بررسی عملکرد مدل های رگرسیون و شبکه عصبی در تخمین رابطه بین شاخص وضعیت روسازی و شاخص ناهمواری بین‌المللی

ارزیابی و سنجش کیفیت روسازی با شناخت بهتر از عملکرد صحیح بخش‌های مختلف سیستم مدیریت روسازی، موجب تعیین بانک اطلاعاتی برای پیش‌بینی زمان بهینه طراحی و به‌روزرسانی اطلاعات می‌شود. شاخص‌های وضعیت روسازی (pci) و شاخص ناهمواری بین‌المللی (iri) به‌عنوان دو معیار سنجش عملکرد ارزیابی روسازی راه‌ها می‌باشد که تاثیر بسزایی بر مدیریت بودجه‌های ترمیم و نگهداری راه‌ها دارد. بااین‌وجود، شاخص‌های pci و iri جامع و کامل نمی‌باشند و نیاز است تا مشکلات موجود در آن‌ها با تعیین یک رابطه منطقی و با دقت بالا برطرف شود. هدف از این مطالعه تعیین رابطه بین شاخص‌های iri و pci با استفاده از تحلیل‌های آماری اسپیرمن، پیرسون و دوربین واتسون، مدل‌های رگرسیون خطی و غیرخطی و مدل شبکه عصبی می‌باشد. در همین راستا، داده‌های 392 قطعه از راه‌های شریانی استان اصفهان بررسی شد و شاخص‌های pci و iri این قطعات به‌عنوان جامعه آماری انتخاب شدند. نتایج بخش مدل‌سازی نشان داد با باوجود عملکرد مناسب شبکه عصبی در پیش‌بینی داده‌های آموزش، ولی در پیش‌بینی داده‌های جدید و در مرحله آزمون با حدود 46 درصد خطا، عملکرد ضعیفی دارد و مدل دچار بیش‌پردازش ‌شده است. در نهایت، عملکرد مدل رگرسیون خطی نشان داد استفاده از رابطه pci=-19.802×iri +126.970 با دقت 77% می‌توان مقادیر pci را با استفاده از داده‌های iri تعیین کرد. با توجه به‌سرعت برداشت و تحلیل نتایج بالا شاخص iri و کاربردی بودن شاخص pci به‌عنوان روش استاندارد در برنامه‌ریزی و تعیین گزینه‌های نگهداری راه‌ها، این مدل می‌تواند کمک شایانی را در راستای افزایش دقت و سرعت تصمیم‌گیری‌ها و کاهش هزینه‌های سنگین برداشت خرابی و زمان تحلیل نتایج شود.

evaluation of the performance of regression and neural network models in estimating the relationship between pavement status index (pci) and international roughness index (iri)

evaluating and measuring the quality of pavement by better understanding the correct performance of different parts of the pavement management system, it is possible to determine the database to predict the optimal design time and update information. pavement condition index (pci) and international roughness index (iri) are two criteria for measuring the performance of road pavement evaluation, which has a significant impact on the management of road repair and maintenance budgets. however, the pci and iri indices are not comprehensive and need to be addressed by establishing a logical relationship with high accuracy. the aim of this study was to determine the relationship between iri and pci indices using spearman, pearson and watson statistical analyzes, linear and nonlinear regression models and neural network model. in this regard, data of 392 sections of arterial pathways in isfahan province were reviewed and pci and iri indices of these sections were selected as the statistical population. the results of the modeling section showed that despite the proper performance of the neural network in predicting training data, but in predicting new data and in the test phase with about 46% error, has a poor performance and the model has been overworked. finally, the performance of the linear regression model showed that using the relation pci = -19.802 × iri +126.970 with 77% accuracy pci values can be determined using iri data. considering the speed of harvesting and analysis of the high results of the iri index and the applicability of the pci index as a standard method in planning and determining road maintenance options, this model can be a great help in increasing the accuracy and speed of decisions and reducing the heavy costs of failure and time analysis of results.