tiehallinnon selvityksiä 17/2006 · edustava otos ab-, pab- ja sop-teillä tehtyjä ppl-, ptm- ja...
TRANSCRIPT
Kantavuuden kausivaihtelumalli
Tiehallinnon selvityksiä 17/2006
Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien jakuntotietojen avulla
Kantavuuden kausivaihtelumalli
Laskennallinen malli kevätkantavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja kuntotietojen avulla
Tiehallinnon selvityksiä 17/2006
Tiehallinto Helsinki 2006
Verkkojulkaisu pdf (www.tiehallinto.fi/julkaisut) ISSN 1459-1553 ISBN 951-803-703-5 TIEH 3200993-v Helsinki 2006
TIEHALLINTO Asiantuntijapalvelut Opastinsilta 12 A PL 33 00521 HELSINKI Puhelinvaihde 0204 2211
Kantavuuden kausivaihtelumalli. Helsinki 2006. Tiehallinto, Asiantuntijapalvelut. Tiehallin-non selvityksiä 17/2006. 23 s. + liitt. 14 s. ISSN 1459-1553, ISBN 951-803-703-5, TIEH 320093. Asiasanat: Kantavuus, kausivaihtelu Aiheluokka: 33, 82
TIIVISTELMÄ
Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuu-den määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kunto-tietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella. Tutkimusaineistoksi pyrittiin valitsemaan mahdollisimman edustava satun-naisotos, kuitenkin niin, että kohdejoukko painottuu alemmalle (vaurioituval-le) tieverkolle. Lopullinen tutkimusaineisto sisälsi 1034 kohdetta (100-metristä), joille tehtiin vuoden 2003 keväällä ja kesällä taipumamittausten (PPL) lisäksi myös PTM- ja PVI-mittaukset. Useiden vaiheiden kautta parhaaksi osoittautui sellainen yleistetty lineaari-nen malli, jossa selittäville muuttujille etsittiin sopivat eksponentit. AB-tiet: (selitysaste 86 %)
82089.019.0
67.800012.0373326123.1
30.15
23.14
88.032
11.01 −
×+×+
×+×−×+−×=
XX
XXXY ,
missä
Y = D0T kevät (lämpötilakorjattu) X1= keskiharjanteen (keskiarvon) kasvunopeus, X2= kumulatiivinen kuormituskertaluku X3= BCI (lämpötilakorjattujen D900–D1200 erotus) X4= SCI (lämpötilakorjattujen D0–D300 erotus) X5= D0T_kesä (lämpötilakorjattu).
PAB-tiet: (selitysaste 74 %)
[ ] 1515.66.377.173241189.1 71.03
49.02
20.01 −×+×+×+−×= XXXY ,
missä Y = D0T_kevät (lämpötilakorjattu) X1= keskiharjanteen (keskiarvon) kasvunopeus X2= BCI (D900–D1200 erotus) X3= D0T_kesä (lämpötilakorjattu). SOP-tiet: (selitysaste 81 %)
[ ] 2309.429.48.3702.37250167.1 6.04
8.03
29.021 −×+Χ×+Χ×+Χ×−−×= XY
missä Y = D0T_kevät (lämpötilakorjattu) X1= Päällysteen ikä X2= keskiharjanteen (keskiarvon) kasvunopeus X3= D0T_kesä (lämpötilakorjattu). X4= BCI (D900–D1200 erotus)
Todettakoon, että malleissa vauriosumma on voitu korvata kokonaan pa-remmin toistettavilla rakenteellisilla muuttujilla: keskiharjanteen kasvunope-us, SCI (Surface Curvature Index) ja BCI (Base Curvature Index).
Säsongsvariation modell för bärighet. Helsingfors 2006. Vägförvaltningen, Expertenhet. Vägförvaltningens utredningar 17/2006. 23 s. + bilagor 14 s. ISSN 1459-1553, ISBN 951-803-703-5, TIEH 3200993-v.
SAMMANFATTNING
Målsättningen med studien har varit att ta fram en kalkyleringsmodell för be-dömning av vårbärighet med hjälp av vägens konstruktiva egenskaper och uppmätta konditionsdata. Modellen skulle kunna ersätta den nuvarande mycket mödosamma och inexakta metoden, där den sk. vårbärighetsfaktorn bedöms visuellt på platsen utifrån rådande förhållanden och vägens kondi-tion. Syftet var att som studieunderlag välja en så representativt slumpmässigt urval som möjligt, dock så att lägre (skadekänsligt) vägnät blir betonad i målgruppen. I det slutgiltiga underlaget ingick 1034 vägavsnitt (på 100 me-ter), där man på våren och sommaren 2003 utöver sättningsmätningar (PPL) även utförde PTM- och PVI-mätningar. Bästa modellen ansågs efter flera mätningsfaser vara en kombinerad linjär modell där lämpliga exponenter söktes för de förklarande variablerna. AB-vägar: (redovisningsgrad 86 %)
82089.019.0
67.800012.0373326123.1
30.15
23.14
88.032
11.01 −
×+×+
×+×−×+−×=
XX
XXXY , där
Y = D0T sättning vår (temperaturkorrigerad) X1= mittryggens (medelvärdes) tillväxthastighet X2= kumulativt belastningsantal X3= BCI sättningsskillnad (skillnaden mellan D900–D1200) X4= SCI sättningsskillnad (skillnaden mellan temp.korr. D0 – D300) X5= D0T sättning sommar (temperaturkorrigerad).
PAB-vägar: (redovisningsgrad 74 %)
[ ] 1515.66.377.173241189.1 71.03
49.02
20.01 −×+×+×+−×= XXXY , där
Y = D0T_sättning vår (temperaturkorrigerad) X1= SCI sättningsskillnad (skillnaden mellan temp.korr. D0–D300) X2= mittryggens (medelvärdes) tillväxthastighet X3= BCI sättningsskillnad (skillnaden D900 – D1200) X4= D0T sättning sommar (temperaturkorrigerad). SOP-vägar: (redovisningsgrad 81 %)
[ ] 2309.429.48.3702.37250167.1 6.04
8.03
29.021 −×+Χ×+Χ×+Χ×−−×= XY
där Y = D0T sättning vår (temperaturkorrigerad) X1= Beläggningens ålder X2= mittryggens (medelvärdes) tillväxthastighet X3= D0T sättning sommar (temperaturkorrigerad). X4= BCI sättningsskillnad (skillnaden D900–D1200) Det ska konstateras att i modellerna har skadesumman helt kunnat ersättas med bättre reproducerbara konstruktiva variabler: mittryggens tillväxthastig-het, SCI (Surface Curvature Index) och BCI (Base Curvature Index).
Season variation model for road bearing capacity. Helsinki 2006. Finnish Road Admini-stration. Finnra Reports 17/2006. 23 p. + app. 14 p. ISSN 1459-1553, ISBN 951-803-703-5, TIEH 3200993-v. Keywords: Road bearing capacity, season variation
SUMMARY
The main purpose of this study has been to create theoretical model to de-termine spring time bearing capacity based on the structural properties and measured condition data of the road. The model would replace present method which is extremely demanding and inaccurate. Earlier spring time bearing capacity was determined visually evaluated by the condition of the road.
