تحلیل مدل‌های رگرسیونی پیش‌بینی دمای عمق لایه‌های آسفالتی - مطالعه مروری

دمای عمق لایه‌های آسفالتی به دلیل رفتار ویسکوالاستیک مخلوط‌ های آسفالتی، در ارزیابی سازه‌ای روسازی‌های انعطاف‌پذیر از اهمیت زیادی برخوردار است. دمای عمق لایه آسفالتی می‌تواند به طور مستقیم در محل اندازه‌گیری شود و یا توسط مدل‌هایی پیش‌بینی گردد. در این مقاله تحلیل جامعی در خصوص دوازده مدل رگرسیونی مهم و پرکاربرد پیش‌بینی دمای عمق لایه‌های آسفالتی صورت گرفته و با ارائه سوابق پژوهشی، به بررسی متغیرهای ورودی مدل، تحلیل حساسیت مدل نسبت به این متغیرها، ارزیابی عملکرد آن‌ها از لحاظ دقت و قدرت پیش‌بینی و نیز مقایسه برتری آن‌ها نسبت به یکدیگر پرداخته شده است. از آن جایی که اغلب این مدل‌ها در مناطق جغرافیایی و شرایط آب و هوایی خاصی توسعه داده شده‌اند، مدل‌های توسعه یافته با کالیبراسیون مدل‌های اصلی برای استفاده در شرایط محلی متفاوت نیز مورد بررسی قرار گرفته است. نتایج پژوهش‌ها نشان می‌دهد که مدل‌های رگرسیونی از عملکرد و دقت خوب و قابل قبولی برخوردار می‌باشند. در میان مدل‌های مورد بررسی، مدل bells با توجه به گستره داده‌های مورد استفاده در توسعه مدل، عملکرد و دقت مناسب و نیز در نظر گرفتن اثر پارامتر‌های مختلف به عنوان یکی از بهتر‌ین مدل‌های رگرسیونی پیش‌بینی دمای عمق لایه‌های آسفالتی شناخته می‌شود. همچنین مدل صولتی‌فر و همکاران به عنوان مدل اصلاح شده bells برای روسازی‌های تازه ساخت با دقت بالا و برای مناطق با وضعیت آب و هوایی گرم توسعه یافته است. در مجموع بررسی نتایج پژوهش‌ها نشان می‌دهد، مدل‌های توسعه یافته قابلیت کاربرد در پیش‌بینی دمای عمق لایه‌های آسفالتی را با اعمال تصحیحاتی برای روسا‌زی‌ها و شرایط محلی متفاوت دارند.

analysis of regression-based models for prediction of depth temperature of asphalt layers – a review

due to the viscoelastic behavior of asphalt mixtures, the depth temperature of asphalt layers is very important in the structural evaluation of flexible pavements. depth temperature could be measured directly in the field or maybe predicted using prediction models. this paper presents a comprehensive analysis of different twelve regression-based models for the prediction of depth temperature of asphalt layers. with reference to the literature, required input parameters, sensitivity analysis, evaluation of prediction performance, as well as a comparison of the goodness of these models were discussed. furthermore, calibrated models for different local conditions were presented. this is due to the fact that the original models were usually developed in specific geographical regions and climatic conditions. results show that the regression-based models have a good performance and high accuracy in predicting the depth temperature of asphalt layers. among the investigated models, according to the variety of data (or parameters) used in the model development, performance, considering the effect of various parameters, the bells model was introduced as one of the best regression-based models for the prediction of depth temperature of asphalt layers. the model developed by solatifar et al. as a new version of the bells model showed very good accuracy for newly constructed pavements. in addition, with applying some modifications, it could be possible to use these models in different pavements and local conditions.