توسعه مدل رگرسیونی غیرخطی پیش‌بینی دمای عمق لایه‌های آسفالتی با استفاده از داده‌های ltpp – مطالعه موردی: ایالت اوهایو – آمریکا

دمای عمق لایه‌های آسفالتی یکی از فاکتورهای مهم در فرآیند تحلیل، طراحی و مطالعات بهسازی (روکش) روسازی‌های آسفالتی است. مدل‌های پیش‌بینی به عنوان جایگزین اندازه‌گیری میدانی و آزمایشگاهی این دما، از روش‌های کم‌هزینه و سریع تعیین دمای عمق لایه‌های آسفالتی هستند. این در حالی است که این مدل‌ها بر اساس داده‌های میدانی و آزمایشگاهی محدود ساخته شده‌اند و نیاز به توسعه مدل‌هایی برای تعیین دمای عمق لایه‌های آسفالتی در شرایط مختلف ترافیکی و آب و هوایی وجود دارد. هدف اصلی این پژوهش توسعه مدلی برای پیش‌بینی دمای عمق لایه‌های آسفالتی بر اساس داده‌های آب و هوایی است. روش مدل‌سازی استفاده شده، مدل رگرسیون غیرخطی درجه دوم گام به گام می‌باشد که دمای عمق لایه‌های آسفالتی را بر اساس سایر متغیرها شامل عمق مورد نظر از سطح روسازی، دمای هوا، میانگین سرعت و جهت باد، حداقل رطوبت هوا و تابش آفتاب پیش‌بینی می‌کند. داده‌ها از پایگاه داده برنامه عملکرد بلندمدت روسازی (ltpp) استخراج شده و برای مدل‌سازی از داده‌های چندین ساله مربوط به ایالت اوهایو آمریکا استفاده شده است. با استفاده از داده‌های موجود، عملکرد مدل توسعه یافته مورد ارزیابی قرار گرفته است. همچنین مدل توسعه داده شده با استفاده از داده‌های مربوط به ایالت مونتانای آمریکا، اعتبارسنجی شده است. نتایج پژوهش قابلیت پیش‌بینی دمای عمق لایه‌های آسفالتی را بر اساس داده‌های آب و هوایی موجود توسط مدل توسعه یافته با دقت پیش‌بینی بسیار خوب (ضریب تعیین 0.95) و اُریب (بایاس) پیش‌بینی بسیار کم نشان می‌دهد.

Development of A Non-Linear Regression-Based Model for Prediction of Depth Temperature of Asphalt LayersUsing LTPP Data – Case Study: Ohio, USA

Depth temperature of asphalt layers is one of the important factors in the analysis, design and rehabilitation process of flexible pavements. The predictive models as an alternative to field and laboratory measurements of this factor, are rapid and simple methods to determine the depth temperature of asphalt layers. It should be noted that these models are based on the limited field and laboratory data, therefore, there is a need for developing new models for prediction of the depth temperature of asphalt layers in different traffic and climatic conditions. The main purpose of this study is to develop a model for predicting the depth temperature of asphalt layers based on climatic data. The modeling method used in this study is a stepwise nonlinear regression model that predicts the depth temperature of asphalt layers based on the other variables, including the desired depth from the pavement surface, air temperature, average speed and direction of the wind, minimum air humidity and solar radiation. Data was extracted from the LongTerm Pavement Performance (LTPP) database. As a case study, data points collected from pavements in Ohio, USA, has been used for modeling. Furthermore, the developed model is well validated using data from Montana, USA. Performance evaluation and validation of the developed model showed very good correlation between predicted and measured values. Results show the ability of the developed model in predicting the depth temperature of asphalt layers based on existing climatic data with very good prediction accuracy (R2 (LOE) =0.95) and very low bias.