The research material was tried to choose as representative random sample as possible. However, the sample is emphasizing on the lower (which is more damaged) road network. The final research material consisted of 1034 subjects (each distance was 100 meters). In addition to deflection measure-ments the research subjects were also analyzed with the PTM and PVI measurements during spring and summer 2003.
The best method was found to be the generalized linear model where fitting exponents for explanatory variables were determined.
Asphalt roads: (coefficient of determination 86 %)
82089.019.0
67.800012.0373326123.1
30.15
23.14
88.032
11.01 −
×+×+
×+×−×+−×=
XX
XXXY ,
where
Y = D0T spring (corrected temperature) X1= The growth rate of the road middle ridge (average) X2= cumulative equivalent axle load X3= BCI (difference of temperature corrected D900–D1200) X4= SCI (difference of temperature corrected D0–D300) X5= D0T_summer (corrected temperature).
PAB- roads: (coefficient of determination 74 %)
[ ] 1515.66.377.173241189.1 71.03
49.02
20.01 −×+×+×+−×= XXXY ,
where Y = D0T spring (corrected temperature) X1= The growth rate of the road middle ridge (average) X2= BCI (difference of temperature corrected D900–D1200) X3= D0T summer (corrected temperature). Surface treatment of gravel roads: (coefficient of determination 81 %)
[ ] 2309.429.48.3702.37250167.1 6.04
8.03
29.021 −×+Χ×+Χ×+Χ×−−×= XY
where Y = D0T spring (corrected temperature) X1= Age of the pavement X2=The growth rate of the road middle ridge (average) X3= D0T summer (corrected temperature). X4= BCI (difference of temperature corrected D900–D1200) In these models the crack surface index has been replaced completely with the structural variables which are more repeatable like; the growth rate of the road middle ridge, SCI (Surface Curvature Index) and BCI (Base Curvature Index).
ESIPUHE
Tämän tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkan-tavuuden määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kuntotietojen avulla. Nykyinen käytäntö on ollut työläs ja epätarkka, koska se on perustunut ns. kevätkantavuuskertoimen määrittämiseen silmämääräi-sesti paikan päällä olosuhteiden ja tien kunnon perusteella. Mallit perustuvat vuonna 2003 mitattuun havaintoaineistoon, johon sisältyi edustava otos AB-, PAB- ja SOP-teillä tehtyjä PPL-, PTM- ja vauriomittauk-sia. Työn on tilannut Tiehallinto osana Väyläomaisuuden hallinnan tutkimusoh-jelmaa (VOH). Tutkimuksen käytännön työn ja raportin on laatinut FM Seppo Järvinen, Ramboll Finland Oy:stä. Työtä on ohjannut ja raportin laadinnassa on ollut mukana DI Ismo Iso-Heiniemi Tiehallinnosta. Helsinki, toukokuu 2006 Tiehallinto Asiantuntijapalvelut
Kantavuuden kausivaihtelumalli 9
Sisältö
1 JOHDANTO JA TUTKIMUSAINEISTO 11 1.1 Kevätkantavuusmallin tutkimuskohteiden valintaperusteet 11 1.2 Mitatun aineiston esittely 12
2 MENETELMÄT 15
3 KEVÄTKANTAVUUSMALLIT 16 3.1 AB-tiet 16 3.2 PAB-tiet 18 3.3 SOP-tiet 20
4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET 22
5 LIITTEET 23
10 Kantavuuden kausivaihtelumalli
Kantavuuden kausivaihtelumalli 11 JOHDANTO JA TUTKIMUSAINEISTO
1 JOHDANTO JA TUTKIMUSAINEISTO Tutkimuksen tavoitteena on ollut laatia laskennallinen malli kevätkantavuu-den määrittämiseksi tien rakenteellisten ominaisuuksien ja mitattujen kunto-tietojen avulla. Malli tulisi korvaamaan nykyisen hyvin työlään ja epätarkan menetelmän, jossa ns. kevätkantavuuskerroin arvioidaan silmämääräisesti paikan päällä olosuhteiden ja tien kunnon perusteella.
1.1 Kevätkantavuusmallin tutkimuskohteiden valintaperusteet
Projektissa ”kausivaihtelumallin tutkimuskohteiden valinta ja koordinointi” tehtiin ehdotus tutkimuskohteiden valitsemiseksi: keväällä 2003 inventoitiin kaikenkuntoisia teitä PPL:llä, PVI:llä ja PTM:llä. Samat tiekohteet mitattiin myöhemmin kesällä sekä PTM että PPL mittauksilla. Tiet valittiin siten, että mahdollisimman moni kuului normaaliin mittausohjelmaan. Myös valittujen teiden tuli edustaa kattavasti kaikenkuntoisia teitä:
1. Koko tieverkko noin 53 000km 2. Valikoidut alkuvaiheen tutkimuskohteet 3 500 km 3. Lopullinen satunnaisotos noin 100–400km.
Alkukarsinta koko tieverkolta Tutkimuskohteiden alkukarsinta tehtiin seuraavien ehtojen mukaisesti :
• PVI mittaus keväältä 2000 (todennäköisesti 3 vuoden mittauskierrolla seuraava mittaus on keväällä 2003).
• PTM mittaus kesältä 2001 (todennäköisesti 2 vuoden mittauskierrolla seuraava mittaus on kesällä 2003).
• Toimenpiteiden oli oltava ennen sekä PVI että PTM mittauksia (= toimenpide ennen vuotta 2000).
SAS-tietokannasta poimittiin valikoidut tieosat (tie, ajr, suunta, kaista, aosa, aet, osan pituus) ja kohdistettiin Suomen tieverkolle ARCVIEW- ohjelmalla. Kartalta nähtiin, kuinka maantieteellisesti valitut kohteet sijaitsivat (kartasta voitiin tehdä A3 tai A0 kokoisia piiritulosteita). Samaan karttaan voitiin myö-hemmin lisätä tiepiirien mittausohjelman mukaiset kohteet. Edellä kuvatulla tavalla tieverkolta löytyi noin 3 500 km tutkimuskohteiksi soveltuvia teitä. Lopullinen kohdejoukko valittiin erikseen valittujen tiekohteiden (vajaat 3 500 km) joukosta siten, että ne edustivat erilaisia teitä (painotus alemmalle, vau-rioituneelle, tieverkolle). Edustavuutta verrattiin koko tieverkon- ja alkuvai-heen karsitun aineistojen välillä.
