Методика обґрунтування реконструкції автомобільних доріг

Опубліковано:
Номер: Випуск 33(2026)
Розділ: Будівництво та цивільна інженерія
Cторінковий інтервал статті: 143-450
Ключові слова: автомобільна дорога, вільні інтервали, ефективність функціонування, інтенсивність руху, пропускна здатність, реконструкція.
Як цитувати статтю: Неізвестний С. В., Бондаренко Л. П. Методика обґрунтування реконструкції автомобільних доріг. Дороги і мости. Київ, 2026. Вип. 33. С. 143–150.
Як цитувати статтю (references): Sergiy Neizvestniy, Liudmyla Bondarenko. Methodology for justifying the reconstruction of automobile roads. Dorogi і mosti [Roads and bridges]. Kyiv, 2026. Issue 33. P. 143–150 [in Ukrainian].

Автори

Національний транспортний університет, м. Київ, Україна
http://orcid.org/0000-0002-8239-065X
Державне підприємство «Державний дорожній науково-дослідний імені М.П. Шульгіна» (ДП «ДерждорНДІ»), м. Київ, Україна
https://orcid.org/0000-0002-8888-313X

Анотація

Вступ. Інтенсивний розвиток автомобільного транспорту супроводжується зростанням навантаження на мережу автомобільних доріг, що зумовлює поступове погіршення умов руху, зниження середніх швидкостей руху та зростання затримок. За таких умов актуальним є завдання своєчасного визначення моменту втрати ефективності функціонування ділянок автомобільних доріг та обґрунтування доцільності їх реконструкції.

Проблематика. Більшість наявних підходів до оцінювання пропускної здатності автомобільних доріг ґрунтуються на порівнянні фактичної інтенсивності руху з нормативними значеннями та не враховують значним чином вплив перехрещень, примикань і структури транспортного потоку. Це призводить до обмеженої точності при визначенні реального рівня ефективності функціонування дорожніх ділянок.

Мета. Метою дослідження є розроблення методики визначення потреби в реконструкції ділянки автомобільної дороги на основі аналізу вільних інтервалів руху та прогнозування зміни інтенсивності руху з часом.

Матеріали й методи. Запропонована методика базується на комплексному поєднанні результатів натурних спостережень, аналітичних розрахунків кількості вільних інтервалів руху, визначенні максимально допустимої інтенсивності руху та прогнозуванні транспортного попиту із застосуванням логістичної моделі. Для оцінювання ефективності функціонування використано критерій граничної кількості вільних часових інтервалів руху.

Результати. Запропоновано підхід до визначення граничної інтенсивності руху, при досягненні якої умови руху на ділянці автомобільної дороги перестають бути ефективними. Методика дозволяє встановити період ефективного функціонування ділянки та прогнозований момент, з якого реконструкція стає доцільною.

Висновки. Результати дослідження можуть бути використані для планування реконструкції автомобільних доріг, удосконалення організації дорожнього руху та обґрунтування інженерних рішень на етапі довгострокового розвитку дорожньої мережі.

Посилання

  1. Alexander Eser. Vehicle Ownership Statistics URL: https://zipdo.co/vehicle-ownership-statistics/?utm_source=chatgpt.com#sources.
  2. Денисенко О. Новий підхід до визначення пропускної здатності нерегульованих перехресть. Системи управління, навігації та зв’язку. 2020. Т. 1, № 59. DOI: https://doi.org/10.26906/ SUNZ.2020.1.045.
  3. Наглюк, І. С., Макаричев, А. В., Горбачьов, П. Ф., & Горбачьова, О. А. (2018). Визначення пропускної здатності смуги руху на автомобільних дорогах і міських вулицях. Автомобільний транспорт. 2018. № 42. С. 89–97. DOI: https://doi.org/10.30977/AT.2219-8342.2018.42.0.89.
  4. Marco Guerrieri, Raffaele Mauro, Andrea Pompigna and Natalia Isaenko. Road Design Criteria and Capacity Estimation Based on Autonomous Vehicles Performances. First Results from the European C-Roads Platform and A22 Motorway. Transport and Telecommunication Journal. Vol. 22 (2021): Issue 2 (April 2021). Р. 230–243. DOI: https://doi.org/10.2478/ttj-2021-0018.
  5. Неізвестний С. В., Пальчик А. М. Simulation of vehicle movement at unregulated intersections of public roads. Modern Science – Moderní věda. 2025. Issue 1. DOI: https://doi.org/10.62204/2336-498X-2025-1-17.
  6. Неізвестний С. В., Пальчик А. М. Аналіз методів, які використовують при обґрунтуванні реконструкції автомобільних доріг. Дороги і мости. 2020. Вип. 21. С. 70–76. DOI: https://doi.org/10.36100/ dorogimosti2020.21.070.
  7. Liu, R., Shin, S.-Y. A Review of Traffic Flow Prediction Methods in Intelligent Transportation System Construction. Applied Sciences. 2025. 15(7). 3866. DOI: https://doi.org/10.3390/ app15073866.
  8. Черненко, А. О., Халіпова, Н. В., Леснікова, І. Ю. Щодо моделювання транспортних потоків для аналізу завантаженості доріг в містах. Транспортні системи та технології перевезень. 2016. (12). С. 90–98. https://doi.org/10.15802/tstt2016/85890.
  9. Неізвестний С. В., Пальчик А. М., Неізвестна Н. В., Додух К. М. Розроблення заходів з покращення дорожніх умов на ділянках автомобільних доріг на основі аналізу умов руху. Дороги і мости. 2021. Вип. 24. С.159–168. DOI: https://doi.org/10.36100/dorogimosti2021.24.159.
  10. Григорова Т. М., Дащенко А. Ф. Методи та практика прогнозування розрахункових характеристик автомобільних доріг. Праці Одеського політехнічного університету. 2007. 1(27). С. 51–56.
  11. Єріна А. М. Статистичне моделювання та прогнозування: навч. посібник. Київ.: КНЕУ, 2001. 170 с.
  12. Неізвестний С. В. Визначення періоду ефективного функціонування автомобільної дороги. Дороги і мости. 2023. Вип. 27. С. 245–252. DOI: https://doi.org/10.36100/ dorogimosti2023.27.245.
  13. Неізвестний С. В., Пальчик А. М. Методика експериментального дослідження розподілу інтервалів руху в транспортному потоці. Автомобільні дороги і дорожнє будівництво. 2023. Вип. 113. Ч. 2. С. 61–70. DOI: https://doi.org/10.33744/0365-8171-2023-113.2-061-069.
  14. Shepelev V., Glushkov A., Slobodin I., Balfaqih M. Studying the Relationship between the Traffic Flow Structure, the Traffic Capacity of Intersections, and Vehicle‑Related Emissions. Mathematics. 2023. 11(16): 3591. DOI: https://doi.org/10.3390/math11163591.
  15. Lv Y., Duan, Y., Kang, W., Li, Z., & Wang, F.‑Y. Traffic Flow Prediction With Big Data: A Deep Learning Approach. IEEE Transactions on Intelligent Transportation Systems. 2015. 16(2), 865–873. DOI: https://doi.org/10.1109/TITS.2014.2345663.
  16. Zheng, Y., Liu, F., Hsieh, H.‑P. U-Air: When Urban Air Quality Inference Meets Big Data. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2013. 1436–1444. DOI: https://doi.org/10.1145/2487575.2487682.