Transport is essential to facilitate the movement of people, services and goods in all countries. This important role makes it essential to have policies that develop robust infrastructure networks, such as the Trans-European Transport Networks (TEN-T), considering all the infrastructures that comprise it as Critical Infrastructure Systems (CIS). As they are interdependent, a failure in one of them can trigger cascading failures in others. Therefore, these infrastructure systems must have the ability to resist, prevent and withstand potential hazards, absorb initial damage and recover to function normally, known as resilience. Ensuring the resilience of CIS involves assessing risks, threats, failures and breakdowns through analyses such as RAMS (Reliability, Availability, Maintainability and Safety). Recent important advances reflect the growing trend in the study of infrastructure resilience. Nevertheless, there is still a significant gap in the analysis of transport infrastructure performance by assessing the requirements of each of its levels
(i.e., network, system and object) and identifying the specific components that compromise the resilience of the entire network.
The general objective of this doctoral thesis is aimed to enhance transportation infrastructure resilience and ensure their impact on society through RAMS analysis, assessing requirements at all levels of the infrastructure using a top-down approach by applying current technology trends such as Artificial Intelligence (AI) to integrate data from numerous sensors and sources. The knowledge generated is intended to serve as a support base for improve decision-making in resilience-oriented maintenance for infrastructure safety. To achieve this, the thesis proposes six methodologies. The first one defines the general structure of the whole thesis, evaluating the requirements at all levels of the infrastructure (i.e., network, system and object) from a top-down approach. This methodology identifies risk areas in infrastructures through a RAMS analysis, taking into account various hazards. The other five methodologies, using the results of the first methodology, go deeper into each of these levels: three of them focus on the system level and two on the object level. Two of the system-level methodologies analyze how landslide hazards affect road safety by using an automated method to identify and inventory slopes along the road, assessing the areas that would be affected in the event of a rockfall, and defining a qualitative fault tree to analyze the loss of slope stability. The third of these
system-level methodologies examines road safety through the development of accident prediction models. The two object-level methodologies focus on leveraging Digital Twin technology to enable proactive safety measures by assessing in parallel potential vehicle collisions with vulnerable road users, while also proposing the extraction of both trajectories using open-data from traffic cameras with AI vision technologies.
The data used in all methodologies of this dissertation come from various levels of the infrastructure and from numerous sensors, with a focus on ensuring that all this information is openly accessible. The methodologies have been developed to be as standardized as possible, allowing them to be applied to any network, system or object level of any infrastructure. In addition, following current trends in artificial intelligence, technologies have been employed within the context of Intelligent Transportation Systems. This includes the use of Digital Twins enhanced with predictive models and AI vision frameworks.
The workflows and methods presented have been validated using different datasets and tested in various real infrastructure scenarios. The results have contributed to the state of the art, leading to the publication of peer-reviewed scientific papers in three different scientific journals indexed in the Journal Citation Report (JCR) and three international congresses., El transporte es esencial para facilitar la circulación de personas, servicios y mercancías en todos los países. Este importante papel hace imprescindible contar con políticas que desarrollen redes de infraestructuras robustas, como la Red Transeuropea de Transporte, considerando todas las infraestructuras que la componen como Sistemas de Infraestructuras Críticas (SIC). Al ser interdependientes, un fallo en una de ellas puede desencadenar fallos en cascada en otras. Por lo tanto, estos sistemas de infraestructuras deben tener la capacidad de resistir, prevenir y soportar posibles peligros, absorber los daños iniciales y recuperarse para funcionar con normalidad, lo que se conoce como resiliencia. Garantizar la resiliencia de los SIC implica evaluar riesgos, amenazas, fallos y averías mediante análisis como RAMS (de sus siglas en inglés Reliability, Availability, Maintainability, and Security; que significa Fiabilidad, Disponibilidad, Mantenibilidad y Seguridad). Importantes avances recientes reflejan la tendencia creciente en el estudio de la resiliencia de las infraestructuras. Sin embargo, aún existe una laguna importante en el análisis del rendimiento de las infraestructuras de transporte mediante la evaluación de los requisitos de cada uno de sus niveles (es decir, red, sistema y objeto) y la identificación de los componentes específicos que comprometen la resiliencia de toda la red.