Koko tieverkko 53 000km Valikoidut kohteet
Sat.otos
12 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO
Edustavuutta tutkittiin seuraavien muuttujien avulla tieosakeskiarvoina: o Päällystelaji: 2 eri luokkaa, AB päällystelaji<21, PAB ja
SOP päällystelaji 21–31 o SCI300-taipuma: 2 eri luokkaa, SCI300<330, SCI300
>329 o Vauriosumma: 2 eri luokkaa, VS<40, VS>39 o Päällysteen ikä: 2 eri luokkaa, päällysteen ikä 1–8
vuotta, päällysteen ikä yli 9-vuotta. Edellä mainittujen muuttujien muodostamien luokkien suhteen tehtiin ko-keensuunnittelumatriisi (2x2x2x2 = 16 kpl eri luokkakombinaatiota). Tehtiin ositettu otanta, josta saatiin seuraavan taulun mukainen tulos. Taulukko. Kokeensuunnittelumatriisi. Ositetun otanta-aineiston jakautuminen homogeenisiin osaverkkoihin (harvinaisia osaverkkoja yhdistelty). SCI300 VS
<330 =>330 Ei mit-tausta yhteensä /m
PVI-2003 OSAVERKKO <40 =>40 <40 =>40 <40 on 1: AB,Pikä<9v 5633 5633 2: AB,Pikä=>9v 4580 4580 3: AB 7958 1000 8958 4: MUU, Pikä<9v 5615 3823 9438 5: MUU, Pikä=>9v 12065 1488 13553 6: MUU, Pikä=>9v 9293 9293 7: MUU, Pikä=>9v 11782 1565 13347 8: MUU, Pikä=>9v 4834 4834 9: MUU, Pikä<9v 19600 19600 10: MUU, Pikä=>9v 19946 19946 11: MUU, Pikä=>9v 2089 2089 12: MUU, Pikä=>9v 10434 10434 Yhteensä 39675 14127 29647 31380 6876 121705 Osa-aineistot yhdistettiin SAS-tilasto-ohjelmassa yhdeksi tietokannaksi, jos-sa yksi rivi on yksi 100-metrin tiepätkä eli tieosoite ja eri muuttujat ovat eri sarakkeissa.
1.2 Mitatun aineiston esittely
Havaintojen määrät mittauslajeittain Yhteensä PVI_kevät 1170 PPL_kevät 1178 PPL_kesä 1190 PTM_kevät -mittaus 1200 PTM_kesä -mittaus 1149 Tutkimuksessa käytettävissä olevia havaintoja 1034
Tilattuja mittauksia oli 1 231 kpl, joista 1 034 soveltui tutkimukseen.
Kantavuuden kausivaihtelumalli 13 JOHDANTO JA TUTKIMUSAINEISTO
Summa / pituus m SCI300 kevät VS <330 ≥ 330 Yhteensä
P-laji P-ikä <40 ≥ 40 <40 ≥ 40 AB 1-8 vuotta 7358 100 7458
9- vuotta 10921 3900 1900 3300 20021 PAB 1-8 vuotta 2100 100 2200 100 4500
9- vuotta 17640 6584 19600 15300 59124 SOP 1-8 vuotta 300 3800 1100 5200
9- vuotta 3175 3700 6875 Yhteensä 38319 10584 30775 23500 103178
Summa / pituus m SCI300 kesä VS <330 ≥ 330 Yhteensä
P-laji P-ikä <40 ≥ 40 <40 ≥ 40 AB 1-8 vuotta 7458 7458 9- vuotta 12221 5700 600 1500 20021
PAB 1-8 vuotta 4200 200 100 4500 9- vuotta 25140 11784 12100 10100 59124
SOP 1-8 vuotta 3100 700 1000 400 5200 9- vuotta 800 300 2375 3400 6875
Yhteensä 52919 18684 16175 15400 103178
Aineiston määrä päällystelajiluokissa
0
100
200
300
400
500
600
700
Päällysteluokka
Freq
uenc
y
Frequency
Frequency 276 637 121
AB PAB SOP
14 Kantavuuden kausivaihtelumalli JOHDANTO JA TUTKIMUSAINEISTO
B-tiet
AB-tie, Kevätkantavuuskerroin
10 %
16 %
72 %
2 %
0.5 0.6 0.7 0.8
PAB-tiet
PAB-tie, Kevätkantavuuskerroin
36 %
25 %
39 %
0 %
0.5 0.6 0.7 0.8
SOP-tiet
SOP-tie, Kevätkantavuuskerroin
57 %
0 %
43 %
0 %
0.5 0.6 0.7 0.8
Tutkimusaineiston tilastollisia jakaumia on esitetty tarkemmin liitteessä 1.
Kantavuuden kausivaihtelumalli 15 MENETELMÄT
2 MENETELMÄT
Tässä tutkimuksessa on käytetty sakkomallia eli toiselta nimeltään yleistet-tyä lineaarista mallia (=GLM), jossa valitut selittäjät joko lisäävät tai vähentä-vät selitettävän muuttujan Y keskimääräistä tasoa. Selittäjät voivat olla joko jatkuvia tai luokitettuja – kunhan ne ovat järjestysasteikollisia.
Regressiomallin ja sakkomallin yksi ero on siinä, että sakkomallissa luokite-tun selittäjän luokkatason vaikutus vasteen Y keskimääräiseen arvoon ei tarvitse olla vakio. Seuraava esimerkki valaisee regressio- ja sakkomallin eroja.
×+===×+
===×+=
3006.0)3_,2_,1_(_09.0
)3,2,1(6.04.1
SCIRKVLRKVLRKVLRKVL
SOPPABABPlajiYREG
Eo. regressiomallia tulkitaan siten, että jos selittäjiä ei oteta huomioon, vau-rionopeus regressiomallissa olisi 1.4 m2/vuosi. Sitten tuohon vakioarvoon on lisättävä kunkin tieolosuhteen aiheuttama muutos keskimääräisessä nopeu-dessa. Esimerkiksi jos päällystelajina onkin SOP, niin tällöin regressiokerroin 0.6 kerrotaan 3:lla (AB=0.6, PAB=1.2 ja SOP=1.8) ja päällystelaji SOP:n vai-kutukseksi saadaan 1.8 m2/vuosi nopeuslisää. Tällöin vakion ja päällystela-jin muodostama nopeusennuste olisi jo 3.2 m2/vuosi. Samalla tavalla kaikki-en merkitsevien selittäjien vaikutus nopeuteen on additiivisesti laskettavissa riippuen toki muuttujan saamasta arvosta.
Kaavan YREG mukaisesti mikäli tiellä olisi KVL_R:n luokkatason 2 mukainen raskaan liikenteen määrä – sitä vastaava vaikutus Y-muuttujaan olisi 2 x 0.09 eli 0.18 suuruista etumerkkeineen. Eli luokkatason muutos vaikuttaa vakiomuutoksen Y-muuttujan keskimääräiseen tasoon.
×+
===
+
+
−
=
3002.0
))3_(32.0
2_(04.0)1_(0.0
)(2.1)(9.0
)(0.01
SCIRKVLjosRKVLjosRKVLjos
SOPjosPABjosABjos
Ysakko .
Edellä on esimerkki sakkomallista: jos sakkomallissa tiellä on raskaanlii-kenteen määrä luokkatasoa 2 vastaavaa – vaikuttaa ko. muuttuja selitettä-vän muuttujan Y keskimääräiseen tasoon vain 0.04 yksikön verran (vrt. reg-ressiomallin vaikutus 0.18).
Numeeristen menetelmien avulla (Gauss – Newton) on arvioitu kunkin yleis-tetyn lineaarisen mallin selittäjän funktiomuotoa kaavan b
jXa× mukaan, jos-sa parametrit a ja b ovat tuntemattomia. Kun funktiomuoto on saatu selville – sijoitetaan tulos yleistetyn lineaarisen mallin yhtälöön, josta sitten haetaan sopivat kertoimet kullekin selittäjälle jX .
