پیش بینی عملکرد روسازی با تلفیق مدل خانواده و شبکه عصبی (مطالعه موردی: معابر شهر ساری)

مدل پیش بینی عملکرد روسازی مهم‌ترین بخش از یک سیستم مدیریت روسازی است. اثر بخشی برنامه های بلندمدت و میان مدت تعمیرات و نگهداری راه، وابسته به صحت و اعتبار مدل پیش بینی عملکرد روسازی است. در مدلهای خانواده، قطعات مختلف که مشخصات فنی مشابه داشته و روند افت کیفیت آنها یکسان باشد، در یک گروه قرار گرفته و برای مجموعه قطعات روسازی هر خانواده، یک مدل پیش بینی ساخته می شود. مدلسازی بر اساس خانواده روسازی با کمترین داده ها و با سریعترین و ارزانترین روش می تواند نتایجی با دقت بسیار خوب بدست دهد. در این تحقیق در خیابانهای شهر ساری دو خانواده مختلف روسازی تعریف شده است که عبارتند از خانواده یک روسازی شامل معابر با ترافیک سنگین و ضخامت زیاد آسفالت و خانواده دو روسازی شامل معابر با ترافیک سبک و ضخامت کم آسفالت. کلیه خیابانهای اصلی شهر مورد ارزیابی قرار گرفته و شاخص کیفیت روسازی (pci) و عمر روسازی تعیین شده است. در هر خانواده روسازی با روش رگرسیون مدلسازی انجام شده است که نهایتاً یک مدل رگرسیون درجه سه با ضریب همبستگی 90% برای خانواده یک روسازی و ضریب 84% برای خانواده دو روسازی بدست آمد. همچنین در هر خانواده روسازی، با استفاده از شبکه عصبی و با روش پرسپترون چند لایه (mlp) پیش بینی عملکرد روسازی انجام گرفت که ضریب همبستگی 93% را نشان می دهد. با توجه به اینکه مدلسازی فقط با یک بار ارزیابی روسازی انجام شده است، دقت مدلها بسیار خوب ارزیابی می شود که ناشی از استفاده از روش خانواده روسازی است. در نهایت تلفیق مدل خانواده با شبکه عصبی نسبت به روش رگرسیون به نتایج بهتری منجر شده است.

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

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 multilayer 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.