Technology Rain Journal ISSN: 2953-464X
Vol. 5 Núm. 1 (Enero – Junio, 2026),e125
https://technologyrain.com.ar/
Artículo de Investigación Original
Gestión de mantenimiento de pavimentos flexibles basada en PCI: evaluación y
priorización en la carretera PE‑08A (Cajamarca, Perú).
Flexible pavement maintenance management based on PCI: assessment and
prioritization on the PE-08A road (Cajamarca, Peru).
Nelve Núñez Bustamante
1[0009-0000-2218-9156]
, Krantz Peláez
2[0009-0007-0151-4715]
, Aler Rafael
3[0000-0001-
6714-8999]
1
Universidad Nacional Autónoma de Chota (UNACH), nnunhezb@unach.edu.pe.
2
Universidad Nacional de Cajamarca (UNC), kpelaeza14@unc.edu.pe,
3
Universidad Nacional de Cajamarca (UNC), jrafaelt_epg20@unc.edu.pe.
CITA EN APA:
Núñez Bustamante, N., Peláez, K., &
Rafael, A. (2026). Gestión de
mantenimiento de pavimentos
flexibles basada en PCI: evaluación y
priorización en la carretera PE‑08A
(Cajamarca, Perú). Technology Rain
Journal, 5(1).
https://doi.org/10.55204/trj.v5i1.e125
Recibido: 15 de diciembre-2026
Aceptado: 27 de febrero-2026
Publicado: 03 de marzo-2026
Technology Rain Journal
ISSN: 2953-464X
Resumen. El Índice de Condición del Pavimento (PCI) es un indicador
ampliamente utilizado para caracterizar el estado funcional de superficies
asfálticas mediante la identificación visual de fallas, su severidad y densidad.
Este estudio evalúa el pavimento flexible de un tramo de 9.96 km de la carretera
PE‑08A, en Cajamarca (Perú), aplicando el procedimiento de inspección de la
ASTM D6433‑24. Se levantaron 310 unidades de muestra de 225 m²,
registrando fallas dominantes como desprendimiento de agregados,
desintegración y fisuración longitudinal/transversal. El PCI promedio del tramo
fue 86 (condición excelente). Sobre esta base, se propone una matriz práctica de
intervención y priorización orientada a mantenimiento preventivo (sellado de
fisuras y tratamientos superficiales) para sostener el nivel de servicio y reducir
el riesgo de deterioro acelerado en el corto plazo.
Palabras Clave: PCI, pavimento flexible, fallas superficiales, mantenimiento
vial, priorización.
Los contenidos de este artículo están
bajo una licencia de Creative
Commons Attribution 4.0
International (CC BY 4.0 )
Los autores conservan los derechos
morales y patrimoniales de sus obras.
Abstract: The Pavement Condition Index (PCI) is a widely used indicator for
characterizing the functional condition of asphalt surfaces through the visual
identification of defects, their severity, and density. This study evaluates the
flexible pavement of a 9.96 km section of the PE-08A highway in Cajamarca,
Peru, applying the ASTM D6433-24 inspection procedure. Three hundred and
ten 225 m² sample units were collected, recording dominant defects such as
aggregate spalling, disintegration, and longitudinal/transverse cracking. The
average PCI for the section was 86 (excellent condition). Based on this, a
practical intervention and prioritization matrix is proposed, focusing on
preventive maintenance (crack sealing and surface treatments) to maintain the
level of service and reduce the risk of accelerated deterioration in the short term.
Keywords: PCI, flexible pavement, surface distresses, pavement
maintenance, prioritization.
2
https://technologyrain.com.ar/
1. INTRODUCCIÓN
Las carreteras de pavimento flexible requieren monitoreo continuo para identificar
oportunamente procesos de deterioro y seleccionar intervenciones costo‑efectivas. La evaluación
basada en condición es un componente central de los sistemas de gestión de pavimentos, pues
permite comparar tramos, priorizar recursos y programar mantenimiento preventivo antes de que el
deterioro se acelere (FHWA, 2022; Tamagusko et al., 2024).