16 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT
3 KEVÄTKANTAVUUSMALLIT
3.1 AB-tiet
Parhaaksi AB-päällysteiden malliksi osoittautui seuraava:
82089.019.0
67.800012.0373326123.1
30.15
23.14
88.032
11.01 −
×+×+
×+×−×+−×=
XX
XXXY
missä
Y = D0T kevät (lämpötilakorjattu) X1= keskiharjanteen (keskiarvon) kasvunopeus X2= kumulatiivinen kuormituskertaluku X3= BCI taipumaero (D900–D1200) X4= SCI taipumaero (lämpötilakorjattu D0–D300) X5= D0T_kesä (lämpötilakorjattu). Selitysasteeksi on AB-teiden mallissa saatu noin 86 %.
AB-tiet R2 = 0.8584
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Mitattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
Mallin pätevyysalue on D0T_kesä -taipuma ≥ 300. Pienillä arvoilla (=hyvin kantavilla teillä), kun D0T_kesä -taipuma on alle 300, käytetään kaavaa:
kesäTDkevätTD _005.1_0 ×= , joka on saatu laskemalla suhde
kesäTDkevätTD
_0_0
mitatusta tutkimusaineistosta.
Kantavuuden kausivaihtelumalli 17 KEVÄTKANTAVUUSMALLIT
Seuraavasta kuvasta käy ilmi, kuinka suhdekertoimella ennustettu D0T_kevät vastaa mitattua D0T_kevät -arvoa AB-teillä (siis kun D0T_kesä ≤ 300).
AB-tie t
0
50
100
150
200
250
300
350
400
0 50 100 150 200 250 300 350 400M itattu d0T_kevät
1.03
ker
toim
ella
ker
rott
u D
0_ke
sä =
en
nust
ettu
d0T
_kev
ät
Mikäli D0T_kevät -ennusteen laskennassa on puuttuvia tietoja kuten esimer-kiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai kumulatii-vinen kuormituskertaluku (ei taipuma D0T_kesä, BCI- ja SCI taipumaerot), käytetään seuraavia oletusarvoja AB-teillä
• Harjanteen keskimääräisen kasvunopeuden oletusarvona on 1.17 mm/v.
• kumulatiivisen kuormituskertaluvun oletusarvona on 583 500. AB-tiet (oletusarvoilla) R2 = 0.8356
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Mitattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
18 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT
3.2 PAB-tiet
Paras PAB-päällysteiden malli on seuraava: [ ] 1515.66.377.173241189.1 71.0
349.0
220.0
1 −×+×+×+−×= XXXY , missä Y = D0T_kevät (lämpötilakorjattu) X1= keskiharjanteen (keskiarvon) kasvunopeus X2= BCI taipumaero X3= D0T_kesä (lämpötilakorjattu). Selitysasteeksi on PAB-teiden mallissa saatu 74 %.
PAB-tiet R2 = 0.7395
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Mitattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
Mallin pätevyysalue on D0T_kesä -taipuma ≥ 350. Pienillä arvoilla, kun D0T_kesä -taipuma on alle 350, käytetään kaavaa:
kesäTDkevätTD _038.1_0 ×= , joka on saatu laskemalla suhde
kesäTDkevätTD
_0_0
mitatusta tutkimusaineistosta.
Kantavuuden kausivaihtelumalli 19 KEVÄTKANTAVUUSMALLIT
Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu D0T_kevät vastaa mitattua D0T_kevät -arvoa.
PAB-tie t
0
50
100
150
200
250
300
350
400
450
500
0 50 100 150 200 250 300 350 400 450 500M itattu d0T_kevät
1.38
ker
toim
ella
ker
rottu
D0_
kesä
=
ennu
stet
tu D
0T_k
evät
Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esi-merkiksi harjanteen keskimääräinen kasvunopeus origon kautta (ei taipuma D0Tkesä tai BCI taipumaero), käytetään PAB-teillä oletusarvoa 1.08 mm/v.
PAB-tiet (oletusarvoilla) R2 = 0.7327
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Mitattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
20 Kantavuuden kausivaihtelumalli KEVÄTKANTAVUUSMALLIT
3.3 SOP-tiet
Paras SOP-päällysteiden malli on seuraava: [ ] 2309.429.48.3702.37250167.1 6.0
48.0
329.0
21 −×+Χ×+Χ×+Χ×−−×= XYmissä Y = D0T_kevät (lämpötilakorjattu) X1= Päällysteen ikä X2= keskiharjanteen (keskiarvon) kasvunopeus X3= D0T_kesä (lämpötilakorjattu). X4= BCI_kesä (lämpötilakorjattu). Selitysasteeksi on SOP-teiden mallissa saatu 81 %.
SOP-tiet
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
M itattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
Mallin pätevyysalue on D0T_kesä -taipuma ≥ 550. Pienillä arvoilla, kun D0T kesätaipuma on alle 550, käytetään kaavaa:
kesäTDkevätTD _058.1_0 ×= , joka on saatu laskemalla suhde
kesäTDkevätTD
_0_0
mitatusta tutkimusaineistosta.
Kantavuuden kausivaihtelumalli 21 KEVÄTKANTAVUUSMALLIT
Oheisesta kuvasta käy ilmi, kuinka hyvin suhdekertoimella ennustettu D0T_kevät vastaa mitattua D0T_kevät -arvoa.
SOP-tie t
0
100
200
300
400
500
600
700
0 100 200 300 400 500 600 700M itattu d0T_kevät
1.58
ker
toim
ella
ker
rottu
D0_
kesä
=
ennu
stet
tu D
0T_k
evät
Mikäli kevättaipuman ennusteen laskennassa on puuttuvia tietoja kuten esi-merkiksi harjanteen keskimääräinen kasvunopeus origon kautta ja/tai pääl-lysteen ikä (ei taipuma D0T_kesä ja BCI taipumaero), käytetään seuraavia oletusarvoja SOP-teillä
• Harjanteen keskimääräisen kasvunopeuden oletusarvona on 2.05 mm/v.
• Pällysteen iän oletusarvona on 10 vuotta. SOP-tiet (oletusarvoilla) R2 = 0.7449
0
500
1000
1500
2000
2500
0 500 1000 1500 2000 2500
Mitattu d0T_kevät
Mal
lilla
lask
ettu
d0T
_kev
ät
Lisää mallien kuvausta on liitteessä 2 "Kausivaihtelumallien diagnostiikkakuvat".
22 Kantavuuden kausivaihtelumalli JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET
4 JOHTOPÄÄTÖKSET JA JATKOTOIMENPITEET
Tutkimustulosten tulkinnassa on otettava huomioon, että kohdeaineiston mit-tausajankohtaa keväällä ei ole voitu valita kantavuudeltaan heikoimpaan ajankohtaan. Siten keskimäärin mallin antamat kevätkantavuusarvot eivät edusta heikointa tilannetta tiestöllä. Malli siis edustaa ainoastaan yhden vuoden tilannetta valitulla kohdejoukolla vuonna 2003. Pitemmällä aikavälillä näissä kohdejoukon pisteissä esiintyy todennäköisesti vielä heikompia kan-tavuuksia kevään aikana johtuen erilaisista kosteusolosuhteista tien raken-teessa ja pohjamaassa. Lisäksi käytännön havainnot ovat osoittaneet, että esimerkiksi kesäkantavuuskin voi vaihdella 20–30 % verrattaessa sadejak-son jälkeisiä arvoja kuivaan kauteen. Edellä esitetyt näkökohdat tulisi ottaa huomioon silloin, kun mallin antamia kevätkantavuusarvoja käytetään hanke-tasolla tierakenteiden mitoituksessa. Raportin luvuissa 4.1–4.3 on esitetty parhaimmat kevätkantavuusmallit. Se-kä mitattu että ennustettu D0T_kevät ovat keskimäärin samalla tasolla kaikil-la päällystelajeilla (AB, PAB, SOP). PPL-mittaajien arviointiin perustuvien kevätkantavuuskertoimien avulla ennustetut D0T_kevät -arvot (kts. liite1 sivu 11/13) poikkeavat tämän tutkimuksen mukaan selvästi havaituista:
• kk-kertoimet antavat AB-teillä liian hyviä – ja • PAB sekä SOP -teillä liian huonoja kevätkantavuuksia.
