ارائه روش جدید برای پیش‌بینی مدل اضمحلال و بهبود شاخص بین‌المللی ناهمواری روسازی انعطاف‌پذیر

شاخص بین‌المللی ناهمواری روسازی یکی از مهم‌ترین شاخص‌های ارزیابی وضعیت روسازی است که در سیستم‌های مدیریت و برنامه‌ریزی تعمیر و نگهداری روسازی استفاده می‌شود. در این مطالعه، به کمک الگوریتم بهینه‌سازی تکاملی تفاضلی و توسعه آن به روش یادگیری ماشین و با استفاده از پایگاه داده‌های برنامه بلندمدت روسازی، دو مدل برای پیش‌بینی اضمحلال شاخص بین‌المللی ناهمواری و بهبود عملکرد روسازی تحت اعمال روکش ارائه شده است. برای توسعه مدل اضمحلال روسازی، متغیرهای آب و هوایی، ترافیکی و سازه‌ای در نظر گرفته شده‌اند و رابطه‌ای برای پیش‌بینی افزایش شاخص بین‌المللی ناهمواری روسازی ارائه شده است. همچنین، میزان بهبود شاخص بین‌المللی ناهمواری روسازی تحت تاثیر روش‌های مختلف تعمیر و نگهداری مرسوم در ایران بررسی شد و رابطه‌ای برای پیش‌بینی میزان کاهش این شاخص تحت اعمال روکش ارائه شده است. تعداد 520 و 336 ردیف داده‌ برای توسعه مدل‌های اضمحلال و بهبود عملکرد روسازی استفاده شده است. مدل‏های پیش‏بینی شده از دقت بسیار خوبی برخوردارند. ضریب تعیین مدل‌ اضمحلال روسازی ارائه شده برابر با 0/99 و میانگین خطای مطلق معادله ارائه شده برای داده‌های آموزش و آزمایش کمتر از 1/0 می‌باشد که دقت آن در مقایسه با سایر مدل‌های ارائه شده تا کنون به دلیل در نظر گرفتن متغیرهای متنوع و روش توسعه داده شده، بسیار زیاد است. ضریب تعیین مدل بهبود توسعه یافته برای داده‌های آموزش و آزمایش برابر 97/0 و جذر میانگین مربعات خطا تقریباً برابر 0/2به‏دست آمد.

Presenting a new estimation technique to model International Roughness Index and treatment improvement

International Roughness Index is one of the most important indices to assess the pavement quality, and it is generally employed in pavement maintenance planning. In this study, by virtue of differential evolutionary programming and Long Term Pavement Performance data, two prediction models are introduced to predict pavement deterioration function and treatments’ improvement. For pavement deterioration modeling, climate condition, traffic, and pavement structural features are taken into account. Besides, the mostapplicable pavement treatments utilized in Iran are considered in this investigation. 520 and 336 data are applied to model pavement deterioration and treatments’ improvement. The predicted models have a very high accuracy and can be used in various fields. The pavement deterioration model and treatments’ improvement model reach the coefficient determination of 99% and 97% for both training and testing data, which indicates the highlevel accuracy of the introduced models. The treatments’ improvement model provides the mean squared error of 0.2 approximately.