پیش‌بینی و تحلیل فرسایش روسازی آسفالت با بهره‌گیری از یادگیری ماشین(مطالعه موردی-شهر کرج)

آسفالت معابر شهری نقش حیاتی در ایمنی، راحتی و کیفیت خدمات حمل‌ونقل ایفا می‌کند و خرابی‌های مکرر آن، به‌ویژه در شهرهای پرجمعیت مانند کرج، هزینه‌های اقتصادی و اجتماعی قابل توجهی به همراه دارد. هدف این پژوهش، شناسایی عوامل موثر بر فرسایش و خرابی روسازی و ارائه راهکارهای بهینه برای افزایش دوام آسفالت است. داده‌های مرتبط با عمر آسفالت، ترافیک، عبور وسایل نقلیه سنگین، شرایط اقلیمی، کیفیت مصالح و اقدامات نگهداری جمع‌آوری شد و سطح خرابی روسازی در سه دسته «کم»، «متوسط» و «زیاد» برچسب‌گذاری گردید. برای تحلیل داده‌ها و پیش‌بینی سطح خرابی، از الگوریتم یادگیری ماشین random forest استفاده شد. نتایج نشان داد که دقت پیش‌بینی مدل حدود 96.7٪ بوده و بیشترین تاثیر بر خرابی آسفالت به ترتیب مربوط به کیفیت مصالح، درصد وسایل نقلیه سنگین، عمر آسفالت و حجم ترافیک روزانه است، در حالی که ویژگی‌های محیطی مانند دما و بارش اثر کمتری دارند. تحلیل ماتریس درهم‌ریختگی نشان داد که مدل در شناسایی خرابی شدید و متوسط بسیار موفق بوده و تنها در پیش‌بینی سطح کم کمی خطا داشته است. بر اساس یافته‌ها، فرسایش سریع آسفالت نتیجه ترکیبی از عوامل ترافیکی، اجرایی و نگهداری است. راهکارهای پیشنهادی شامل استفاده از مصالح مقاوم، اجرای لایه‌های آسفالت ضخیم‌تر، کنترل ترافیک سنگین، نگهداری پیشگیرانه و استفاده از افزودنی‌های نوین است. این اقدامات می‌تواند عمر مفید روسازی را افزایش، هزینه‌های نگهداری را کاهش و کیفیت خدمات حمل‌ونقل شهری را بهبود دهد.