Entre los indicadores funcionales más utilizados se encuentra el Índice de Condición del
Pavimento (PCI), calculado a partir de la inspección visual estandarizada de fallas, su severidad
(baja, media o alta) y su densidad en unidades de muestra (ASTM D6433‑24, 2024). En redes con
restricciones presupuestales, la evidencia reciente muestra que combinar inspección visual con
enfoques de gestión de activos y priorización multicriterio mejora la asignación de fondos y el
desempeño de la red (Huang et al., 2024; Rosero Vega & Rodríguez Moreno, 2024).
Aunque la inspección visual es una referencia consolidada, su calidad depende de la
consistencia del equipo evaluador y del control de datos; por ello se recomiendan esquemas de
capacitación, auditoría y verificación de reproducibilidad (Chang et al., 2025; Lu et al., 2025). En
paralelo, se observa una transición hacia levantamientos semiautomatizados y automatizados
(imágenes, sensores e IA) para ampliar cobertura y reducir subjetividad, manteniendo trazabilidad
y criterios comparables con el PCI (National Academies of Sciences, Engineering, and Medicine
[NASEM], 2024; Ibragimov et al., 2024; Qureshi et al., 2023). Asimismo, modelos predictivos
recientes basados en aprendizaje automático permiten estimar o clasificar el PCI como apoyo a la
programación de mantenimiento, especialmente en redes municipales y entornos con recursos
limitados (Issa et al., 2022; Afridi et al., 2025; Ashqar et al., 2025).
En el norte del Perú, los corredores regionales presentan condiciones ambientales y
operacionales que pueden acelerar el desgaste superficial y la fisuración. En este contexto, el
presente trabajo evalúa el estado del pavimento flexible de la carretera PE‑08A (Dv. San Pablo –
Dv. San Bernardino), en Cajamarca, mediante el PCI, y propone lineamientos prácticos para
priorizar acciones de mantenimiento a nivel de tramo.
El objetivo general fue evaluar la condición superficial del pavimento flexible de la carretera
PE‑08A (0+000–9+960) empleando el Índice de Condición del Pavimento (PCI) y plantear una
propuesta de priorización de mantenimiento basada en condición. Los objetivos específicos fueron:
(i) diseñar el muestreo y ejecutar el inventario de fallas por unidad de muestra; (ii) calcular el PCI
por unidad y el PCI promedio del tramo; (iii) caracterizar la frecuencia relativa de las fallas
Technology Rain Journal ISSN: 2953-464X (2023) 3
https://technologyrain.com.ar/
dominantes; y (iv) proponer alternativas de intervención y un esquema de priorización para la
programación de mantenimiento.
2. METODOLOGÍA
2.1. Área de estudio
El área de estudio corresponde a un tramo de 9.96 km de la carretera PE‑08A, ubicado en la
provincia de Cajamarca (Perú), entre las progresivas 0+000 y 9+960 (Dv. San Pablo – Dv. San
Bernardino). Se trata de una vía con pavimento flexible a nivel de carpeta asfáltica. La evaluación
se enfocó en la condición superficial observable y en la identificación de fallas típicas de pavimentos
asfálticos.
2.2. Diseño de investigación y procedimiento PCI
El estudio es de tipo aplicado y nivel descriptivo, con diseño no experimental y corte
transversal. La condición se evaluó mediante inspección visual conforme a ASTM D6433‑24, que
define el PCI como una escala de 0 a 100 (100 = excelente) basada en valores de deducción por tipo
de falla, severidad y densidad (ASTM D6433‑24, 2024). El procedimiento general comprende: (i)
delimitación del tramo y definición de unidades de muestra; (ii) inventario de fallas por unidad (tipo,
severidad, cantidad/área o longitud); (iii) cálculo de densidades y valores de deducción; (iv)
obtención del valor de deducción corregido (CDV) y del PCI por unidad; y (v) agregación de
resultados para caracterizar el tramo.
2.3. Unidades de muestra y tamaño de muestreo
Se dividió el tramo en 310 unidades de muestra de 225 m², dentro del rango recomendado
por la norma (225 ± 90 m²). Considerando un ancho de calzada de 7.00 m, la longitud equivalente
por unidad fue de 32.14 m (≈ 225/7). La Tabla 1 resume los parámetros del diseño de muestreo.
