再生可能エネルギー資源管理フレームワーク：シミュレーションベースの舗装・エネルギー連成モデリングとマルチエージェント深層強化学習による低炭素ネットワークレベル舗装維持管理

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel multi-agent RL framework for infrastructure maintenance with carbon and energy constraints.

🏢実務担当者:Offers a decision-support tool for pavement maintenance planning that balances cost, carbon, and renewable energy use.

🏛政策担当者:Demonstrates how AI can support low-carbon infrastructure management, relevant for public works and climate policy.

持続可能な舗装維持管理には、インフラ状態、再生可能エネルギーの利用可能性、炭素排出量、財源、運用能力の協調的管理がますます必要となっている。本研究は、シミュレーションベースの舗装エネルギー・モデリングとマルチエージェント深層強化学習を用いた、低炭素ネットワークレベルの舗装維持管理のための再生可能エネルギー資源管理フレームワークを提案する。提案フレームワークは、AnyLogicベースの舗装エネルギー・シミュレーション環境を開発し、その中で道路区間、劣化状態、作業ゾーン、維持管理作業員、機器資源、太陽光発電、バッテリー貯蔵、系統電力支援、ディーゼルバックアップ、炭素追跡、予算消費が単一の統合意思決定環境内で表現される。適応的維持管理制御を支援するため、舗装区間は相互作用するエージェントとしてモデル化され、道路接続性、配車依存性、交通相互作用、維持管理ルート関係はグラフ構造を通じて符号化される。グラフベースのマルチエージェント深層強化学習モデルであるGraph-MAPPOが意思決定コントローラーとして使用される。このモデルは、空間依存性学習のためのマルチヘッドグラフアテンション、劣化履歴表現のためのGRUベースの時間記憶、隠れた損傷特性評価のための有限要素支援構造リスク指標、および予算、炭素、エネルギー、作業員、機器の制約下での実行不可能な決定を防ぐ制約認識アクションマスキングを統合する。フレームワークを支援するため、4437レコードと55特徴量を含む舗装ネットワークおよび維持管理データセットと、9875レコードと38特徴量を含む再生可能エネルギー・炭素・予算データセットの2つの校正済みデータセットが生成された。意思決定コントローラーは、舗装区間、処理タイプ、介入時期、作業員、機器、エネルギー・モードを同時に選択する。20の実験構成の結果は、バランスの取れたGraph-MAPPOポリシーが平均PCIを69.4から78.9へ改善し、RSLゲイン6.8年を達成し、排出量を58.3 tCO2eに削減し、再生可能エネルギー割合74.6%を維持し、制約違反率を1.8%に抑えることを示している。高い再生可能エネルギー利用可能性の下では、フレームワークは平均PCI 80.2、再生可能エネルギー割合84.6%、排出量50.8 tCO2e、報酬0.90という最良の総合性能を達成する。これらの知見は、舗装エネルギー・シミュレーション、再生可能エネルギー資源配分、炭素認識型維持管理計画、構造リスク認識、マルチエージェント意思決定制御の統合が、より適応的で低炭素かつ資源効率的な舗装維持管理を支援できることを実証している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Sustainable pavement maintenance increasingly requires coordinated management of infrastructure condition, renewable-energy availability, carbon emissions, financial resources, and operational capacity. This study proposes a renewable-energy resource management framework for low-carbon network-level pavement maintenance using simulation-based pavement-energy modeling and multi-agent deep reinforcement learning. The proposed framework develops an AnyLogic-based pavement-energy simulation environment in which road sections, deterioration states, work zones, maintenance crews, equipment resources, photovoltaic generation, battery storage, grid support, diesel backup, carbon tracking, and budget consumption are represented within one integrated decision environment. To support adaptive maintenance control, pavement sections are modeled as interacting agents, while road connectivity, dispatch dependency, traffic interaction, and maintenance-route relationships are encoded through graph structures. A graph-based multi-agent deep reinforcement learning model, named Graph-MAPPO, is then used as the decision controller. The model integrates multi-head graph attention for spatial dependency learning, GRU-based temporal memory for deterioration-history representation, finite-element-assisted structural-risk indicators for hidden damage characterization, and constraint-aware action masking to prevent infeasible decisions under budget, carbon, energy, crew, and equipment constraints. Two calibrated datasets were generated to support the framework: a pavement network and maintenance dataset containing 4437 records and 55 features, and a renewable energy-carbon-budget dataset containing 9875 records and 38 features. The decision controller jointly selects the pavement section, treatment type, intervention timing, crew, equipment, and energy mode. Results from 20 experimental configurations show that the balanced Graph-MAPPO policy improves average PCI from 69.4 to 78.9, achieves an RSL gain of 6.8 years, reduces emissions to 58.3 tCO2e, maintains a renewable-energy share of 74.6%, and limits the constraint-violation rate to 1.8%. Under high renewable-energy availability, the framework achieves the best overall performance, with an average PCI of 80.2, renewable-energy share of 84.6%, emissions of 50.8 tCO2e, and reward of 0.90. These findings demonstrate that integrating pavement-energy simulation, renewable-energy resource allocation, carbon-aware maintenance planning, structural-risk awareness, and multi-agent decision control can support more adaptive, low-carbon, and resource-efficient pavement maintenance management.

• openalex https://doi.org/10.3390/resources15070086first seen 2026-07-03 05:04:35