DỰ BÁO TIẾNG ỒN LỐP-MẶT ĐƯỜNG DỰA TRÊN HỌC MÁY XÉT ĐẾN HÌNH THÁI VÀ VẬT LIỆU MẶT ĐƯỜNG: ĐỀ XUẤT KHUNG ÁP DỤNG CHO VIỆT NAM TRONG ĐIỀU KIỆN THIẾU DỮ LIỆU

Tóm tắt

Bài báo đề xuất một khung dự báo tiếng ồn lốp-mặt đường dựa trên học máy, xét đến hình thái và vật liệu mặt đường, hướng tới điều kiện áp dụng tại Việt Nam trong bối cảnh thiếu dữ liệu đo tiếng ồn tiếp xúc. Trên cơ sở tổng quan cơ chế phát sinh tiếng ồn lốp-mặt đường và các nghiên cứu quốc tế liên quan, hai mô hình học máy là mạng nơ-ron nhân tạo (ANN) và rừng ngẫu nhiên (RF) được lựa chọn nhằm mô tả các quan hệ phi tuyến giữa độ nhám vĩ mô (MPD), độ rỗng liên thông của vật liệu asphalt, vận tốc phương tiện, nhiệt độ bề mặt và mức ồn phát sinh. ANN được sử dụng để biểu diễn các quan hệ phi tuyến mạnh, trong khi RF đóng vai trò mô hình ổn định khi dữ liệu đầu vào phân tán hoặc nhiễu. Trên cơ sở đó, một khung mô hình mô-đun được đề xuất cho điều kiện Việt Nam, cho phép triển khai dự báo theo các quy chuẩn môi trường hiện hành mà không cần dữ liệu đo CPX hoặc OBSI. Đồng thời, bài báo thảo luận các hạn chế hiện tại và đề xuất lộ trình nội địa hoá mô hình thông qua bổ sung dữ liệu thực địa, đặc trưng vật liệu asphalt và ảnh hưởng khí hậu, làm cơ sở cho các nghiên cứu tiếp theo.

Abstract

This paper proposes a machine learning-based framework for tire-pavement noise prediction by considering pavement morphology and material characteristics, with a focus on application under data-scarce conditions in Vietnam. Based on a review of tire–pavement noise generation mechanisms and relevant international studies, artificial neural networks (ANN) and random forest (RF) models are adopted to capture nonlinear relationships between mean profile depth (MPD), interconnected air voids of asphalt materials, vehicle speed, pavement surface temperature, and noise levels. ANN is employed to represent strong nonlinear interactions, while RF provides robust predictions under dispersed or noisy inputs. Building on these models, a Vietnam-oriented modular framework is proposed, enabling noise prediction in compliance with current environmental regulations without relying on CPX or OBSI measurements. The study further discusses existing limitations and outlines a localization roadmap involving field data acquisition, material-specific calibration, and climatic effects, thereby establishing a methodological basis for future refinement and practical implementation.

Keywords: Tire-pavement noise; Machine learning; Macrotexture; Interconnected air voids; ANN; RF.