Data-driven prediction of asphalt pavement temperature profiles

openaccess, Vol. 640 (12) 2025 / poniedziałek, 29 grudnia, 2025

Predykcja rozkładu temperatury w nawierzchniach asfaltowych metodami data-driven

(Open Access)

DOI: 10.15199/33.2025.12.15

citation/cytuj: Sudyka J., Mazurek G., Buczyński P. Data-driven prediction of asphalt pavement temperature profiles. Materiały Budowlane. 2025. Volume 640. Issue 12. Pages 142-156. DOI: 10.15199/33.2025.12.15

Reliable knowledge of the temperature distribution within asphalt pavements is essential for maintenance and structural diagnosis. To forcast the asphalt layers temperature the recurrent neural networks (RNN, including LSTMand BiLSTM) and gradient-boosted decision trees (XGBoost) have been used based on a multi-month field dataset (March – October) with multi-depth temperature measurements and meteorological variables. RNNs captured both diurnal fluctuations and seasonal trends with high predictive accuracy. While the classical XGBoost setup was slightly less precise, it offered very short training times and greater interpretability; its depth-generalized experimental variant enabled interpolation across the full depth range with an error of ~0,97°C (R² ≈ 0,988). The findings support hybridization (RNN + XGBoost) to combine temporal-pattern extraction with efficient regression on static features (e.g., depth, time-of-day).

Utrzymanie i diagnostyka nawierzchni asfaltowych wymagają wiarygodnej informacji o rozkładzie temperatury w czasie i w głąb konstrukcji. Do prognozowania temperatury warstw asfaltowych zastosowano rekurencyjne sieci neuronowe (RNN, w tym LSTM i BiLSTM) oraz gradientowe modele drzew decyzyjnych (XGBoost) na podstawie wielomiesięcznych danych terenowych (marzec – październik) obejmujących pomiary na wielu głębokościach oraz parametry meteorologiczne. Modele RNN wiernie odwzorowały zarówno wahania dobowe, jak i sezonowe. XGBoost, choć w wariancie klasycznym nieco mniej precyzyjny, zapewnił bardzo krótki czas obliczeń i większą interpretowalność; jego wariant eksperymentalny z uogólnieniem po głębokości umożliwił interpolację temperatury w całym zakresie badanych głębokości z błędem rzędu ~0,97°C (R² ≈ 0,988).Wyniki wskazują na zasadność hybrydyzacji podejść (RNN + XGBoost), łączącej identyfikację wzorców czasowych z efektywną regresją po cechach statycznych (m.in. głębokość, pora doby).
asphalt pavement; temperature distribution;machine learning; RNN; LSTM; BiLSTM; XGBoost; interpolation; temperature correction; FWD; TSD.

