Pahirangan Sivapatham, Barbara Esser, Tim Schrödter, Henning Balck, Paweł Tutka

• 1 Aufgabenstellung Das Ziel des Forschungsvorhabens ist die Analyse der Auswirkungen dynamischer Achslasten auf die Messwerte des TSD. Hierbei werden sowohl reale Messwerte als auch modellbasierte simulierte Daten verwendet. Die Achslastschwankungen sollen einzelnen Einflussparametern zugeordnet und die Einsatzgrenzen des TSD bei großen Längsunebenheiten definiert werden. Zudem wird die Validität der 10-m-Mittelwerte hinsichtlich einzelner Unebenheiten untersucht, und es wird überprüft, ob ein Zusammenhang zwischen Schadensmerkmalen und dynamischen Achslasten besteht. Bei Verifizierung eines solchen Zusammenhangs soll eine Methodik zur netzweiten Erfassung dieser Schäden entwickelt werden. Abschließend sollen Normierungsfaktoren für die TSD-Messwerte in Abhängigkeit von den Achslasten erarbeitet werden. 2 Untersuchungsmethodik Die Methodik stützt sich auf Messdaten des Messfahrzeugs MESAS, die etwa 15.000 km umfassen. Die Daten beinhalten TSD-Daten, Frontbilder, Längsprofile und geometrische Daten. Da nicht alle Daten untersucht werden können, erfolgt eine Streckenauswahl basierend auf Kriterien wie Zustandserfassung, Längsunebenheiten (IRI-Werte), geometrische Eigenschaften, Straßenklasse und Alter sowie der Anzahl der Wiederholungsmessungen. Zusatzmessungen am Flughafen Erfurt erweitern die Datengrundlage, damit der Einfluss von Längsunebenheiten auf das Messsystem, die Verformungsmulden und die Tragfähigkeit analysiert werden kann. Hierbei werden künstlich erzeugte Unebenheiten, verschiedene Achslasten und unterschiedliche Messgeschwindigkeiten getestet. Die Rohdaten werden in 1-m- und 10-m-Intervallen ausgegeben, mit den Zustandsdaten der ZEB überlagert und einer Qualitätskontrolle unterzogen. Die 1-m-Daten sind präziser in der Darstellung von Unebenheiten, weisen jedoch hohe Streuungen auf. Die 10-m-Daten bieten plausiblere Verläufe, sind jedoch nicht detailliert genug. Die aufbereiteten Messdaten werden hinsichtlich der Projektfragestellungen analysiert, wobei mögliche Korrelationen zwischen Längsebenheit, Oberflächenschäden, Radlasten und TSD-Messdaten untersucht werden. Die Simulation der dynamischen Achslasten erfolgt in zwei Phasen: Zuerst wird der Einfluss der Längsunebenheiten auf die Achslasten und danach der Einfluss der Achslasten auf die Deflexionen abgebildet. Das Fahrwerksverhalten wird getrennt in einem Längs- und einem Quermodell untersucht und anschließend überlagert. Für die Simulation der Deflexionen wird das Programm ALVA verwendet, das eine bewegliche Last auf einer viskoelastischen Asphaltschicht und elastischen Schichten darunter abbildet. Die Simulationsergebnisse werden mit TSD-Messdaten einer Teststrecke validiert. Zudem wird eine Parameterstudie zur Normierung der TSD-Messwerte in Abhängigkeit von verschiedenen Lasten und verschiedenen Randbedingungen des Aufbaus, der Temperatur und der Geschwindigkeit durchgeführt. 3 Untersuchungsergebnisse Das entwickelte Modell zur Simulation der dynamischen Radlast zeigt eine hohe Übereinstimmung mit den gemessenen 1-m-Daten. Statistische Größen wie der Dynamic Load Co-efficient (DLC) bestätigen die Validität des Modells. Es wird festgestellt, dass das Fahrwerk viele durch Unebenheiten verursachte Lastspitzen kompensiert. Die Simulation der Verformungen zeigt, dass die Schätzungen höher liegen als die gemessenen TSD-Werte, was möglicherweise auf Annahmen zu den Materialeigenschaften zurückzuführen ist. Die TSD-Signale zeigen eine hohe Streuung, insbesondere bei den 1-m-Messungen. Ein Vergleich mit den simulierten Verformungen war daher nicht zielführend. Ein Zusammenhang zwischen den 10-m-Mittelwerten und der Dynamik (DLC) wurde erkannt, jedoch ist eine Korrektur aufgrund größerer Einflussfaktoren nicht sinnvoll. Es wird festgestellt, dass die Einflüsse typischer Längsunebenheiten auf die dynamische Radlast geringer sind als erwartet, wobei die Dynamik vorwiegend im kurzwelligen Spektrum auftritt. Die Tragfähigkeitskenngrößen liefern keine verwertbaren Erkenntnisse zu Schadensmerkmalen der Oberfläche, während Hilfsgrößen bessere Korrelationen zu den Zustandswerten zeigen. Zukünftige Forschung könnte die Kombination von TSD, Georadar und anderen Systemen durch den Einsatz von KI zur Mustererkennung und Schadensidentifikation vertiefen. Die Visualisierung der TSD-Daten in Form eines interaktiven Streckenbands ermöglicht eine detaillierte Analyse von Wechselwirkungen und kann nützliche Informationen zur Beurteilung von Tragfähigkeitsvariationen liefern. 4 Folgerungen für die Praxis Basierend auf den Untersuchungsergebnissen wird empfohlen, die Messwerte im 1-m-Intervall oder in kleineren Intervallen nur für spezielle Fragestellungen zu verwenden. Wenn trotz der geringen Lastschwankungen von in der Regel ± 5 % der mittleren Radlast und den resultierenden geringen Abweichungen in der Verformung eine Lastnormierung vorgenommen werden soll, ist dies abhängig von der Belastungsklasse bzw. dem Aufbau des Oberbaus, der Geschwindigkeit und der Asphaltkörpertemperatur durchzuführen.
