مدل‌سازی شاخص وضعیت روسازی (pci) با استفاده از رگرسیون خطی چندگانه و شبکه عصبی انتشار برگشتی

یکی ازمهمترین اهداف یک سیستم مدیریت وسازی،تعیین اولویت‌ها و زمان بهینه برای تعمیرات،از طریق پیش‌ بینی وضعیت روسازی است.درواقع هدف سیستم مدیریت روسازی(pms)،ترمیم ونگهداری در مراحل نخستین خرابی وصرفه ‌جویی درهزینه‌هاست. از این رو در این پژوهش به منظور تعیین شاخص وضعیت روسازی (pci)، دو مدل رگرسیون خطی چندگانه و شبکه عصبی انتشار برگشتی را برازش داده و قدرت تخمین آنها مقایسه گردید. در این راستا خرابی‌های سه آزادراه کربلا، پل زال و تهران – قم مورد بررسی قرار گرفته، تا بدین وسیله بتوان روش مناسب برای پیش‌بینی شاخص وضعیت روسازی، به منظور شناسایی بهینه‌ترین زمان تعمیر و نگهداری در جهت کاهش هزینه‌های آن، شناسایی گردد. برای دستیابی به هدف مورد نظر برای ارزیابی قطعات (واحدهای نمونه) از نرم‌افزار‌های micropaver و برای ساخت مدل‌ها از نرم افزار matlab و spss استفاده گردید. به منظور برداشت خرابی‌های واحد‌های نمونه به فواصل 100 متر و قطعات به فواصل 500 از این مسیر برداشت شد. متغیرهای مورد بررسی در تحلیل مدل‌ها شامل: طول عمر قطعه در زمان بازرسی (ماه)، عرض واحد نمونه، متوسط aadt در طول عمر قطعه، متوسط درصد وسایل نقلیه سنگین در طول عمر قطعه، بیشینه دما در طول عمر قطعه در سال 1396،کمینه دما در طول عمر قطعه در سال 1396 وضخامت روسازی (سانتی متر) می‌باشد. بر اساس نتایج به دست آمده میزان عملکرد مدل شبکه عصبی بر اساس شاخص میانگین مربعات خطا (mse) و همچنین شاخص r2که به ترتیب برابر است با 0.95 و 0.87 می‌باشد که در مقایسه با مدل رگرسیون خطی چندگانه (0.139) دارای اعتبارسنجی بیشتری جهت پیش‌بینی وضعیت آینده روسازی می‌باشد. علاوه بر آن با توجه به مدل شبکه عصبی می‌توان دریافت طول عمر قطعه بیشترین اهمیت را در ساخت شبکه عصبی داشته (0.55) و پس از آن بیشینه دما (0.122) و درصد وسایل نقلیه سنگین (0.120) متغیرهای مهم بعدی در پیش‌بینی وضعیت روسازی راه‌ها می‌باشد.

Modeling the Pavement Condition Index (PCI) of Pavement by Multiple linear regression and neural network back propagation

One of the most important goals of a pavement management system is determination of optimal priorities and time for repairs, through prediction of pavement status. In fact, the purpose of the PMS system is to repair and maintain the early stages of cost savings and savings. . Therefore, in this study, in order to determine the Pavement Condition Index (PCI), two linear regression models and back propagation neural network models were fitted and their power estimates were compared.  In this regard, the damages of three freeways of Karbala, Paul Zal and Tehran Qom have been studied to identify the appropriate method for predicting pavement status index in order to identify the optimal maintenance time to reduce its costs. . Micropaver software and MATLAB and SPSS software were used for modeling and evaluation of components. This track was sampled in order to capture the failure of sample units at 100 m intervals and parts at 500 m intervals. The variables considered in the model analysis included: segment lifetime at inspection time (month), unit width, average AADT at segment lifetime, average percentage of heavy vehicles at segment lifetime, maximum temperature at segment lifetime in 1396, minimum Temperature is the lifetime of the piece in 1396 and the thickness of the pavement (cm). . The results show that the performance of neural network model based on mean square error index (MSE) as well as R2 index is 0.95 and 0.87, respectively, which is more valid than the multiple linear regression model (0.139). The future is paved. In addition, according to the neural network model, the lifetime of the segment can be most important in neural network construction (0.55) and then maximum temperature (0.122) and percentage of heavy vehicles (0.120) are the next important variables in predicting pavement status of roads.