تحليل مدل‌هاي رگرسيوني پيش‌بيني دماي عمق لايه‌هاي آسفالتي-مطالعه مروري

Analysis of Regression-Based Models for Prediction of Depth Temperature of Asphalt Layers – A Review

دماي عمق لايه‌هاي آسفالتي به دليل رفتار ويسكوالاستيك مخلوط‌هاي آسفالتي، در ارزيابي سازه‌اي روسازي‌هاي انعطاف‌پذير از اهميت زيادي برخوردار است. دماي عمق لايه آسفالتي مي‌تواند به طور مستقيم در محل اندازه‌گيري شود و يا توسط مدل‌هايي پيش‌بيني گردد. در اين مقاله تحليل جامعي در خصوص دوازده مدل رگرسيوني مهم و پركاربرد پيش‌بيني دماي عمق لايه‌هاي آسفالتي صورت گرفته و با ارائه سوابق پژوهشي، به بررسي متغيرهاي ورودي مدل، تحليل حساسيت مدل نسبت به اين متغيرها، ارزيابي عملكرد آن‌ها از لحاظ دقت و قدرت پيش‌بيني و نيز مقايسه برتري آن‌ها نسبت به يكديگر پرداخته شده است. از آن جايي كه اغلب اين مدل‌ها در مناطق جغرافيايي و شرايط آب و هوايي خاصي توسعه داده شده‌اند، مدل‌هاي توسعه يافته با كاليبراسيون مدل‌هاي اصلي براي استفاده در شرايط محلي متفاوت نيز مورد بررسي قرار گرفته است. نتايج پژوهش‌ها نشان مي‌دهد كه مدل‌هاي رگرسيوني از عملكرد و دقت خوب و قابل قبولي برخوردار مي‌باشند. در ميان مدل‌هاي مورد بررسي، مدل BELLS با توجه به گستره داده‌هاي مورد استفاده در توسعه مدل، عملكرد و دقت مناسب و نيز در نظر گرفتن اثر پارامتر‌هاي مختلف به عنوان يكي از بهتر‌ين مدل‌هاي رگرسيوني پيش‌بيني دماي عمق لايه‌هاي آسفالتي شناخته مي‌شود. همچنين مدل صولتي‌فر و همكاران به عنوان مدل اصلاح شده BELLS براي روسازي‌هاي تازه ساخت با دقت بالا و براي مناطق با وضعيت آب و هوايي گرم توسعه يافته است. در مجموع بررسي نتايج پژوهش‌ها نشان مي‌دهد، مدل‌هاي توسعه يافته قابليت كاربرد در پيش‌بيني دماي عمق لايه‌هاي آسفالتي را با اعمال تصحيحاتي براي روسا‌زي‌ها و شرايط محلي متفاوت دارند.

Due to the viscoelastic behavior of asphalt mixtures, the depth temperature of asphalt layers is very important in the structural evaluation of flexible pavements. Depth temperature could be measured directly in the field or maybe predicted using prediction models. This paper presents a comprehensive analysis of different twelve regression-based models for the prediction of depth temperature of asphalt layers. With reference to the literature, required input parameters, sensitivity analysis, evaluation of prediction performance, as well as a comparison of the goodness of these models were discussed. Furthermore, calibrated models for different local conditions were presented. This is due to the fact that the original models were usually developed in specific geographical regions and climatic conditions. Results show that the regression-based models have a good performance and high accuracy in predicting the depth temperature of asphalt layers. Among the investigated models, according to the variety of data (or parameters) used in the model development, performance, considering the effect of various parameters, the BELLS model was introduced as one of the best regression-based models for the prediction of depth temperature of asphalt layers. The model developed by Solatifar et al. as a new version of the BELLS model showed very good accuracy for newly constructed pavements. In addition, with applying some modifications, it could be possible to use these models in different pavements and local conditions.