A well-functioning street network is pivotal in the socio-economic development of a region. Street networks not only facilitate the movement of people and goods but also allocate space for utility services. Maintaining the street network in good condition and meeting the sustainability targets necessitate implementing optimal street maintenance strategies, leading to an efficient utilization of taxpayers' money. 

The objectives of this Licentiate thesis are to analyse pavement management practices and challenges faced by Swedish municipalities, specifically focusing on asphalt concrete (AC) pavements within street networks. Additionally, it seeks to integrate a sustainability tool into pavement maintenance to select maintenance measures that contribute to sustainability goals at the municipal street network management level. Furthermore, the study aims to enhance municipal-level pavement maintenance approaches through the implementation of machine learning (ML) models within a pavement management system (PMS). 

Within this context, three individual studies were conducted—two case studies and a survey involving Swedish municipalities. One case study explores sustainability framework application, whereas the other investigates the utilization of ML models in municipal AC pavement maintenance. The survey investigates the practices and challenges faced by municipal street network administrations in AC pavement maintenance.

The sustainability framework SUNRA (Sustainability National Road Administrations) was adopted by the Swedish Transport Administration (STA) with a primary emphasis on promoting sustainability in pavement management on state-level roads. In this study, the framework has been tested, applied and further streamlined to be applicable for setting sustainability targets and monitoring sustainability performances at the project level within both the STA and municipal contexts. The aim was to simplify the framework so it is appropriate for investment, re-investments, maintenance and operation projects and also to enhance its applicability for various users. The study additionally explored how the framework could contribute to sustainability, identified the drivers and barriers for its application, and examined its applicability and adaptability to projects of varying complexities. The results indicate that the framework can be readily utilized and adapted for investment, reinvestment, maintenance, and operational pavement projects during the planning stage. Additionally, it is also suitable for small municipal establishments, construction or reconstruction of residential areas, and regular maintenance.

A web-based questionnaire survey was disseminated to municipalities across the country to gather first-hand insights into the current practices and challenges associated with street maintenance at the municipal level in Sweden. Survey responses were received from 147 of the 290 (51%) municipalities nationwide. The study reveals that predominant pavement distress encompasses potholes, surface unevenness, and alligator cracking, with the most prevalent causes being pavement ageing, heavy traffic, and patches. Likewise, cold climate and population density serve as influential factors contributing to pavement deterioration. The automated survey methods for collecting pavement condition data, such as road surface scanning vehicles and application of commercial PMS, are very limited. On the contrary, the windshield method, a subjective approach for pavement condition assessment, is widely adopted among municipalities utilizing PMS. The allocation of the budget for maintenance, rehabilitation and reconstruction is higher in the northern regions of the country, as well as in densely populated municipalities.

Manually collected pavement condition data for the years 2014 and 2018 were acquired from Skellefteå municipality to assess the performance of ML models in comparison to the observed pavement condition index (PCI) of the street network. In this context, the supervised ML models Linear Regression (LR), Random Forest (RF), and Neural Network (NN) were employed in conjunction with several variable combinations. The RF model, utilizing paired variables of pavement age (A) and pavement distresses (D) data, consistently demonstrated higher accuracy compared to the other models for residential streets. However, RF models constructed with paired variables of A and traffic (T) consistently outperformed other models in the context of non-residential streets. The significance of input variables fluctuates based on the model's complexity and the pavement performance objective. Nonetheless,  variable A consistently emerges as the predominant factor for predicting PCI in both residential and non-residential street models. 

Further evaluation of the models and simplification of the SUNRA framework to enhance pavement performance and sustainability are recommended. 

Ett väl fungerande gatunät är avgörande för den socioekonomiska utvecklingen av en region. Gatunätet underlättar inte bara mobiliteten för människor och varor utan möjliggör också väl fungerande samhällstjänster. Effektiv användning av skattebetalarnas pengar åstadkommas genom att man underhåller gatunätet i gott skick och tillgodoser att man uppnår hållbarhetsmålen. Detta kräver att man implementerar optimala underhållsstrategier.

Syftet med denna studie är att analysera vägunderhållsmetoder för vägbeläggningar inklusive utmaningar som svenska kommuner står inför. Särskilt fokus är på asfaltbeläggningar inom gatunätet. Vidare ingår att integrera ett hållbarhetsverktyg för vägunderhåll som möjliggör att man kan välja underhållsåtgärder som bidrar till att gatunätsförvaltningen kan nå kommunala hållbarhetsmålen. Studien syftar slutligen till att förbättra kommunala gatuunderhållsstrategier genom att implementera maskininlärningsmodeller inom ett vägförvaltningssystem (PMS).

