PURPOSES : Pavement surface friction depends significantly on pavement surface texture characteristics. The mean texture depth (MTD), which is an index representing pavement surface texture characteristics, is typically used to predict pavement surface friction. However, the MTD may not be sufficient to represent the texture characteristics to predict friction. To enhance the prediction of pavement surface friction, one must select additional variables that can explain complex pavement surface textures. METHODS : In this study, pavement surface texture characteristics that affect pavement surface friction were analyzed based on the friction mechanism. The wavelength, pavement surface texture shape, and pavement texture depth were hypothesized to significantly affect the surface friction of pavement. To verify this, the effects of the three abovementioned pavement surface texture characteristics on pavement surface friction must be investigated. However, because the surface texture of actual pavements is irregular, examining the individual effects of these characteristics is difficult. To achieve this goal, the selected pavement surface texture characteristics were formed quantitatively, and the irregularities of the actual pavement surface texture were improved by artificially forming the pavement surface texture using threedimensionally printed specimens. To reflect the pavement surface texture characteristics in the specimen, the MTD was set as the pavement surface texture depth, and the exposed aggregate number (EAN) was set as a variable. Additionally, the aggregate shape was controlled to reflect the characteristics of the pavement surface texture of the specimen. Subsequently, a shape index was proposed and implemented in a statistical analysis to investigate its effect on pavement friction. The pavement surface friction was measured via the British pendulum test, which enables measurement to be performed in narrow areas, considering the limited size of the three-dimensionally printed specimens. On wet pavement surfaces, the pavement surface friction reduced significantly because of the water film, which intensified the effect of the pavement surface texture. Therefore, the pavement surface friction was measured under wet conditions. Accordingly, a BPN (wet) prediction model was proposed by statistically analyzing the relationship among the MTD, EAN, aggregate shape, and BPN (wet). RESULTS : Pavement surface friction is affected by adhesion and hysteresis, with hysteresis being the predominant factor under wet conditions. Because hysteresis is caused by the deformation of rubber, pavement surface friction can be secured through the formation of a pavement surface texture that causes rubber deformation. Hysteresis occurs through the function of macro-textures among pavement surface textures, and the effects of macro-texture factors such as the EAN, MTD, and aggregate shape on the BPN (wet) are as follows: 1) The MTD ranges set in this study are 0.8, 1.0, and 1.2, and under the experimental conditions, the BPN (wet) increases linearly with the MTD. 2) An optimum EAN is indicated when the BPN (wet) is the maximum, and the BPN decreases after its maximum value is attained. This may be because when the EAN increases excessively, the space for the rubber to penetrate decreases, thereby reducing the hysteresis. 3) The shape of the aggregate is closely related to the EAN; meanwhile, the maximum value of the pavement surface friction and the optimum EAN change depending on the aggregate shape. This is believed to be due to changes in the rubber penetration volume based on the aggregate shape. Based on the results above, a statistical prediction model for the BPN (wet) is proposed using the MTD, EAN, and shape index as variables. CONCLUSIONS : The EAN, MTD, and aggregate shape are crucial factors in predicting skid resistance. Notably, the EAN and aggregate shape, which are not incorporated into existing pavement surface friction prediction models, affect the pavement surface friction. However, the texture of the specimen created via three-dimensional printing differs significantly from the actual pavement surface texture. Therefore, the pavement surface friction prediction model proposed in this study should be supplemented with comparisons with actual pavement surface data in the future.