Tässä työssä tehty kausivaihtelumalli kannattaisi testata heti keväällä 2006 tehtävien PPL-mittausten avulla (samat tiet vuodelta 2003 pitäisi mitata sekä keväällä että kesällä PPL ja RST-mittareilla). Tällöin lasketaan kausivaihte-lumallilla kevään D0T-taipumaennuste, jota verrataan todelliseen kevät D0T-mittaukseen. Testausaineistoksi sopisi sellainen kohdejoukko, joka painot-tuisi etupäässä alemmalle tieverkolle, jossa taipuma D0T arvot ovat suureh-koja. Lisäksi RST- ja APVM-mittarin uusien parametrien monipuolisempaa käyttöä voitaisiin harkita, jolloin kausivaihtelumallissa olisi mahdollisesti lisäselittäjiä.
Kantavuuden kausivaihtelumalli 23 LIITTEET
5 LIITTEET
Liite 1: Kevätkantavuusmallien aineiston kuvaus (sivut 1–9/13) Liite 1: Kevätkantavuusmallien diagnostiikkakuvat (sivut 10–13/13) Excel-tiedosto (Järvinen/Iso-Heiniemi):
-Kevätkantavuusmalli_03042006.xls
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (1/13)
KA
USI
VAIH
TELU
MA
LLIN
AIN
EIST
ON
KU
VAU
S
D
0 A
B-ti
e
N/A
Fi
t Log
-logi
stic
In
put (
data
) Fu
nctio
n 53
3.44
Shift
N
/A
g
120.
46
b
372.
26
a
4.02
Min
imum
-
211.
00
Max
imum
-
1238
.00
Mea
n 53
3.44
52
7.99
M
ode
448.
56
415.
00 a
rvio
M
edia
n 49
2.72
49
1.50
S
TD
214.
28
181.
33
Var
ianc
e 45
916.
01
3276
0.70
S
kew
ness
4.
21
1.10
K
urto
sis
1557
.55
4.34
D0
PA
B-ti
e
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
650.
49
S
hift
169.
90
M
ean
480.
59
S
TD
252.
43
M
inim
um
- 22
3.00
M
axim
um
- 59
70.0
0 M
ean
650.
49
656.
08
Mod
e 50
3.38
55
5.0
arvi
o M
edia
n 59
5.37
58
9.00
S
TD
252.
43
338.
17
Var
ianc
e 63
719.
71
1141
77.5
0 S
kew
ness
1.
72
7.24
K
urto
sis
8.69
10
0.87
AB
-tie,
D0
taip
uma
Mea
n =
528.
0
Mea
n =
533.
4
X <
= 89
495
.0%
X <
= 29
95.
0%
0
0.51
1.52
2.53 20
040
060
080
010
0012
0014
00
Values x 10^-3
Inpu
t
Fit
PA
B-ti
e, D
0 ta
ipum
a
Mea
n =
656
Mea
n =
650
X <
= 11
2895
.0%
X <
= 35
95.
0%
0.0
0.5
1.0
1.5
2.0
2.5 10
035
060
085
011
0013
5016
0018
5021
0023
50
Values x 10-̂3
Inp
utF
it
D
0 SO
P-tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
899.
41
Sh
ift
273.
35
M
ean
626.
06
S
TD
467.
96
M
inim
um
- 34
9.00
M
axim
um
- 18
43.0
0 M
ean
899.
41
891.
43
Mod
e 59
5.06
51
2.00
arv
io
Med
ian
774.
81
782.
00
STD
46
7.96
39
1.66
Va
rianc
e 21
8987
.48
1521
28.7
0 Sk
ewne
ss2.
66
0.79
Ku
rtosi
s 17
.77
2.54
SOP
-tie,
D0
taip
uma
Mea
n =
891
Mea
n =
899
X <=
177
495
.0%
X <=
441
5.0%
00.
20.
40.
60.
811.
21.
41.
61.
82 300
500
700
900
1100
1300
1500
1700
1900
Values x 10^-3
Inpu
t
Fit
Liite 1 (2/13)
LIITTEETKantavuuden kausivaihtelumalli
S
CI A
B-ti
e
N/A
FI
T Lo
g-lo
gist
ic
Inpu
t (da
ta)
Func
tion
218.
54
S
hift
N/A
g -1
4.53
b 22
1.98
a 5.
84
M
inim
um
- 73
.00
Max
imum
-
499.
00
Mea
n 21
8.55
21
7.58
M
ode
194.
67
234.
00 a
rvio
M
edia
n 20
7.45
20
9.50
S
TD
77.0
5 72
.24
Var
ianc
e 59
37.3
0 51
99.1
0 S
kew
ness
1.
90
0.95
K
urto
sis
16.0
1 4.
40
S
CI P
AB
-tie
N
/A
Fit L
og-lo
gist
ic
Inpu
t (da
ta)
Func
tion
313.
54
Sh
ift
N/A
g 11
3.77
b 17
4.49
a 3.
53
M
inim
um
- 13
9.00
M
axim
um
- 23
98.0
0 M
ean
313.
54
311.
84
Mod
e 26
1.78
25
3.00
arv
io
Med
ian
288.
26
287.
00
STD
12
4.07
12
7.05
V
aria
nce
1539
4.28
16
116.
50
Ske
wne
ss
7.21
7.
45
Kur
tosi
s N
/A
116.
07
AB
-tie,
SC
I tai
pum
aero
Mea
n =
217.
6M
ean
= 21
8.5X
<=
353.
195
.0%
X <
= 11
9.5
5.0%
01234567
5010
015
020
025
030
035
040
045
050
0
Values x 10̂-3
Inpu
t
Fit
PA
B-ti
e, S
Ci t
aipu
mae
ro
Mea
n =
311
Mea
n =
313
X <=
190
5.0%
X <=
515
95.0
%
0123456 100
200
300
400
500
600
700
800
900
1000
Values x 10^-3
Inpu
t
Fit
SC
I SO
P-tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
432.
74
Sh
ift
208.
36
M
ean
224.
38
ST
D
221.
25
M
inim
um
- 23
5.00
M
axim
um
- 90
4.00
M
ean
432.
74
425.
32
Mod
e 28
9.37
30
0.00
arv
io
Med
ian
368.
13
370.
00
STD
22
1.25
16
3.01
Va
rianc
e 48
950.
28
2635
3.47
Sk
ewne
ss3.
92
0.98
Ku
rtosi
s 39
.14
3.11
SO
P-ti
e, S
CI t
aipu
mae
ro
Mea
n =
425.
3
Mea
n =
432.