Inom Licentiatavhandlingen genomfördes tre studier – två fallstudier och en enkät med svenska kommuner. En fallstudie utforskar tillämpningen av hållbarhetsramverk, medan den andra undersöker användningen av maskininlärningsmodeller vid kommunalt underhåll av asfaltbeläggningar. Enkäten undersöker praxis och utmaningar för kommunala gatunätsförvaltningar vid underhåll av asfaltbeläggningar.

Hållbarhetsverktyget SUNRA (Sustainability National Road Administrations) anpassades till Trafikverket för att främja hållbarhet inom vägförvaltning på statliga vägar. I denna studie har verktyget testats, tillämpats och förfinats för att sätta hållbarhetsmål och övervaka hållbarhetsprestanda på projektbasis inom både Trafikverket och kommunala sammanhang. Målet var att förenkla verktyget så att det passar för investering, återinvestering, underhåll och driftsprojekt och även för att förbättra användbarheten för olika användare. Vidare studerades hur verktyget kunde bidra till hållbarhet, identifiera drivkrafter och hinder för dess tillämpning, användbarhet och anpassningsbarhet till projekt med varierande komplexitet. Resultaten indikerar att verktyget kan användas och anpassas för investeringar, återinvesteringar, underhåll och driftsprojekt under planeringsstadiet. Det är också lämpligt för små kommunala etableringar, konstruktion eller ombyggnad av bostadsområden och regelbundet underhåll.

Den webbaserad enkätundersökning skickades ut till alla Svenska kommuner (290 stycken) för att få information om aktuell praxis och utmaningar för gatuunderhåll på kommunal nivå. Svar på enkäten mottogs från (148 stycken) 51 procent av kommunerna. Studien visar att vanliga vägbeläggningsproblem inkluderar slaghål, ojämnheter och krackelering, där de vanligaste orsakerna är åldrande beläggning, belastning från tung trafik och tidigare åtgärder gjorda i asfaltsytan. Ett kallt klimat och befolkningstäthet är viktiga faktorer som bidrar till vägbeläggningsförsämringen. Användning av automatiska metoder för insamling av vägbeläggningars tillstånd med vägytemätningsfordon och kommersiella PMS är mycket begränsad. Istället används främst subjektiva okulära besiktningsmetoder vid bedömningen av tillståndet bland de kommuner som använder PMS. Budgettilldelningen för underhåll och ombyggnad är högre i de norra regionerna i landet samt i tätbefolkade kommuner.

Manuellt insamlade vägbeläggningsdata för åren 2014 och 2018 från Skellefteå kommun användes för att bedöma möjligheterna med modeller framtagna med maskininlärning jämfört med det uppmätta beläggningsindexet (PCI).  Maskininlärningsmodellerna Linjär Regression (LR), Random Forest (RF) och Neural Network (NN) tillsammans med flera variabelkombinationer testades. RF-modellen, som använder parvisa variabler av åldrande av vägbeläggning (A) och beläggningsskador (D) data, visade, för villagator, konsekvent högre precision jämfört med de andra modellerna. Däremot presterade RF-modeller konstruerade med parvisa variabler av A och trafik (T) konsekvent bättre precision, för icke-villagator (dvs. huvudgator, matargator och industrigator) än andra modeller. Betydelsen av ingående variabler varierar beroende på modellens komplexitet och det avsedda vägbeläggningsmålet. Trots det framträder variabel A konsekvent som den dominerande faktorn för att förutsäga beläggningsskick i modeller för både villa- och icke-villagator.

Vidare utvärdering av modellerna och förenkling av SUNRA-verktyget för att förbättra vägbeläggningens prestanda och hållbarhet rekommenderas.

An effective municipal street network is essential for regional development, supporting mobility and public utilities, and requires optimal maintenance strategies for efficient use of public funds. This research, focused on northern Sweden, aims to enhance municipal street maintenance by integrating sustainability frameworks, current practices, and pavement performance modelling through five complementary studies.

The Sustainability National Road Administrations (SUNRA) framework was adapted for both Swedish Transport Administration (STA) road projects and municipal street maintenance. Findings show it can be effectively applied during planning for investment, maintenance, and construction or reconstruction projects.

Insights from a survey of Swedish municipalities highlighted pavement maintenance practices and challenges. Common pavement distresses included potholes, uneven surfaces, and alligator cracking. These were mainly caused by pavement ageing, heavy traffic, and patching. Cold climate and population density were additional factors. Automated pavement data collection, commercial pavement management systems (PMS), and performance models were rarely used. The windshield method, however, remained common. Northern and densely populated municipalities allocated higher budgets to pavement maintenance and rehabilitation.

