ارائه روش جديد براي پيش‌بيني مدل اضمحلال و بهبود شاخص بين‌المللي ناهمواري روسازي انعطاف‌پذير

Presenting a new estimation technique to model International Roughness Index and treatment improvement

شاخص بين‌المللي ناهمواري روسازي يكي از مهم‌ترين شاخص‌هاي ارزيابي وضعيت روسازي است كه در سيستم‌هاي مديريت و برنامه‌ريزي تعمير و نگهداري روسازي استفاده مي‌شود. در اين مطالعه، به كمك الگوريتم بهينه‌سازي تكاملي تفاضلي و توسعه آن به روش يادگيري ماشين و با استفاده از پايگاه داده‌هاي برنامه بلندمدت روسازي، دو مدل براي پيش‌بيني اضمحلال شاخص بين‌المللي ناهمواري و بهبود عملكرد روسازي تحت اعمال روكش ارائه شده است. براي توسعه مدل اضمحلال روسازي، متغيرهاي آب و هوايي، ترافيكي و سازه‌اي در نظر گرفته شده‌اند و رابطه‌اي براي پيش‌بيني افزايش شاخص بين‌المللي ناهمواري روسازي ارائه شده است. همچنين، ميزان بهبود شاخص بين‌المللي ناهمواري روسازي تحت تأثير روش‌هاي مختلف تعمير و نگهداري مرسوم در ايران بررسي شد و رابطه‌اي براي پيش‌بيني ميزان كاهش اين شاخص تحت اعمال روكش ارائه شده است. تعداد 520 و 336 رديف داده‌ براي توسعه مدل‌هاي اضمحلال و بهبود عملكرد روسازي استفاده شده است. مدلهاي پيشبيني شده از دقت بسيار خوبي برخوردارند. ضريب تعيين مدل‌ اضمحلال روسازي ارائه شده برابر با 0/99 و ميانگين خطاي مطلق معادله ارائه شده براي داده‌هاي آموزش و آزمايش كمتر از 0/1 مي‌باشد كه دقت آن در مقايسه با ساير مدل‌هاي ارائه شده تا كنون به دليل در نظر گرفتن متغيرهاي متنوع و روش توسعه داده شده، بسيار زياد است. ضريب تعيين مدل بهبود توسعه­يافته براي داده‌هاي آموزش و آزمايش برابر 0/97 و جذر ميانگين مربعات خطا تقريباً برابر 0/2 به دست آمد.

International Roughness Index is one of the most important indices to assess the pavement quality, and it is generally employed in pavement maintenance planning. In this study, by virtue of differential evolutionary programming and Long Term Pavement Performance data, two prediction models are introduced to predict pavement deterioration function and treatments’ improvement. For pavement deterioration modeling, climate condition, traffic, and pavement structural features are taken into account. Besides, the most-applicable pavement treatments utilized in Iran are considered in this investigation. 520 and 336 data are applied to model pavement deterioration and treatments’ improvement. The predicted models have a very high accuracy and can be used in various fields. The pavement deterioration model and treatments’ improvement model reach the coefficient determination of 99% and 97% for both training and testing data, which indicates the high-level accuracy of the introduced models. The treatments’ improvement model provides the mean squared error of 0.2 approximately.