7
X <
= 82
8.1
95.0
%X
<= 2
49.5
5.0%
0
0.51
1.52
2.53
3.54
4.5 20
030
040
050
060
070
080
090
010
00
Values x 10^-3
Inpu
t
Fit
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (3/13)
B
CI A
B-ti
e
N/A
FI
T G
auss
In
put (
data
) Fu
nctio
n 33
.90
S
hift
6.98
a 2.
88
b
9.36
Min
imum
-
8.00
M
axim
um
- 10
7.00
M
ean
33.9
0 33
.90
Mod
e 24
.55
20.0
0 ar
vio
Med
ian
30.8
6 30
.00
STD
15
.87
16.4
6 V
aria
nce
251.
95
270.
08
Ske
wne
ss
1.18
1.
39
Kur
tosi
s 5.
09
5.62
BC
I PA
B-ti
e
N/A
Fi
t Log
norm
In
put (
data
) Fu
nctio
n 34
.36
S
hift
-6.4
4
Mea
n 40
.80
S
TD
20.8
8
Min
imum
-
-1.0
0 M
axim
um
- 27
6.00
M
ean
34.3
6 34
.89
Mod
e 22
.34
26.0
arv
io
Med
ian
29.8
8 28
.00
STD
20
.88
26.8
3 V
aria
nce
436.
08
718.
48
Ske
wne
ss
1.67
4.
02
Kur
tosi
s 8.
33
27.5
7
AB
tie
, BC
I ta
ipum
ae
ro
Mean =
33.9
Mean =
33.9
X <
= 6
4.2
95.0
%X
<= 1
4.0
5.0
%
0
0.51
1.52
2.53
3.5
010
20
30
40
50
60
70
80
90
100
110
Values x 10̂-2
Input
Fit
PA
B-ti
e, B
CI t
aipu
mae
ro
Mea
n =
34.8
Mea
n =
34.3X <=
73.
995
.0%
X <=
10.
05.
0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
020
4060
8010
012
014
016
018
020
0
Values x 10^-2
Inpu
t
Fit
SO
P-ti
e, B
CI t
aipu
mae
ro
Mea
n =
50.6
Mea
n =
50.6
X <=
105
.495
.0%
X <=
12.
75.
0%
0
0.2
0.4
0.6
0.81
1.2
1.4
1.6
1.8
010
2030
4050
6070
8090
100
110
120
Values x 10^-2
Inpu
t
Fit
BC
I SO
P-tie
N/A
Fi
t Log
norm
In
put (
data
) Fu
nctio
n 50
.66
Sh
ift
-28.
09
M
ean
78.7
5
STD
29
.34
M
inim
um
- 0.
00
Max
imum
-
119.
00
Mea
n 50
.66
50.5
7 M
ode
36.7
1 25
.00
arvi
o M
edia
n 45
.71
46.0
0 ST
D
29.3
4 28
.12
Varia
nce
860.
71
784.
28
Skew
ness
1.17
0.
54
Kurto
sis
5.53
2.
44
Liite 1 (4/13)
LIITTEETKantavuuden kausivaihtelumalli
H
arja
nne
nope
us A
B-ti
e N
/A
Fit L
og-lo
gist
ic
Inpu
t (da
ta)
Func
tion
1.01
Shift
N
/A
g
-0.2
7
b 1.
15
a
4.00
Min
imum
-
-0.0
2 M
axim
um
- 2.
80
Mea
n 1.
01
1.00
M
ode
0.74
0.
60 a
rvio
M
edia
n 0.
88
0.90
S
TD
0.67
0.
58
Var
ianc
e 0.
45
0.33
S
kew
ness
4.
30
1.11
K
urto
sis
N/A
3.
92
H
arja
nne
nope
us P
AB
-tie
N/A
Fi
t Log
-logi
stic
In
put (
data
) Fu
nctio
n 0.
82
Sh
ift
N/A
g -0
.25
b
0.98
a 4.
35
M
inim
um
- -0
.07
Max
imum
-
2.51
M
ean
0.82
0.
81
Mod
e 0.
63
0.60
arv
io
Med
ian
0.73
0.
72
STD
0.
50
0.43
V
aria
nce
0.25
0.
18
Ske
wne
ss
3.36
0.
99
Kur
tosi
s 89
.65
4.07
SO
P-ti
e, h
arja
nne
kesk
iarv
on k
asvu
nope
us
Mea
n =
1.9
Mea
n =
1.9
X <=
3.6
3595
.0%
X <=
0.6
285.
0%
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
5.5
Inpu
t
Fit
H
arja
nne
nope
us S
OP-
tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
1.89
Shift
-0
.98
M
ean
2.86
STD
0.
94
M
inim
um
- 0.
40
Max
imum
-
5.11
M
ean
1.89
1.
89
Mod
e 1.
48
1.35
arv
io
Med
ian
1.74
1.
73
STD
0.
94
0.91
Va
rianc
e 0.
89
0.83
Sk
ewne
ss1.
02
0.56
Ku
rtosi
s 4.
92
3.01
PA
B-ti
e, h
arja
nne
kesk
iarv
on k
asvu
nope
us
Mea
n =
0.81
Mea
n =
0.82
X <=
0.2
455.
0%X
<= 1
.673
95.0
%
0.0
0.2
0.4
0.6
0.8
1.0
1.2 0.
00.
51.
01.
52.
02.
53.
0
Inpu
t
Fit
AB
-tie,
har
jann
e ke
skia
rvon
kas
vuno
peus
Mea
n =
1.00
Mea
n =
1.00
X <
= 2.
135
95.0
%X
<=
0.28
05.
0%
0.0
0.2
0.4
0.6
0.8
1.0
1.2 -0
.50.
00.
51.
01.
52.
02.
53.
0
Inpu
t
Fit
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (5/13)
P
äälly
stee
n ik
ä A
B-ti
e N
/A
Fit N
orm
al
Inpu
t (da
ta)
Func
tion
11.1
5
Shi
ft N
/A
m
ean
11.1
5
STD
5.
34
M
inim
um
- 5.
00
Max
imum
-
24.0
0 M
ean
11.1
5 11
.15
Mod
e 11
.15
11.0
0 ar
vio
Med
ian
11.1
5 11
.00
STD
5.
34
5.34
V
aria
nce
28.5
4 28
.44
Ske
wne
ss
0.00
1.
12
Kur
tosi
s 3.
00
3.75
Pää
llyst
een
ikä
PA
B-ti
e N
/A
Fit u
nifo
rm
Inpu
t (da
ta)
Func
tion
16.5
0
Shift
N
/A
m
in
4.96
max
28
.04
M
inim
um
- 5.
00
Max
imum
-
28.0
0 M
ean
16.5
0 12
.64
Mod
e N
/A
12.0
arv
io
Med
ian
16.5
0 12
.00
STD
6.
66
4.05
V
aria
nce
44.3
6 16
.42
Ske
wne
ss
0.00
0.
87
Kur
tosi
s 1.