Two machine learning (ML) studies and one sigmoid deterioration modelling study predicted the pavement condition index (PCI) over time using manually collected data from Skellefteå Municipality (2014, 2018, 2022). Both ML studies tested linear regression (LR), random forest (RF), and neural network (NN) algorithms, with RF achieving the highest prediction accuracy. Pavement age was the most important variable in the first study. The second study, using extended datasets with maintenance treatment categories, slightly improved predictions. Key variables for predicting the 2022 PCI included previous status (2018) and weighted distress.

Sigmoid deterioration curves captured non-residential street deterioration effectively but were less accurate for residential streets, probably due to variable pavement age and frequent utility cuts. Similarly, curves for pavements treated with surface levelling (SL) and special treatments (ST) performed best, while milling and resurfacing (MR) provided a balanced cost-performance outcome.

These findings support data-driven decision-making and optimized municipal street maintenance. Further evaluation using data from multiple municipalities, including automated collection methods and climate factors, is recommended.

Ett välfungerande kommunalt gatunät är en grundförutsättning för regional utveckling, då det möjliggör både mobilitet och tillgång till kommunal infrastruktur och samhällstjänster. För att uppnå detta på ett effektivt sätt behöver man införa optimala underhållsstrategier som medför att man använder tillgänglig budget på ett effektivt sätt. Avhandlingen undersöker hur kommuner i Sverige underhåller och sköter sina gator och hur detta kan förbättras. Studien har inventerat tillämpningen av hållbarhetsprinciper, nuvarande metoder för underhåll och förvaltning av gatunätet samt modeller för att förutsäga gatans skick. Forskningen består av fem delstudier, där varje studie tillför separata insikter.

Sustainability National Road Administrations (SUNRA) – hållbarhetsbedömningsverktyget – anpassades för både Trafikverkets vägprojekt och kommunalt gatunderhåll. Resultaten visar att verktyget enkelt kan användas och anpassas under planeringen av investeringar, underhåll samt nybyggnation eller ombyggnation av gator.

Som en del av studien skickades en enkät till samtliga 290 svenska kommuner för att samla information om arbetssätt och utmaningar inom kommunalt gatuunderhåll. Resultaten visar att de vanligaste gatubeläggningsskadorna inkluderade potthål, ojämnheter och krackelering där den vanligaste orsaken är åldrande beläggning, tung trafik och asfaltlappning (dvs. reparation av enskilda skador). Kallt klimat och hög befolkningstäthet är också betydande faktorer som bidrar till beläggningens nedbrytning av gatunätet. Användning av objektiva automatiska metoder för insamling av gatubeläggningars tillstånd med vägytemätningsfordon samt kommersiella PMS (vägförvaltningssystem) är mycket begränsad. Istället används främst subjektiva okulära besiktningsmetoder vid bedömningen av gatunätets tillstånd bland de kommuner som använder PMS. Budgettilldelningen för underhåll och ombyggnad av gatunätet är högre i de norra regionerna i landet samt i tätbefolkade kommuner.

Två maskininlärningsstudier (ML) samt en studie med sigmoid nedbrytningsmodellering har utförts för att förutsäga beläggningstillståndsindex (PCI) över tid. Studierna baserades på subjektiv data okulärt insamlade om beläggningstillståndet av gatunätet (2014, 2018 och 2022) från Skellefteå kommun. Båda ML-studierna testade linjär regression (LR), random forest (RF) och neurala nätverk (NN) algoritmer, där RF konsekvent gav bäst resultat. Beläggningens ålder var den viktigaste variabeln i den första studien. I den fördjupade studien presterades modeller med utökade variabler avsevärt bättre än de som endast använde ålder. De viktigaste förklarande variablerna för att förutsäga PCI 2022 var status värdet innan samt de viktade skadetalen.

Sigmoiddeterioreringskurvor fångade effektivt nedbrytningen av icke-bostadsgator, men var mindre exakta för bostadsgator, sannolikt på grund av varierande beläggningsålder och frekventa ledningsgrävningar. Kurvor för beläggningar behandlade med ytjämning (SL) och specialbehandlingar (ST) gav bäst resultat, medan fräsning och nybeläggning (MR) gav en balanserad kostnad-prestanda-effekt.

Studien stödjer datadrivet beslutsfattande och optimerat kommunalt gatubeläggningsunderhåll. Modellerna rekommenderas att vidareutvärderas med data från flera kommuner, inklusive automatiserade datainsamlingsmetoder och klimatfaktorer.