• 1 Objective The aim of the research project is to analyze the effects of dynamic axle loads on the measurements of the TSD. This involves using both real measurement data and model-based simulated data. The variations in axle loads are assigned to individual influencing parameters, and the operational limits of the TSD are defined in relation to significant longitudinal unevenness. Additionally, the validity of the 10-meter averages regarding individual irregularities are examined, and a correlation between damage characteristics and dynamic axle loads is investigated. If such a correlation is verified, a methodology is developed for nationwide detection of these damages. Finally, normalization factors for the TSD measurement values are established based on the axle loads. 2 Research methodology The methodology relies on measurement data from the MESAS measurement vehicle, covering approximately 15,000 kilometers. The data includes TSD data, front images, longitudinal profiles, and geometric data. Since not all data can be analyzed, a selection of routes is made based on criteria such as condition assessment, longitudinal unevenness, geometric properties, road class and age, as well as the number of repeat measurements. Additional measurements at Erfurt Airport expand the data foundation in order to analyze separate aspects of the influence of longitudinal unevenness on load-bearing capacity. Here, an artificially created unevenness, various axle loads, and different measurement speeds are tested. The raw data is processed in 1-meter and 10-meter intervals, overlaid with the condition data from ZEB and subjected to quality control. The 1-meter data are more precise in depicting unevenness but exhibit high variability. The 10-meter data provide more plausible trends but lack sufficient detail. The prepared measurement data is analyzed concerning the project questions, investigating possible correlations between longitudinal evenness, surface damages, axle loads and TSD measurement data. The simulation of dynamic axle loads occurs in two phases: first, the influence of longitudinal unevenness on axle loads is modeled, followed by the impact of axle loads on deflections. The behavior of the suspension is examined separately in a longitudinal and a lateral model and then superimposed. For simulating deflections, the program ALVA is utilized, which models a moving load on a viscoelastic asphalt layer and elastic layers beneath it. The simulation results are validated against TSD measurement data from a test track. Additionally, a parameter study is conducted to normalize TSD measurement values based on various loads and different boundary conditions related to the structure, temperature, and speed. 3 Research results The developed model for simulating dynamic axle loads shows a high degree of agreement with the measured 1-meter data. Statistical measures such as the Dynamic Load Coefficient (DLC) confirm the model's validity. It is observed that the suspension compensates many of the load peaks caused by unevenness. The simulation of deformations indicates that the estimates are higher than the measured TSD values, which may be due to assumptions regarding material properties. The TSD signals exhibit high variability, especially in the 1-meter measurements. Therefore, comparing them with the simulated deformations was not productive. A correlation be-tween the 10-meter averages and the dynamics (DLC) was identified; however, any adjustment due to larger influencing factors is not sensible. It was noted that the influences of typical longitudinal unevenness on dynamic axle loads are smaller than expected, with dynamics predominantly occurring in the short-wave spectrum. The load-bearing capacity parameters did not provide useful insights into surface damage characteristics, while auxiliary parameters showed better correlations with condition values. Future research could deepen the combination of TSD, ground-penetrating radar, and other systems through the use of AI for pattern recognition and damage identification. Visualizing the TSD data in the form of an interactive map allows for a detailed analysis of interactions and can provide useful information for assessing load-bearing capacity variations. 4 Practical application Based on the research results, it is recommended to use the measurement values in 1-meter intervals or smaller intervals only for specific inquiries. If load normalization is to be carried out despite the small load fluctuations, typically ± 5% of the mean axle load, and the resulting minor deviations in deformation, this should be conducted based on the load class and the structure of the surface, speed and asphalt body temperature.