Parámetro
Valor
Tramo evaluado
PE‑08A (0+000–9+960); longitud
9.96 km
Ancho de calzada (aprox.)
7.00 m
Área de unidad de muestra
225 m² (rango ASTM: 225 ± 90 m²)
Longitud equivalente por
unidad
32.14 m
Número de unidades de
muestra
310
4
https://technologyrain.com.ar/
Método de evaluación
Inspección visual y cálculo de PCI
(ASTM D6433‑24)
Tabla 1. Parámetros del tramo y diseño de muestreo para el cálculo del PCI.
2.4. Inventario de fallas y control de calidad
En cada unidad de muestra se registró el tipo de falla, su severidad (baja, media o alta) y su
magnitud (longitud, área o cantidad, según corresponde), conforme a la codificación y definiciones
de la ASTM D6433-24. Se utilizó un formato de campo estandarizado y registro fotográfico
georreferenciado para facilitar la verificación posterior de los datos. La consistencia del inventario
se asegura mediante revisión de completitud (campos obligatorios), verificación de rangos y
contraste visual con el registro fotográfico. (FHWA, 2022; Chang et al., 2025; Lu et al., 2025).
La inspección fue realizada por dos evaluadores capacitados, efectuándose una verificación
cruzada aleatoria del 10% de las unidades para asegurar consistencia en la clasificación de
severidad.
3. RESULTADOS Y DISCUSIÓN
3.1. Resultados
3.1.1. Índice de Condición del Pavimento (PCI) del tramo
Se evaluaron 310 unidades de muestra. El PCI promedio del tramo fue 86, correspondiente a una
condición excelente.
Clase de condición
Unidades (n)
Porcentaje
(%)
Excelente
195
62.90
Muy Buena
92
29.68
Buena
19
6.13
Regular
4
1.29
Total
310
100.00
Tabla 2. Distribución de unidades de muestra por clase de condición superficial (PCI).
Technology Rain Journal ISSN: 2953-464X (2023) 5
https://technologyrain.com.ar/
Figura 1. Distribución porcentual de condición superficial según PCI (n=310)
3.1.2. Frecuencia de fallas
En el inventario se registraron 1108 ocurrencias de fallas (≈ 111 ocurrencias/km). Las fallas
dominantes fueron desprendimiento de agregados/desintegración (raveling), fisuración longitudinal
y transversal, y fisuración de borde (Tabla 3).
Tipo de falla
Ocurrencias
(n)
Participación
(%)
Interpretación/implicancia típica
Desprendimiento de
agregados /
desintegración
(raveling)
618
55.78
Pérdida de textura y durabilidad;
sugiere envejecimiento/oxidación,
baja adhesión o acción del agua.
Fisuras longitudinales
y transversales
254
22.92
Permiten infiltración de agua; suelen
asociarse a contracción térmica,
fatiga local o reflexión de juntas.
Fisuras de borde
164
14.80
Frecuentes en zonas con soporte
lateral deficiente, drenaje pobre o
sobrecarga cerca del borde.
Baches
37
3.34
Daño localizado por pérdida de
material y humedad; requiere
corrección inmediata por seguridad.
0,00%
20,00%
40,00%
60,00%
80,00%
1
CANTIDADES DE FALLAS POR TIPO SEGUN METODO PCI
REGULAR BUENO MUY BUENO EXCELENTE
6
https://technologyrain.com.ar/
Ondulaciones
(bacheo/abultamiento)
12
1.08
Deformación superficial; puede
indicar problemas de mezcla,
compactación o estabilidad.
Exudación (bleeding)
12
1.08
Exceso de ligante; reduce
macrotextura y puede aumentar
riesgo de deslizamiento.
Hundimientos y
depresiones
8
0.72
Asentamientos locales o
deformación; puede reflejar
problemas en capas inferiores.
Fisuras por reflexión
2
0.18
Propagación de discontinuidades de
capas inferiores; requiere sellado y
control de movimientos.
Parcheo y huecos de
servicios
1
0.09
Intervenciones previas/zanjas;
pueden ser puntos débiles si no se
ejecutan adecuadamente.
Tabla 3. Tipos de fallas identificadas y participación relativa en el inventario (n=1108).
