical loss was found, which include reduction of pavement life and increase in maintenance and rehabilitation (M&R) cost. As a result, net present value (NPV) of pavement investment with overloading truck traffic is higher than normal truck traffic.

Trafikverket genomför i dagsläget ett större projekt där undersökningar och analyser utav vägskador på statliga vägar utförs. Syftet med projektet är att långsiktigt förbättra möjligheterna att mäta vägnätet, försöka ta fram mätvärden som kopplar orsaken till skadornas uppkomst och varför vald underhållsåtgärd genomförs. Målet med denna studie är att med hjälp av en omfattande insamlingsfas i PMSv3, som lagrar data utifrån vägytemätningar, att kunna analysera olika typer av vägskador och dess olika egenskaper. Indata har sedan jämförts med Trafikverkets krav på underhållsstandard. Resultatet av datainsamlingen har sedan analyserats och samband mellan visuell skada och mätdata från PMSv3 har observerats. Nyttan med sambanden som har iakttagits leder till bättre förståelse om vilka huvudfaktorer som påverkar vägens nedbrytning och var dem vanligen förekommer. Totalt har 19 av 67 vägsträckor valts ut från datainsamlingen att redovisa och analysera. Det finns indikationer på sambanden utifrån resultatet som är redovisade i analysen och slutsatsen. Med hänsyn till observationerna i PMSv3 ligger denna studie för vidare fördjupning och forskning. / The transport administration currently performs a research project where they conduct investigations and analysis of road damage on state road. The purpose of the project is to in the long-term improve the possibilities to measure the road network, try to find the readings that connect the cause for the accidents and why the chosen maintenance is conducted. The aim of this study is to, with the help of an extensive collection phase in PMSv3, that stores data by road surface measurement, to be able to analyse different type of road damages and ther characteristics. Input has then been compared to the transport administrations requirement on maintenance standard. The results of the data collection has then been analysed and conection between visual damage and data from PMSv3 has been observed. The usefulness of the connections that have been observed lead to better understandnings on what main factors that affect the roads breaking down and where they frequently occur. There are indications of connections from the results that have been demostrated in the analysis and the conclusion. With consideration to the observations in PMSv3 lies this study for further depth and research.

The detection and early repair of road damage are paramount for the quality and safety of roads. Current detection efforts typically rely on Deep Learning methods for object detection with bounding boxes, with calculations performed on high-performance hardware. However, semantic segmentation can more accurately express the location of damages on the road, improving the descriptive quality of the detection. In addition, the use of lightweight networks to make these calculations potentially allows the technology to be run entirely on-site, without connecting to remote cloud services. The domain of road damage is inherently challenging. We select and evaluate several techniques for segmenting scarce and small objects; a common problem in traffic scene datasets containing road damage. To evaluate its effectiveness, the most promising method is applied to a new road damage dataset collected in Sweden. We present the results as an early foundation for future studies on segmenting road damage on mobile hardware. / Tidigt upptäckta vägskador och dess reparationer är av stor betydelse för vägens kvalitet och resenärens säkerhet. Aktuella detektionsmetoder förlitar sig vanligtvis på djupinlärnings metoder såsom objektigenkänning, där beräkningarna oftast utförs på högpresterande hårdvara. Med hjälp av semantisk segmentering från beräkningslätta neutrala nätverk kan metoderna förbättras, och potentiellt utföras på plats på mobila enheter utan nätverksankomst. Att segmentera vägskador medför en del utmaningar eftersom skadorna ofta är förhållandevis små och sällan förekommande i dataset. Ett urval av metoder för att bemöta dessa utmaningarna evalueras och den mest välpresterande tekniken tillämpas vidare på ett nyinsamlat dataset från Sverige. Vi presenterar resultatet som grund för framtida studier inom bildsegmentering, och vägskadadetektioner på mobil hårdvara.

Näringslivet efterfrågar ett införande av 74 tons lastbilar på det statliga vägnätet. Det finns ett flertal fördelar med att höja maximala bruttovikten från nuvarande 64 till 74 ton. Däremot är höga bruttovikter direkt kopplade till bärighetsrelaterade skador. Syftet med denna studie är att ligga till grund för vidare arbete av Trafikverket. Detta för att uppnå bättre kontroll på hela det statliga vägnätet och den tunga trafikens inverkan. Studien har utgått från observationer i PMSv3, ett webbaserat system med grafiska tvärprofiler baserade på vägytemätning samt information om det statliga belagda vägnätet. Observationerna innefattar mönsteridentifiering av återkommande tvärprofilstyper tillskrivna skador av den tunga trafiken. Resultatet av tvärprofilstyperna har sedan analyserats och beskrivits som representativa spårtyper för det statliga vägnätet. Slutsatsen är att det finns indikation på mönster av spårtyper. Utifrån observationerna i PMSv3 har spårtyperna formulerats som hypoteser för vidare forskning. / The wood industry asks for an imposition of 74-ton trucks on the national road system. There are several advantages of increasing the maximum gross weight from 64 to 74 tons. On the other hand, high gross weights are directly connected to structural road damage. The purpose of this study is to serve as foundation for further research by the Swedish transport administration. The ulterior goal is to reach better control on the national road system. The basis of the study is a web-based system - PMSv3, which contain road information and transverse road profiles. The observations in PMSv3 have led to rut-types ascribed due to heavy gross weights. The conclusion is that rut-patterns indications exist. Based on the observations in PMSv3, the rut-types have been formulated as hypothesis for further research.