nawierzchnia asfaltowa; rozkład temperatury; uczenie maszynowe; RNN; LSTM; BiLSTM; XGBoost; interpolacja; korekcja temperaturowa; FWD; TSD.
  1. Xiao Q, Wang XD, Zhou XY, Zhang L, Guan W.: Temperature Correction Method of Deflection Basin and Stress/Strain Response of Asphalt Pavement. In: Chabot, A., Hornych, P., Harvey, J., Loria-Salazar, L. (eds) Accelerated Pavement Testing to Transport Infrastructure Innovation. Lecture Notes in Civil Engineering, vol 96. Springer, Cham. DOI: 10.1007/978-3- 030-55236-7_62.
  2. Gu X, Liang X, Dong Q. Numerical Simulation of Long Term Pavement Temperature Field. Proceedings of GeoShanghai 2018 International Conference: Transportation Geotechnics and Pavement Engineering, Springer. 2018. DOI: 10.1007/978-981-13-0011-0_43
  3. Zhang N, Wu G, Chen B, Cao C. Numerical Model for Calculating the Unstable State Temperature inAsphalt Pavement Structure. Coatings. 2019. DOI: 10.3390/coatings9040271.
  4. BaiS,YangW,ZhangM,LiuD,LiW,ZhouL.Attention-BasedBiLSTMModel for Pavement Temperature Prediction ofAsphalt Pavement inWinter.Atmosphere. 2022. DOI: 10.3390/atmos13091524.
  5. Sudyka J, Mechowski T, Harasim P, Graczyk M, Matysek A. Optimisation of BELLS3 model coefficients to increase the precision of asphalt layer temperature calculations in FWD and TSD measurements. Roads and Bridges – Drogii Mosty. 2024. DOI: 10.7409/rabdim. 024.021.
  6. Adwan I, Milad A, Memon ZA, Widyatmoko I, Zanuri NA, Memon NA, Yusoff NIM.Asphalt Pavement Temperature PredictionModels:AReview.Applied Sciences. 2021. DOI: 10.3390/app11093794.
  7.  Mansour F, Shahni DR. Pavement structural evaluation based on roughness and surface distress survey using neural network model. Construction and Building Materials. 2019. DOI: 10.1016/j. conbuildmat. 2019.01.142.
  8. Younos MA, AbdEl Hakim RT, El Badawy SM, Afify HA. Multi-input performance prediction models for flexible pavements using LTPP database. Innovative Infrastructure Solutions. 2020.DOI: 10.1007/s41062-020-0275-3.
  9. SunY,Meng S,WangM,MuH,TangX.Deterioration effect of freeze-thaw on mechanical properties of roadbed clay under unfavorable conditions. Bull Eng Geol Environ. 2021; https://doi. org/10.1007/s10064-021-02203-8.
  10. Breiman L. Random Forests. Machine Learning. 2001. DOI: 10.1023/A: 1010933404324.
  11.  Friedman JH. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics. 2001. DOI: 10.1214/aos/1013203451.
  12. Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22ndACMSIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. DOI: 10.1145/2939672.2939785.
  13.  Sudyka J, Mazurek G. Determination of asphalt layer temperature in FWD and TSD measurements using machine learning. Roads and Bridges – Drogi I Mosty. 2025; https://doi. org/10.7409/rabdim. 025.015
  14. Hochreiter S, Schmidhuber J. Long Short-TermMemory. Neural Computation. 1997. DOI: 10.1162/neco. 1997.9.8.1735.
  15.  Koné A, Es-Sabar A, Do M-T. Application of Machine Learning Models to the Analysis of Skid Resistance Data. Lubricants 2023. DOI: 10.3390/lubricants11080328.
  16.  Dilip DM. Thermal Digital Twins ofAsphalt Pavements using Physics- -informed Neural Networks Proceedings of the 9th World Congress on Civil, Structural, and Environmental Engineering (CSEE 2024), London, United Kingdom – April 14-16, 2024. DOI: 10.11159/icgre24.157.
  17. Milad AA, Adwan I, Majeed SA, Memon ZA, Bilema M, Omar HA. Development of a Hybrid Machine Learning Model for Asphalt Pavement Temperature Prediction. IEEE Access. 2021. DOI: 10.1109/ACCESS. 2021.3129979.
  18.  Piryonesi SM, El Diraby TE. UsingMachine Learning to Examine Impact of Type of Performance Indicator on Flexible Pavement Deterioration Modeling. Journal of Infrastructure Systems. 2021. DOI: 10.1061/(ASCE) IS. 1943- 555X. 0000602.
  19. Kalman RE. A new approach to linear filtering and prediction problems. Journal of Basic Engineering. 1960. DOI: 10.1115/1.3662552
  20.  Chollet FJ J,Allaire, Matuk K. Deep learning: praca z językiem R i biblioteką Keras. Gliwice: Helion, 2019.
  21. Park J. et al. Evaluation of statistical gap fillings for continuous energy flux (evapotranspiration) measurements for two different land cover types. Stoch Environ Res Risk Assess. 2015. DOI: 10.1007/s00477-015-1101-x.
mgr inż. Jacek Sudyka, Instytut Badawczy Dróg i Mostów, Zakład Diagnostyki Nawierzchni
ORCID: 0000-0002-4360-2365
dr hab. inż. Grzegorz Mazurek, prof. PŚk, Politechnika Świętokrzyska, Wydział Budownictwa i Architektury
ORCID: 0000-0002-9735-1725
dr hab. inż. Przemysław Buczyński, prof. PŚk, Politechnika Świętokrzyska, Wydział Budownictwa i Architektury
ORCID: 0000-0003-0798-8093

mgr inż. Jacek Sudyka, Instytut Badawczy Dróg i Mostów, Zakład Diagnostyki Nawierzchni
ORCID: 0000-0002-4360-2365

Correspondence address: jacek.sudyka@ibdim.edu.pl

Full paper:

DOI: 10.15199/33.2025.12.15

Article in PDF file

Received: 20.0?.2025 / Artykuł wpłynął do redakcji: 20.0?.2025 r.
Revised: 10.10.2025 / Otrzymano poprawiony po recenzjach: 10.10.2025 r.
Published: 23.12.2025 / Opublikowano: 23.12.2025 r.