3.2. Discusión
El PCI promedio de 86 ubica al tramo evaluado en una condición funcional alta, lo que
implica que la estrategia más rentable suele ser mantener el pavimento en buen estado mediante
tratamientos preventivos de bajo costo antes de que se incremente la fisuración y aparezcan fallas
estructurales (Peshkin et al., 2024; FHWA, 2022).
A pesar del buen nivel global, la alta participación del desprendimiento de agregados y
desintegración (55.78%) sugiere un proceso dominante de envejecimiento superficial y pérdida de
cohesión/adhesión, posiblemente intensificado por humedad, variaciones térmicas y carga
vehicular. La literatura reciente enfatiza que los tratamientos superficiales (sellos,
slurry/microsurfacing, chip seal) son efectivos para restaurar textura y sellar la superficie cuando el
deterioro es principalmente funcional y el soporte estructural aún es adecuado (Peshkin et al., 2024).
La fisuración longitudinal/transversal y la fisuración de borde (37.72% combinadas)
representan rutas de ingreso de agua hacia capas inferiores, por lo que el sellado oportuno de fisuras
y el mejoramiento local de drenaje/bermas son medidas prioritarias para evitar una transición rápida
hacia baches y deformaciones (Knapek, 2023; Huang et al., 2024).
Como complemento, en programas de gestión a escala de red suele ser útil contrastar el PCI
con indicadores continuos como el Índice Internacional de Rugosidad (IRI), ya que estudios
Technology Rain Journal ISSN: 2953-464X (2023) 7
https://technologyrain.com.ar/
recientes reportan modelos empíricos para aproximar PCI desde IRI en entornos específicos,
facilitando el seguimiento cuando no es viable inspeccionar toda la red (Radwan et al., 2024).
Los resultados obtenidos se enmarcan dentro de la variabilidad reportada en la región para
evaluaciones basadas en PCI. En Cajamarca, Briones (2018) reportó un PCI ponderado de 48.56
(condición regular) para un tramo urbano-vecinal evaluado con PCI, evidenciando que, en contextos
con mayor deterioro acumulado y mantenimiento insuficiente, la condición puede disminuir
significativamente. Asimismo, en Perú se han reportado aplicaciones del PCI en vías urbanas con
enfoques de diagnóstico y propuesta de mantenimiento (Torres-Torres & Muñoz-Pérez, 2023). En
Colombia, Ruiz Acero y Gutiérrez Hortua (2025) encontraron predominio de categorías “malo” y
“muy malo” en una evaluación apoyada con SIG, resaltando la utilidad del PCI para priorización a
escala de red. Estas comparaciones muestran que un PCI alto, como el del presente tramo, es
consistente con escenarios donde predominan daños funcionales incipientes y existe margen para
preservación temprana.
El PCI promedio de 86 (condición excelente) se explica porque la mayor parte de las
unidades se ubican en categorías excelente y muy buena, y las fallas registradas son principalmente
superficiales. La dominancia del desprendimiento de agregados/desintegración sugiere un
mecanismo de deterioro funcional asociado a envejecimiento superficial y pérdida de textura, más
que a daño estructural generalizado. En este contexto, la estrategia costo-efectiva es la preservación
(sellado de lesiones y tratamientos superficiales) para evitar infiltración de agua y transición hacia
baches y fallas más severas.
Finalmente, la tendencia internacional es complementar inspecciones visuales con
tecnologías de captura automatizada (imágenes, sensores, IA) para aumentar cobertura y
consistencia, y con ello reducir la variabilidad propia de la inspección manual; no obstante, la
inspección estandarizada sigue siendo una referencia base para asegurar comparabilidad y para
calibrar herramientas automatizadas (NASEM, 2024; Ibragimov et al., 2024; Qureshi et al., 2023;
Shang et al., 2024).
