Sammanfattning
Huvudsökande: VTI, Thomas Lundberg
Traditionellt brukar beläggningsunderhåll upphandlas som en utförandeentreprenad, dvs. beställaren (t.ex. Trafikverket) specificerar vilken metod och beläggningstyp som ska användas och därefter prissätter entreprenörerna kostnaden för att utföra arbetet. Lägsta pris vinner uppdraget. Detta uppdrag har även en specificerad garantitid (vanligtvis 2-5 år). Detta upphandlingsförfarande förutsätter att det finns erfarna beläggningsspecialister hos Trafikverket som kan välja optimal åtgärd för de sträckor som ska åtgärdas.
Trafikverket har dock på senare år lagt ut flera långa funktionskontrakt för drift och underhåll av en begränsad vägsträckning. Kontraktstiden är upp till 15 år då entreprenören fritt väljer hur vägen ska underhållas. Som hjälp för styrning av kontraktet finns specificerade funktionskrav som ska garantera en vägyta med god standard för trafikanten. Ofta är kraven också kopplade till bonus och vite vid bättre resp. sämre tillstånd än uppsatta krav. Vid så pass långa funktionstider som 15 år hinner mycket hända med vägen, vilket gör valet av åtgärd mycket viktigt, med tanke på optimering av vägens robusthet och hållbarhet under funktionstiden. I föreliggande projekt avser vi undersöka hur vi kan komplettera och använda ny information om vägens tillstånd för att göra robusta automatiserade metoder och modeller till stöd för val av åtgärdssträcka. Underlaget väntas också ge ett starkt stöd för val av åtgärd. Olika alternativ kommer att undersökas, bl.a. AI-baserade metoder och maskininlärning, med människan i centrum (utnyttja experters kunskap), för att slutligen rekommendera en metod. Metoden ska ta hänsyn till såväl ekonomiska perspektiv för entreprenören och i förlängningen väghållaren, men också beständighet, robusthet och hållbarhet. Projektet kommer också belysa nyttan med alternativ datainsamling samt öppen data, som normalt inte används för uppföljning av dessa kontrakt.
Nyckelord: funktionskontrakt, funktionsentreprenad, prognosmodeller, vägytans tillstånd, artificiell intelligens, maskininlärning