El objetivo general de esta tesis doctoral está orientado a mejorar la resiliencia de las infraestructuras de transporte y garantizar su impacto en la sociedad a través del análisis RAMS, evaluando los requerimientos a todos los niveles de la infraestructura mediante un enfoque de arriba hacia abajo aplicando tendencias tecnológicas actuales como la Inteligencia Artificial (IA) para integrar datos procedentes de numerosos sensores y fuentes. El conocimiento generado pretende servir de base de apoyo para mejorar la toma de decisiones en el mantenimiento orientado a la resiliencia para la seguridad de las infraestructuras. Para ello, la tesis propone seis metodologías. La primera define la estructura general de toda la tesis, evaluando los requisitos a todos los niveles de la infraestructura (es decir, red, sistema y objeto) desde un enfoque de arriba a abajo. Esta metodología identifica las áreas de riesgo en las infraestructuras mediante un análisis RAMS, teniendo en cuenta diversos peligros. Las otras cinco metodologías, que utilizan los resultados de la primera metodología, profundizan en cada uno de estos niveles: tres de ellas se centran en el nivel de sistema y dos en el de objeto. Dos de las metodologías a nivel de sistema analizan cómo afectan los riesgos de desprendimientos de tierras a la seguridad vial mediante el uso de un método automatizado para identificar e inventariar los taludes a lo largo de la carretera, evaluar las zonas que se verían afectadas en caso de
desprendimiento de rocas y definir un árbol de fallos cualitativo para analizar la pérdida de estabilidad de los taludes. La tercera de estas metodologías a nivel de sistema examina la seguridad vial mediante el desarrollo de modelos de predicción de accidentes. Las dos metodologías a nivel de objeto se centran en el aprovechamiento de la tecnología de gemelo digital para posibilitar medidas de seguridad proactivas mediante la evaluación en paralelo de posibles colisiones de vehículos con usuarios vulnerables de la carretera, al tiempo que proponen la extracción de ambas trayectorias utilizando datos abiertos de cámaras de tráfico con tecnologías de visión de IA.
Los datos utilizados en todas las metodologías de esta tesis proceden de varios niveles de la infraestructura y de numerosos sensores, con el objetivo de garantizar que toda esta información sea de libre acceso. Las metodologías han sido desarrolladas para ser lo más estandarizadas posible, permitiendo su aplicación a cualquier nivel de red, sistema u objeto de cualquier infraestructura. Además, siguiendo las tendencias actuales en inteligencia artificial, se han empleado tecnologías en el contexto de los Sistemas Inteligentes de
Transporte. Esto incluye el uso de gemelos digitales mejorados con modelos predictivos y marcos de visión de IA.
Los flujos de trabajo y métodos presentados se han validado utilizando diferentes conjuntos de datos y se han probado en varios escenarios de infraestructuras reales. Los resultados han contribuido al estado del arte, dando lugar a la publicación de artículos científicos revisados por pares en tres revistas científicas diferentes indexadas en el informe sobre citas de revistas (JCR, del inglés Journal Citation Report) y tres congresos internacionales., A resiliencia das infraestruturas de transporte ( IT) acéptase cada vez máis como unha ferramenta para aumentar a avaliación do risco, sendo un procedemento de xestión crave durante todo o ciclo de vida da infraestrutura, pero especialmente importante durante a fase de explotación e con fins de mantemento. Tendo en conta isto, o concepto do proxecto consiste no estudo da resiliencia de infraestruturas que ten en conta un marco de procesamento e análise de datos que, facendo uso dos sensores e sistemas de observación da Terra, complementa unha visión experta sobre a cualificación do estado das infraestruturas achegando información que non é visible para o ollo humano. O obxectivo xeral do proxecto é reforzar o mantemento e o rendemento das IT para asegurar o seu impacto na sociedade a través da mellora da toma de decisións mediante tecnoloxías de información obxectiva e cuantitativa sobre a cualificación do estado baseadas en métodos de observación multiescala e multibanda., Agencia Estatal de Investigación | Ref. PID2019-108816RB-I00