3.3. Propuesta de priorización y alternativas de intervención
3.3.1. Enfoque de priorización a nivel de tramo
Para una programación anual de mantenimiento con presupuesto limitado, se propone
utilizar un índice de prioridad (IP) que combine la condición (PCI) con factores de criticidad
(Triantaphyllou, 2000). El IP permite ordenar unidades o subtramos para intervenir primero donde
el beneficio esperado es mayor. Un esquema práctico es:
IP = w₁·(100 − PCIᵢ) + w₂·Tᵢ + w₃·Cᵢ + w₄·Sᵢ
8
https://technologyrain.com.ar/
Los w
1
– w
4
se proponen como referencias para una primera implementación, dado que su elección
depende del contexto (presupuesto, criticidad de la vía, seguridad). En la literatura, la determinación
de ponderaciones puede realizarse mediante consenso experto o métodos multicriterio como el
Proceso Analítico Jerárquico (AHP), que permite estructurar criterios y asignar prioridades de
manera transparente. En este estudio, el IP se presenta como una propuesta conceptual para apoyar
la programación; su validación requiere calibración con datos de tránsito, costos y desempeño
posterior a la intervención (Saaty, 1980).
Escala práctica sugerida (normalización 0–100)
“Para facilitar el uso, se sugiere normalizar: Tᵢ, Cᵢ y Sᵢ en una escala 0–100 (bajo=33, medio=66,
alto=100).”
Ejemplo de aplicación (ilustrativo)
“Unidad A: PCI = 65 → (100 − PCI) = 35; tránsito alto T = 100; criticidad media C = 66;
seguridad alta S = 100. Con w₁ = 0,50, w₂ = 0,20, w₃ = 0,20, w₄ = 0,10:
IP = 0,50(35) + 0,20(100) + 0,20(66) + 0,10(100) = 60,7.
Unidad B: PCI = 80 → (100 − PCI) = 20; tránsito medio T = 66; criticidad media C = 66;
seguridad baja S = 33:
IP = 0,50(20) + 0,20(66) + 0,20(66) + 0,10(33) = 39,7.
En consecuencia, la Unidad A tiene prioridad sobre la Unidad B.”
3.3.2. Matriz de intervención recomendada
Con base en el PCI y las fallas dominantes, la estrategia recomendada para el tramo es
principalmente preventiva: sellado de fisuras, tratamientos superficiales para recuperar textura y
acciones localizadas correctivas (bacheo y reparación puntual) en las unidades regulares. La Tabla
4 resume alternativas típicas y su propósito.
Clase PCI
(referencial)
Condición
Objetivo
Tratamientos típicos (ejemplos)
85–100
Excelente
Preservar y
evitar ingreso
de agua
Rutina: limpieza y drenaje; sellado de fisuras
incipientes; reposición de señalización.
Preventivo ligero: fog seal o rejuvenecedor
según necesidad.
70–85
Muy buena
Detener
fisuración y
recuperar
textura
Sellado de fisuras (clean‑and‑seal /
rout‑and‑seal según ancho); slurry seal o
microsurfacing; chip seal en vías de
bajo‑mediano volumen.
Technology Rain Journal ISSN: 2953-464X (2023) 9
https://technologyrain.com.ar/
55–70
Buena
Corregir
fallas
funcionales y
retrasar
rehabilitación
Microsurfacing/slurry con corrección puntual;
bacheo localizado; thin overlay cuando hay
fisuración moderada.
40–55
Regular
Restituir
nivel de
servicio y
corregir
zonas críticas
Bacheo y reparación localizada; overlay
estructural delgado‑medio según diagnóstico;
corrección de drenaje/bermas.
Tabla 4. Matriz simplificada de alternativas de mantenimiento/rehabilitación según rango de PCI y
objetivo de intervención.
3.3.3. Recomendaciones específicas para el tramo
Considerando que el 92.58% de las unidades se ubican en condición muy buena o excelente,
la prioridad debe orientarse a preservación temprana para evitar que el desprendimiento de
agregados evolucione hacia pérdida acelerada de material y fisuración más extensa. Se recomiendan
las siguientes acciones:
• Tratamiento superficial: slurry seal o microsurfacing en sectores con pérdida de
textura y desintegración, previa corrección localizada.
• Sellado de fisuras longitudinales, transversales y de borde, con limpieza y secado
adecuados; seleccionar rout‑and‑seal para fisuras activas y mayores anchos.
• Bacheo y reparación puntual inmediata en unidades regulares y en zonas con baches
por seguridad.
