پيش بيني عملكرد روسازي با تلفيق مدل خانواده و شبكه عصبي (مطالعه موردي: معابر شهر ساري)

(Pavement Performance Prediction Model by Combining Family Model and Artificial Neural Network (Case Study: City of Sari Streets

مدل پيش بيني عملكرد روسازي مهم ترين بخش از يك سيستم مديريت روسازي است. اثر بخشي برنامه هاي بلندمدت و ميان مدت تعميرات و نگهداري راه، وابسته به صحت و اعتبار مدل پيش بيني عملكرد روسازي است. در مدلهاي خانواده، قطعات مختلف كه مشخصات فني مشابه داشته و روند افت كيفيت آنها يكسان باشد، در يك گروه قرار گرفته و براي مجموعه قطعات روسازي هر خانواده، يك مدل پيش بيني ساخته مي شود. مدلسازي بر اساس خانواده روسازي با كمترين داده ها و با سريعترين و ارزانترين روش مي تواند نتايجي با دقت بسيار خوب بدست دهد. در اين تحقيق در خيابانهاي شهر ساري دو خانواده مختلف روسازي تعريف شده است كه عبارتند از خانواده يك روسازي شامل معابر با ترافيك سنگين و ضخامت زياد آسفالت و خانواده دو روسازي شامل معابر با ترافيك سبك و ضخامت كم آسفالت. كليه خيابانهاي اصلي شهر مورد ارزيابي قرار گرفته و شاخص كيفيت روسازي (PCI) و عمر روسازي تعيين شده است. در هر خانواده روسازي با روش رگرسيون مدلسازي انجام شده است كه نهايتاً يك مدل رگرسيون درجه سه با ضريب همبستگي 90% براي خانواده يك روسازي و ضريب 84% براي خانواده دو روسازي بدست آمد. همچنين در هر خانواده روسازي، با استفاده از شبكه عصبي و با روش پرسپترون چند لايه (MLP) پيش بيني عملكرد روسازي انجام گرفت كه ضريب همبستگي 93% را نشان مي دهد. با توجه به اينكه مدلسازي فقط با يك بار ارزيابي روسازي انجام شده است، دقت مدلها بسيار خوب ارزيابي مي شود كه ناشي از استفاده از روش خانواده روسازي است. در نهايت تلفيق مدل خانواده با شبكه عصبي نسبت به روش رگرسيون به نتايج بهتري منجر شده است.

The most important part of a pavement management system is the pavement performance prediction model. The efficiency of maintenance and rehabilitation is dependent on the accuracy and validation of pavement performance prediction model. In family models, several pavement sections with similar properties and deterioration fall into a family. So, performance model is made for all pavements of a family. Modeling based on pavement family can provide high accuracy results with fastest and costless way and minimum data is needed. In this paper, two pavement families are defined in City of Sari streets including family 1 with high traffic loading and more asphalt thickness and family 2 with low traffic loading and less asphalt thickness. All arterial and other important streets are evaluated, and then pavement condition index (PCI) and pavement age is determined. For each pavement family a regression model is made and finally a third degree model is developed. Family 1 of pavements presents R2= 0.90 and family 2 has a regression coefficient R2= 0.84. In addition, for each family, the pavement performance is predicted by using a multi-layer perceptron neural network. In both families a regression coefficient can be seen around of R2 = 0.93. Models are made based on just one pavement evaluation, so we can define their accuracy as very good. High accuracy model is resulted by pavement family idea. The results show that combining between family model and artificial neural network (ANN) can provide more accurate prediction than regression method. So, this method is recommended for movement management system in earlier stages.