80
4.90
AB
-tie
, pä
älly
ste
en ik
ä
Mean =
11.1
Mean =
11.1
X <
= 1
9.9
495.0
%
0.0
0.2
0.4
0.6
0.8
1.0
46
810
12
14
16
18
20
22
24
26
Input
Fit
PA
B-ti
e, p
äälly
stee
n ik
ä
Mea
n =
12.6 M
ean
= 16
.5
X <
= 26
.88
95.0
%X
<=
6.12
5.0%
0.0
0.2
0.4
0.6
0.8
1.0
35
79
1113
1517
1921
2325
2729
Inpu
t
Fit
SO
P-t
ie, p
ää
llyst
ee
n ik
ä
Mea
n =
10.8
Mea
n =
10.8
0
0.2
0.4
0.6
0.81
78
910
1112
1314
15
Inpu
t
Fit
Pä
älly
stee
n ik
ä SO
P-tie
N
/A
Fit N
orm
al
Inpu
t (da
ta)
Func
tion
10.8
0
Shift
N
/A
M
ean
10.8
0
STD
2.
68
M
inim
um
- 8.
00
Max
imum
-
14.0
0 M
ean
10.8
0 10
.80
Mod
e 10
.80
8.00
arv
io
Med
ian
10.8
0 11
.00
STD
2.
68
2.68
Va
rianc
e 7.
16
7.10
Sk
ewne
ss0.
00
0.13
Ku
rtosi
s 3.
00
1.28
Liite 1 (6/13)
LIITTEETKantavuuden kausivaihtelumalli
V
aurio
sum
ma
AB
-tie
N/A
Fi
t Log
-nor
mal
In
put (
data
) Fu
nctio
n 32
.89
S
hift
-1.1
3
Mea
n 34
.02
S
TD
59.6
7
Min
imum
-
0.00
M
axim
um
- 45
3.00
M
ean
32.8
9 31
.95
Mod
e 3.
00
5.0
arvi
o M
edia
n 15
.72
17.0
0 S
TD
59.6
7 52
.41
Var
ianc
e 35
60.0
5 27
36.5
8 S
kew
ness
10
.66
4.97
K
urto
sis
458.
65
33.9
6
Vau
riosu
mm
a P
AB
-tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
50.3
3
Shi
ft -1
.34
M
ean
51.6
7
STD
11
2.88
Min
imum
-
0.00
M
axim
um
- 46
0.00
M
ean
50.3
3 43
.28
Mod
e 2.
38
0.0
arvi
o M
edia
n 20
.16
24.0
0 S
TD
112.
88
58.4
9 V
aria
nce
1274
1.51
34
15.3
2 S
kew
ness
16
.98
2.92
K
urto
sis
1592
.06
13.9
6
SO
P-ti
e, v
aurio
sum
ma
Mea
n =
37.3
Mea
n =
38.4
X <=
108
.495
.0%
X <=
2.7
5.0%
0.0
0.5
1.0
1.5
2.0
2.5
010
2030
4050
6070
8090
100
110
120
130
140
150
Values x 10^-2
Inpu
t
Fit
Va
urio
sum
ma
SOP-
tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
38.3
7
Shift
-9
.09
M
ean
47.4
5
STD
37
.73
M
inim
um
- 0.
00
Max
imum
-
143.
00
Mea
n 38
.37
37.3
4 M
ode
13.6
7 1.
0 ar
vio
Med
ian
28.0
6 29
.00
Std.
D
evia
tion
37.7
4 29
.62
Varia
nce
1423
.92
869.
96
Skew
ness
2.
89
0.84
Ku
rtosi
s 20
.79
3.34
AB
-tie,
vau
riosu
mm
a
Mea
n =
31.9
Mea
n =
32.8
X <
= 11
7.3
95.0
%X
<=
1.3
5.0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
020
4060
8010
012
014
016
018
020
0
Values x 10^-2
Inpu
t
Fit
PA
B-ti
e, v
aurio
sum
ma
Mea
n =
43.2
Mea
n =
50.3
X <=
188
.595
.0%
X <=
1.1
5.0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
025
5075
100
125
150
175
200
225
250
275
300
Values x 10^-2
Inpu
t
Fit
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (7/13)
V
aurio
nope
us (m
2/v)
AB
-tie
N/A
Fi
t Log
-nor
mal
In
put (
data
) Fu
nctio
n 2.
70
S
hift
-0.1
9
Mea
n 2.
89
S
TD
3.70
Min
imum
-
0.00
M
axim
um
- 50
.33
Mea
n 2.
70
2.90
M
ode
0.48
0
arvi
o M
edia
n 1.
59
1.67
S
TD
3.70
5.
54
Var
ianc
e 13
.72
30.5
5 S
kew
ness
5.
95
6.03
K
urto
sis
103.
45
44.1
6
Vau
riono
peus
(m2/
v). P
AB
-tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
3.95
Shi
ft -0
.14
M
ean
4.09
STD
8.
07
M
inim
um
- 0.
00
Max
imum
-
27.0
6 M
ean
3.95
3.
41
Mod
e 0.
24
0.0
arvi
o M
edia
n 1.
71
2.00
S
TD
8.07
4.
10
Var
ianc
e 65
.12
16.7
8 S
kew
ness
13
.60
2.26
K
urto
sis
875.
54
9.19
AB
-tie,
vau
riono
peus
(m2/
v)
Mea
n =
2.9
Mea
n =
2.7
X <
= 8.
8195
.0%
X <
= 0.
165.
0%
00.
10.
20.
30.
40.
50.
60.
70.
80.
91
02
46
810
1214
Inpu
t
Fit
PA
B-ti
e, v
aurio
nope
us (m
2/v)
.
Mea
n =
3.4
Mea
n =
4.0
X <=
14.
5595
.0%
X <
= 0.
095.
0%
0
0.2
0.4
0.6
0.81
01
23
45
67
89
1011
1213
1415
1617
1819
20
Inpu
t
Fit
SO
P-ti
e, v
aurio
nope
us (m
2/v)
Mea
n =
3.4
Mea
n =
3.4
X <
= 9.
2795
.0%
X <
= 0.
295.
0%
0.0
0.2
0.4
0.6
0.8
1.0
01
23
45
67
89
1011
12
In
put
Fit
Va
urio
nope
us (m
2/v)
. SO
P-ti
e N
/A
Fit L
og-n
orm
In
put (
data
) Fu
nctio
n 3.
45
Sh
ift
-1.0
5
Mea
n 4.
50
ST
D
3.09
Min
imum
-
0.00
M
axim
um
- 10
.21
Mea
n 3.
45
3.39
M
ode
1.47
0.
12 a
rvio
M
edia
n 2.
66
3.00
ST
D
3.09
2.
58
Varia
nce
9.57
6.
59
Skew
ness
2.39
0.
71
Kurto
sis
14.5
9 2.
62
Liite 1 (8/13)
LIITTEETKantavuuden kausivaihtelumalli
K
evät
/kes
ä IR
I AB
-tie
N/A
Fi
t Nor
mal
In
put (
data
) Fu
nctio
n 1.
04
Sh
ift
N/A
Mea
n 1.
04
S
TD
0.15
Min
imum
-
0.00
M
axim
um
- 1.
58
Mea
n 1.
04
1.04
M
ode
1.04
1.
0 ar
vio
Med
ian
1.04
1.
03
STD
0.
15
0.15
V
aria
nce
0.02
0.
02
Ske
wne
ss
0.00
-1
.37
Kur
tosi
s 3.
00
14.6
8
Kev
ät/k
esä
IRI P
AB
-tie
N/A
Fi
t Log
-nor
m
Inpu
t (da
ta)
Func
tion
1.08
Shi
ft -1
.07
M
ean
2.15
STD
0.