• Medidas complementarias: limpieza/mejoramiento de drenaje y control de agua
superficial para reducir daños por humedad.
Estas recomendaciones son consistentes con la evidencia de programas de preservación que
enfatizan intervenciones oportunas y monitoreo de desempeño para optimizar la vida útil de la red
(Peshkin et al., 2024; Knapek, 2023; ASTM D6433‑24, 2024; ASTM E1166‑24, 2024).
4. CONCLUSIONES
El tramo PE-08A (0+000–9+960) presentó un PCI promedio de 86, correspondiente
a condición excelente. La distribución por clases mostró predominio de unidades en estado
excelente y muy bueno, confirmando un desempeño funcional alto y favorable para la
preservación temprana.
10
https://technologyrain.com.ar/
El inventario evidenció como fallas dominantes el desprendimiento de
agregados/desintegración, seguido de fisuración longitudinal/transversal y de borde, lo que
orienta la intervención hacia mantenimiento preventivo (sellado oportuno y tratamientos
superficiales) y correcciones localizadas por seguridad. La matriz de intervención y el
esquema de priorización propuesto brindan una guía directa para programar acciones bajo
restricciones presupuestales, evitando el deterioro acelerado por el ingreso de agua.
El diagnóstico se basa en inspección visual PCI, por lo que no reemplaza una
evaluación estructural ni indicadores continuos como IRI o fricción. Se recomienda
complementar con mediciones adicionales, repetir levantamientos para analizar tendencia
temporal y calibrar el Índice de Prioridad con datos reales de tránsito, costos y desempeño
post-intervención, de modo que la priorización evolucione de conceptual a validada.
CONFLICTO DE INTERESES (Obligatorio)
Los Autores declaran que no existe conflicto de intereses.
CONTRIBUCIÓN DE AUTORÍA (Obligatorio)
En concordancia con la taxonomía establecida internacionalmente para la asignación de créditos a autores de
artículos científicos (https://credit.niso.org/). Los autores declaran sus contribuciones en la siguiente matriz:
Nelve Núñez
Bustamante
Krantz Naghel
Peláez Aleaga
Jesus Aler Nizzet
Rafael Tiglia
Participar activamente en:
Conceptualización
X
X
Análisis formal
X
X
Adquisición de fondos
X
X
Investigación
X
X
Metodología
X
X
Administración del proyecto
X
X
Recursos
X
X
X
Redacción –borrador original
X
X
Redacción –revisión y edición
X
X
La discusión de los resultados
X
X
Revisión y aprobación de la versión final del trabajo.
X
X
REFERENCIAS
ASTM D6433‑24. (2024). Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys.
ASTM International. https://doi.org/10.1520/D6433-24
Chang, C. M., Cheng, D. X., Smith, R. E., Tan, S. G., & Hossain, A. (2025). SMART quality control analysis
of pavement condition data for pavement management applications. International Journal of
Transportation Science and Technology, 18, 227–244. https://doi.org/10.1016/j.ijtst.2024.06.007
Federal Highway Administration. (2022). Pavement Management Roadmap: Executive Summary
(FHWA‑HIF‑22‑055). U.S. Department of Transportation.
Huang, L.-L., Lin, J.-D., Huang, W.-H., Kuo, C.-H., Chiou, Y.-S., & Huang, M.-Y. (2024). Developing
pavement maintenance strategies and implementing management systems. Infrastructures, 9(7), 101.
https://doi.org/10.3390/infrastructures9070101
Technology Rain Journal ISSN: 2953-464X (2023)
11
https://technologyrain.com.ar/
Ibragimov, E., Kim, Y., Lee, J. H., Cho, J., & Lee, J.-J. (2024). Automated pavement condition index
assessment with deep learning and image analysis: An end-to-end approach. Sensors, 24(7), 2333.
https://doi.org/10.3390/s24072333
Knapek, D. (2023). Asphalt crack treatment FAQs and technical resources. Minnesota Department of
Transportation (MnDOT) Research.