Crack, a typical term most people know, is a common form of distress or damage in road pavements and railway sleepers. It poses significant challenges to their structural integrity, safety, and longevity. Over the years, researchers have developed various data-driven technologies for image-based crack detection in road and sleeper applications. The image-based crack detection has become a promising field.  Many researchers use ensemble learning to win the Road Damage Detection Challenge. The challenge provides a street view dataset from several countries from different perspectives. The version of the dataset is 2020, which contains images from Japan, India, and Czech. Thus, the dataset inherits a domain shift problem. Current solutions use ensemble learning to deal with such a problem. Those solutions require much computational power and challenge adaptability in real-time applications. To mitigate the problem, the thesis experiments with various data augmentation techniques that could improve the base model performance. The main focuses are erasing a crack from an image using generative AI (Erase), implementing road segmentation by using the Panoptic Segmentation (RS) and injecting a perspective-aware synthetic crack (InjectPa) into the segmented road surface in the image. The results show that compared to the base model, the Erase + RS techniques improve the model's F1 score when trained only on Japan in the dataset rather than when trained on three countries simultaneously. Moreover, the InjectPa technique does not help improve the base model in both scenarios. Then, the experiment moved to the SBB dataset containing close-up images of sleepers from cameras mounted in front of the diagnostic vehicle. This section follows the same techniques but changes the segmentation model to the Segment Anything Model (SAM) because the previous segmentation model was trained on a street view dataset, making it vulnerable to close-up images. The Erase + SAM techniques show improvement in bbox/AP and validation loss. Nevertheless, it does not improve the F1 score significantly compared to the base model.  This thesis also applies the explainable AI name D-RISE to determine which feature most influences the model decision. D-RISE shows that the augmentation model can pay attention to the damage type pothole for road pavements and defect type spalling for sleepers than other types. Finally, the thesis discusses the results and suggests a strategy for future study. / Sprickor, en typisk term som de flesta känner till, är en vänlig form av skador i vägbeläggningar och järnvägsslipers. Det innebär betydande utmaningar för strukturella integritet, säkerhet och livslängd. Under årens lopp har olika datadrivna tekniker utvecklats för bildbaserade sprickdetektering i vägbeläggningar och järnvägsslipers applikationer. Den bildbaserade sprickdetekteringen har blivit ett lovande område. Många forskare använder ensembleinlärningsmodeller för att vinna den Road Damage Detection Challenge (Vägbeläggningar Detektering Utmaning). Utmaningen ger en Gatuvy dataset från flera länder från olika perspektiv. Versionen av datasetet är 2020 som innehåller bilder från Japan, Indien och Tjeckien. Därför ärver datasetet  ett domänskiftproblem. Nuvarande lösningar använder ensembleinlärning för att hantera ett sådant problem. Dessa lösningar kräver mycket datorkraft och utmanar anpassningsförmågan i realtidsapplikationer. För att mildra problemet, denna avhandling prover många tekniker för dataökningar som kan förbättra basmodellens prestanda. Huvudfokusen är att radera en spricka från en bild via en generativ AI (Erase), implementera vägyta segmentering via den Panoptic Segmentation (RS), lägga en persective-aware syntetik spricka (InjectPa) till segmenterade vögytan in bilden. Resultaten visar att den Erase + RS ökningsteknikerna förbättrar modellens F1 score när den tränas på Japan i datasetet i stället för att tränas alla länder samtidigt. Dessutom förbättrar den InjectPa tekniken inte basmodellen på båda fallen.  Därefter flyttades experimentet till SBB-datasetet som innehåller närbilder av järnvägsslipers från kameror monterades framför ett diagnosfordon. Denna section följer de samma teknikerna men ändra segmentering modellen till den Segment Anything Model (SAM) eftersom förra segmentering modellen tränades på en Gatuvy dataset vilket gör den sårbar för närbilder. Den Erase + SAM ökningsteknikerna visar förbättringar på bbox/AP och validering. Ändå förbättrade den inte F1 score avsevört jämfört med basmodellen.  Denna avhandling tillämpar också Förklarbar AI-namnet D-RISE för att avgöra vilken funktion som mest påverkar modellbeslutet. D-RISE visar att modellen som har dataökning kan uppmärksamma skadetypen potthål för vägbeläggningar och defekttypen spjälkning för järnvägsslipers än andra typer. Slutligen diskuterar avhandlingen resultaten och föreslår en strategi för framtida arbetsinsatser.