노면 마찰력은 포장 표면과 타이어의 마찰력으로 인해 발생하는 현상으로 높은 노면의 마찰력은 제동 중 차량의 안정성과 조종성을 향상시킨다. 노면 마찰력이 증가함에 따라 교통사고 횟수가 감소하는 것으로 알려져 있으며 습윤 상태의 노면에서 교통사고가 증가하 는 것으로 알려져있다. 따라서 교통사고 발생 억제와 도로 안전의 확보를 위해서는 적정 수준의 노면 마찰력, 특히 습윤 상태의 노면 마찰력을 확보하는 것이 중요하다. 노면 마찰력은 adhesion과 hysteresis로 분류되며 특히 습윤상태 도로에서 hysteresis가 중요한 역 할을 한다. hysteresis는 고무의 변형에 의해 발생하기 때문에 고무 변형에 영향을 미치는 노면 조직 변수를 선정하여 노면 마찰력을 예측하고자 한다. 노면 마찰력은 노면 조직 특성과 밀접한 관련이 있으며, 이에 따라 노면 조직 특성을 나타내는 지수 중 하나인 MTD(Mean Texture Depth)가 노면 마찰력 예측을 위한 인자로 사용되고 있는 실정이다. 하지만 MTD는 노면 조직 깊이만을 평가하 는 인자로 다양한 요소가 결합되어 있는 노면 조직 특성을 모두 설명할 수 없으며, 노면 마찰력 예측을 위해서는 복잡한 노면 조직을 설명할 수 있는 추가 변수의 선정이 요구된다. 본 연구에서는 노면 마찰력의 메커니즘 분석을 토대로 노면 마찰력에 영향을 미치는 노면 조직 특성을 분석하였고, wave-length와 노면 조직의 형태, 노면 조직 깊이가 노면 마찰력에 미치는 영향이 클 것으로 예상하였 다. 이를 검증하기 위해서는 3가지 노면 조직 특성이 노면 마찰력에 미치는 영향에 대한 검토가 요구되나 실제 도로의 노면은 노면 조직이 불규칙하게 형성되어 있어 노면 조직 특성의 개별적 영향을 검토하기 어렵다. 이를 위해서는 선정한 노면 조직 특성의 정량적 형성이 요구되며 3D 프린팅 시편을 제작해 노면 조직을 인위적으로 형성함으로써 실제 도로 노면 조직의 불규칙성을 개선하였다. 노 면 조직 특성을 시편에 반영하기 위해 노면 조직 깊이는 MTD, wave-length는 노출 골재의 개수를 뜻하는 EAN을 변수로 설정하였 다. 또한 EAN(Exposed Aggregate Number)은 노출 골재의 형성이 필수적이므로 골재의 형상을 제어하여 노면 조직의 형태를 시편에 반영하였으며 골재 형상과 노면 마찰력의 통계학적 분석을 위해 형상 지수를 산출하여 분석하였다. 3D 프린팅 시편은 크기에 제한이 있어 좁은 영역에서 측정이 용이한 BPT(British Pendulum Test)를 사용해 노면 마찰력을 측정하였고, 습윤한 노면에서는 수막으로 인해 노면 마찰력이 크게 감소하여 노면 조직의 영향이 커지므로 습윤 상태에서 노면 마찰력을 측정하였다. 측정 데이터를 통한 분석 결과 노면 조직 변수인 MTD가 증가할수록 BPN(wet)이 선형적으로 증가하는 것이 확인되었으며, EAN에 따라서 BPN이 증가했다가 감소하는 경향이 나타났다. 이는 EAN이 과도하게 많아지면 고무가 침투할 공간이 줄어들어 hysteresis가 감소하기 때문으로 사료된 다. 또한 골재 형상에 따라 노면 마찰력의 최댓값과 optuimum EAN의 변화가 있었다. 이는 골재 형상에 따른 고무 침투 부피의 변화 에 의한 것으로 사료된다. 위의 결과를 통해 MTD, EAN, 골재 형상과 BPN(wet)의 관계를 통계학적으로 분석하여 BPN(wet) 예측 모 델을 제안하였다.

PURPOSES : This paper is aimed at suggesting a novel approach for determining the pavement condition rating based on the tire-surface friction noise using a machine learning algorithm as a low-end pavement condition monitoring system. METHODS : Vehicle on-board type noise measurement system according to the ISO11819-2, and the K-nearest neighbors with dynamic time warping algorithm were applied. The system and algorithm were empirically tested with a field study. RESULTS : The developed AI- and noise-based pavement condition monitoring system demonstrated significantly positive results with a precision 90.8%, recall 84.8%, and f1-score 86.1%. CONCLUSIONS: We herein confirmed that the acoustic property between the tire and road surface can be used for monitoring pavement conditions. It is believed this finding presented a new paradigm for monitoring pavement conditions based on visual information. However, extensive studies focused on the practical application of this method are required.