Lu, S.-H., Lin, J.-D., & Chiou, Y.-S. (2025). Analysis and verification results of manual inspection of
pavement condition index. Applied Sciences, 15(10), 5600. https://doi.org/10.3390/app15105600
Peshkin, D., Ram, P., Zimmerman, K., & Pai, S. (2024). Pavement Preservation Program Benchmarking
Study (FHWA‑HIF‑24‑024). Federal Highway Administration.
Rosero Vega, D., & Rodríguez Moreno, M. A. (2024). Development of a multicriteria matrix for decision
making in the management of flexible pavements in an urban road network: Case study the city of Itagüí
– Colombia. Revista Ingeniería de Construcción, 39(1), 1–16. https://doi.org/10.7764/RIC.00095.21
Shang, J., Zhang, A. A., Dong, Z., & He, A. (2024). Automated pavement detection and artificial intelligence
pavement image data processing technology: A review. Automation in Construction, 168, 105797.
https://doi.org/10.1016/j.autcon.2024.105797
Tamagusko, T., Gomes Correia, M., & Ferreira, A. (2024). Machine learning applications in road pavement
management: A review, challenges and future directions. Infrastructures, 9(12), 213.
https://doi.org/10.3390/infrastructures9120213
ASTM E1166‑24. (2024). Standard Guide for Network Level Pavement Management. ASTM International.
https://www.astm.org/e1166-24.html
Afridi, M. A., Erlingsson, S., Sjögren, L., & Englund, C. (2025). Predicting Pavement Condition Index Using
an ML Approach for a Municipal Street Network. Journal of Transportation Engineering, Part B:
Pavements, 151(2), 04025025. https://doi.org/10.1061/jpeodx.pveng-1568
Ashqar, H. I., Issa, A., & Masri, S. (2025). A software for predicting Pavement Condition Index (PCI) using
machine learning for practical decision‑making with an exclusion approach. SoftwareX, 31, 102304.
https://doi.org/10.1016/j.softx.2025.102304
Issa, A., Samaneh, H., & Ghanim, M. (2022). Predicting pavement condition index using artificial neural
networks approach. Ain Shams Engineering Journal, 13(1), 101490.
https://doi.org/10.1016/j.asej.2021.04.033
National Academies of Sciences, Engineering, and Medicine. (2024). AI Applications for Automatic
Pavement Condition Evaluation. The National Academies Press. https://doi.org/10.17226/27993
Qureshi, W. S., Power, D., Ullah, I., Mulry, B., Feighan, K., McKeever, S., & O’Sullivan, D. (2023). Deep
learning framework for intelligent pavement condition rating: A direct classification approach for
regional and local roads. Automation in Construction, 153, 104945.
https://doi.org/10.1016/j.autcon.2023.104945
Radwan, M. M., Mousa, A., & Zahran, E. M. M. (2024). Enhancing Pavement Sustainability: Prediction of
the Pavement Condition Index in Arid Urban Climates Using the International Roughness Index.
Sustainability, 16(8), 3158. https://doi.org/10.3390/su16083158
Briones, M. (2018). Evaluación del pavimento asfáltico mediante el índice de condición de pavimento (PCI)
en la vía aeropuerto – desvío a Otuzco – Cajamarca – 2018 [Tesis]. Universidad Nacional de Cajamarca.
Torres-Torres, L. C., y Muñoz-Pérez, S.P. (2023). Evaluación de un pavimento flexible mediante el método
PCI (Índice de Condición del Pavimento). ITECKNE, 20 (1), 45–57.
https://doi.org/10.15332/iteckne.v20i1.2919
Ruiz Acero, J.C., & Gutiérrez Hortua, D.A. (2025). Evaluación del Índice de Condición del Pavimento (PCI)
mediante Sistemas de Información Geográfica (SIG): Aplicación en el tramo Cajicá-Tabio (K0+000 a
K2+000). Revista EIA, 22 (44), Reia4417, 1–28. https://doi.org/10.24050/reia.v22i44.1869
Triantaphyllou, E. (2000). Métodos de toma de decisiones multicriterio: Un estudio comparativo. Springer.
https://doi.org/10.1007/978-1-4757-3157-6.
Saaty, T.L. (1980). El proceso de jerarquía analítica: Planificación, establecimiento de prioridades,
asignación de recursos. McGraw-Hill.