20
M
inim
um
- 0.
00
Max
imum
-
2.36
M
ean
1.08
1.
08
Mod
e 1.
05
1.0
arvi
o M
edia
n 1.
07
1.02
S
TD
0.20
0.
21
Var
ianc
e 0.
04
0.05
S
kew
ness
0.
29
1.73
K
urto
sis
3.15
10
.27
AB
-tie,
(kev
ät/k
esä)
IRI
Mea
n =
1.04
Mea
n =
1.04X <
= 1.
282
95.0
%X
<=
0.80
45.
0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
Inpu
t
Fit
PAB-
tie, (
kevä
t/kes
ä) IR
I
Mea
n =
1.07
Mea
n =
1.07
X <=
1.4
2995
.0%
X <=
0.7
565.
0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5 0.
40.
60.
81
1.2
1.4
1.6
1.8
2
Inpu
t
Fit
Ke
vät/k
esä
IRI S
OP-
tie
N/A
Fi
t Nor
mal
In
put (
data
) Fu
nctio
n 1.
08
Sh
ift
N/A
Mea
n 1.
08
S
TD
0.12
Min
imum
-
0.82
M
axim
um
- 1.
50
Mea
n 1.
08
1.08
M
ode
1.08
1.
0 ar
vio
Med
ian
1.08
1.
07
STD
0.
12
0.12
Va
rianc
e 0.
02
0.02
Sk
ewne
ss
0.00
0.
83
Kurto
sis
3.00
4.
24
SOP-
tie, (
kevä
t/kes
ä) IR
I
Mean
= 1
.07
Mean
= 1
.07
X <=
1.2
844
95.0
%X
<= 0
.874
25.
0%
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
4.5 0.
80.
91.
01.
11.
21.
31.
41.
5
Inp
ut
Fit
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (9/13)
K
umul
atiiv
inen
kuo
rmitu
sker
talu
ku A
B-tie
N
/A
Fit L
og-n
orm
al
Inpu
t (da
ta)
Func
tion
4724
56
S
hift
-199
94
M
ean
4924
50
S
TD
4774
58
M
inim
um
- 13
286
Max
imum
-
1460
510
Mea
n 47
2457
47
2457
M
ode
1253
04
2338
28 a
rvio
M
edia
n 30
9546
23
3828
S
TD
5001
22
4214
09
Var
ianc
e 2.
5x10
^11
1.7x
10^1
1 S
kew
ness
3.
05
1.14
K
urto
sis
18.4
7 3.
23
Ti
en le
veys
AB-
tie
N/A
Fi
t Nor
mal
In
put (
data
) Fu
nctio
n 7.
70
S
hift
N/A
Mea
n 7.
70
S
TD
1.45
Min
imum
-
6.20
M
axim
um
- 10
.50
Mea
n 7.
70
7.70
M
ode
7.70
7.
00 a
rvio
M
edia
n 7.
70
7.00
S
TD
1.45
1.
45
Var
ianc
e 2.
11
2.10
S
kew
ness
0.
00
1.22
K
urto
sis
3.00
2.
88
AB
-tie,
kum
ulat
iivin
en k
uorm
itusk
erta
luku
Mea
n =
4724
56
Mea
n =
4865
42
X <=
146
4401
95.0
%X
<= 6
6330
5.0%
0.0
0.2
0.4
0.6
0.8
1.0 0
2000
0040
0000
6000
0080
0000
1000
000
1200
000
1400
000
1600
000
Inpu
t
Fit
AB
-tie,
tien
leve
ys
Mea
n =
7.7
Mea
n =
7.7
X <=
10.
088
95.0
%
0.0
0.2
0.4
0.6
0.8
1.0 6.
06.
57.
07.
58.
08.
59.
09.
510
.010
.511
.0
Inpu
t
Fit
LIITTEETKantavuuden kausivaihtelumalli
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (10/13)
KEV
ÄTK
AN
TAVU
USM
ALL
IN E
NN
UST
EVIR
HEK
UVA
AJA
T
AB
-tie
t
-800
-600
-400
-2000
200
400
600
800
025
050
075
010
0012
5015
0017
5020
00
Mit
att
u d
0T_k
evä
t
Sakko-mallin ennustevirhe (ennuste-mittaus)
Mal
li yl
ienn
usta
a
Mal
li al
ienn
usta
a
PA
B-t
iet
-800
-600
-400
-2000
200
400
600
800
025
050
075
010
0012
5015
0017
5020
00
Mit
attu
d0T
_ke
vät
Sakko-mallin ennustevirhe (ennuste-mittaus)
Mal
li yl
ienn
usta
a
Mal
li a
lienn
ust
aa
SO
P-t
iet
-80
0
-60
0
-40
0
-20
00
20
0
40
0
60
0
80
0
02
50
50
07
50
10
00
12
50
15
00
17
50
20
00
Mit
att
u d
0T
_k
ev
ät
Sakko-mallin ennustevirhe (ennuste-mittaus)
Ma
lli
ylie
nn
us
taa
Ma
lli
alie
nn
us
taa
Liite 1 (11/13)
LIITTEETKantavuuden kausivaihtelumalli
ERI K
EVÄ
TKA
NTA
VUU
SMA
LLIE
N D
IAG
NO
STIIK
KA
KU
VAT
Kev
ätka
ntav
uusk
erto
imel
la la
sket
tu D
0kev
ät
AB-
tiet
R2 = 0
.801
2
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
KK-kertoimella laskettu d0T_kevät
PAB-
tiet
R2 = 0
.693
3
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
KK-kertoimella laskettu doT_kevät
SOP-
tiet
R2 = 0
.693
5
0
500
1000
1500
2000
2500
3000
050
010
0015
0020
0025
0030
00M
itatt
u d0
T_ke
vät
KK-kertoimella laskettu d0T_kevät
LIITTEET Kantavuuden kausivaihtelumalli Liite 1 (12/13)
Läm
pötil
akor
jatu
n D
0:n
avul
la re
gres
siom
allil
la la
sket
tu D
0kev
ät
AB-
tiet
R2 =
0.8
185
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
Nlin-mallilla laskettu d0T_kePA
B-tie
tR2
= 0
.705
8
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
Nlin-mallilla laskettu d0T_ke
SOP-
tiet
R2 =
0.7
624
0
500
1000
1500
2000
2500
3000
050
010
0015
0020
0025
0030
00M
itatt
u d0
T_ke
vät
Nlin-mallilla laskettu d0T_ke
Liite 1 (13/13)
LIITTEETKantavuuden kausivaihtelumalli
Ylei
stet
yn li
neaa
risen
mal
lin a
vulla
lask
ettu
D0k
evät
AB-
tiet
R2 =
0.8
556
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
GLM-Mallilla laskettu d0T_kePA
B-tie
tR2
= 0
.760
4
0
500
1000
1500
2000
2500
050
010
0015
0020
0025
00M
itatt
u d0
T_ke
vät
GLM-Mallilla laskettu doT_keSO
P-tie
tR2
= 0
.794
9
0
500
1000
1500
2000
2500
3000
050
010
0015
0020
0025
0030
00M
itatt
u d0
T_ke
vät
GLM-Mallilla laskettu d0T_ke
ISSN 1459-1553ISBN 951-803-703-5TIEH 3200993-v