När det regnar ösregnar det. Och när det öser – som det har gjort i år – får vi gropar. Även om mindre gropar är ett besvär, kan stora gropar förstöra bilhjul och orsaka krascher, som dussintals bilister upptäckte förra veckan på Hume Freeway.

Tre mycket regniga år längs Australiens östkust innebär att gropar växer i antal. I sydöstra Queensland väntade tusentals kilometer med gropar med gropar på reparation månader efter översvämningar i regionen. I inlandet i New South Wales har vägpersonal reparerat mer än 135 000 gropar sedan februari.

Potholes kan till och med vara med i nästa månads viktorianska val. Labour har lovat brådskande reparationer medan liberalerna har utlovat 1 miljard USD per år under tio år för vägunderhåll.

Inte säker på vad som är farligare. Stormjager eller kör längs Sturt Hwy öster om Hay, NSW. Det finns så många "grytor" som kan anses vara dödliga längs denna väg. @TransportforNSW pic.twitter.com/lLWdhm9Hha

— Daniel Shaw (@DanielShawAU) 13 oktober 2022

Reparationer av gropar tenderar att ske långt efter att skadan först uppstod. Detta gäller särskilt på landsbygden där kommunerna måste upprätthålla stora vägnät med en mycket begränsad budget. Det växande problemet har redan tvingat vissa kommuner att skära ner i program för att bygga upp sina vägar. Det är där vår nya forskning kan hjälpa.

Genom att använda drönare eller kameror på bilar kan vi fånga tillståndet på ett områdes vägar för att bygga en digital modell. Vi kan sedan köra ett maskininlärningsprogram på den för att exakt förutsäga vilka gropar som sannolikt kommer att vidgas till en hjulförstörande grop.

Detta kan leda till säkrare vägar och spara stora summor pengar för skattebetalare och bilister. Kostnadsnyttoanalys tyder på att det skulle kunna minska övervakningskostnaderna med cirka 40 %.

Varför finns det gropar i nyheterna just nu?

Potholes gör nyheter eftersom de plötsligt finns överallt. När vi uthärdar vårt tredje år av La Nina, har vi haft oöverträffade regn och översvämningar i många delar av Australien.

Ett potthål bildas vanligtvis när regn landar på asfalt och rinner till lägre punkter på vägen. Fordonsdäck tvingar vattnet djupt in i små sprickor och springor. Med tiden bryter detta tryck av små bitar av asfalten. En liten gropa kan snabbt bli bredare och djupare när mer trafik går över den.

Gropar kan bildas på andra sätt, till exempel när vatten tränger in i vägbotten och skapar hålrum under asfalten. Efter att tillräckligt många bilar kört över platsen går asfalten sönder.

Vanligtvis får vägmyndigheter reda på gropar genom klagomål från allmänheten eller när arbetare kör runt och letar efter dem. Potholes åtgärdas också genom periodisk återbeläggning.

Men just nu har många kommuner svårt att hålla jämna steg med alla gropar som behöver åtgärdas.

Om det går tillräckligt med tid kan ett litet potthål bli ett gigantiskt och dyrt problem. Som ett resultat, i praktiken, är mycket reparation av gropar reaktiva - och en huvudvärk för råden.

Varför skulle en digital modell av våra vägar hjälpa?

Digital tvillingteknik blir allt mer populär som ett sätt att övervaka allt från leveranskedjor till lägenheter till lager. Målet är oftast att spara pengar.

När du väl har byggt en detaljerad digital modell av verkliga tillgångar kan du köra modellen framåt i tid för att se var stresspunkterna finns – och var du behöver ingripa tidigt. När modellen väl är byggd skulle du behöva uppdatera den en eller två gånger om året.

Låt oss säga att du har ett nätverk av landsvägar i outback Queensland. Du skickar upp drönare, som tar tusentals högupplösta bilder av vägarna. Sedan syr du ihop dessa bilder för att göra en 3D-modell. När du väl har det kan du träna ett maskininlärningsprogram på dessa bilder för att upptäcka kontrollanta problem.

Hur gör du modellen? I min forskning använde jag två drönare för att skapa en 3D-modell av 250 meter av Turner Street i Port Melbourne, som ofta är skadad på grund av ett stort antal lastbilar. Den bästa metoden för att få kvalitetsfoton visade sig vara manuell, snarare än att förlita sig på drönarens automatiska system. När jag hade tillräckligt med foton omvandlade jag dem till en digital tvilling och tränade ett maskininlärningsverktyg för att flagga gropar som är värda att reparera.

Alla gropar är inte skapade lika. Vissa kommer att hålla sig i samma storlek i flera år, medan ovanligt djupa eller breda gropar snabbt förvärras. När programmet väl har lärt sig vad det ska leta efter kan det hitta de värsta förövarna och flagga dem för snabb reparation

En vägarbetare med 20 år under bältet har vanligtvis en känsla för vilka gropar som kommer att bli värre. Vår forskning fångar den kunskapen och gör den till ett allmänt tillgängligt verktyg.

Så hur exakt var AI när det gällde att lära sig flagga gropar som sannolikt skulle försämras? Cirka 85 % korrekt, vilket är acceptabelt.

I min kostnadsnyttoanalys fann jag att den här metoden skulle vara cirka 40 % billigare än den traditionella metoden där en person kör och en annan gör anteckningar. Det skulle kräva liknande investering av tid, men jobbet kan utföras av en person istället för två. Vilka är nackdelarna? Den största för kommuner kommer sannolikt att lagra de stora volymerna data som genereras samtidigt som den säkerställer att den är både säker och tillgänglig.

När människor hör fraser som drönare, maskininlärning och digitala tvillingar kan de mentalt arkivera det under "intressant men för mycket arbete". Det är en stor skam. Att använda dessa verktyg är mycket lättare nu än det brukade vara – och industrier från medicinsk vetenskap till biltillverkning tar upp dem.

Årets översvämningar och skyfall erbjuder kommuner och andra vägmyndigheter ett utmärkt tillfälle att titta på vad som nu är möjligt.