پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 705 |
| تعداد مقالات | 10,146 |
| تعداد مشاهده مقاله | 71,451,118 |
| تعداد دریافت فایل اصل مقاله | 63,174,121 |
پیشبینی وضعیت عملکردی روسازی با استفاده از یادگیری ماشین: مطالعه موردی شاخص بینالمللی ناهمواری | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقاله 1، دوره 11، شماره 4 - شماره پیاپی 44، اسفند 1404، صفحه 1-26 اصل مقاله (1.35 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2026.39731.1747 | ||
| نویسندگان | ||
| مسعود یکه خانی* 1؛ امیر گل رو2؛ فریدون مقدس نژاد2 | ||
| 1دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)، تهران، ایران | ||
| 2دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)، تهران، ایران | ||
| تاریخ دریافت: 28 آبان 1404، تاریخ بازنگری: 29 بهمن 1404، تاریخ پذیرش: 01 اسفند 1404 | ||
| چکیده | ||
| شبکههای روسازی از طریق امکان جابجایی کالاها، خدمات و افراد به شیوهای ایمن، سریع و اقتصادی نقش حیاتی در زیرساختهای حملونقل ملی و رشد اقتصادی کشورها دارند.کیفیت شبکههای روسازی به شدت تحت تأثیر انواع خرابیها قرار میگیرد. در نتیجه، برای اطمینان از مدیریت مؤثر روسازی، پیشبینی دقیق این خرابیها ضروریست. علاوه بر این، مدلهای یادگیری ماشین در سالهای اخیر پتانسیل بالایی در مدلسازی عملکرد روسازی نشان دادهاند. هدف این تحقیق، بکارگیری مدلهای یادگیری ماشین برای پیش بینی وضعیت عملکردی روسازی به ویژه شاخص بینالمللی ناهمواری است. دادههای این پژوهش از مرکز دادهی برنامه عملکرد بلندمدت روسازی تحت نظارت اداره فدرال بزرگراههای آمریکا استخراج شدهاند. مجموعه داده شامل 4453 ردیف داده مربوط به سازه و ساخت روسازی، آبوهوا، ترافیک و عملکرد روسازی که در مجموع 12 متغیر موثر است. از هفت الگوریتم یادگیری ماشین برای پیش بینی شاخص بینالمللی ناهمواری شامل درخت تصمیم، جنگل تصادفی، ایکسجیبوست، تقویت گرادیان، کی-نزدیکترین همسایه، رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی استفاده شد. عملکرد مدلها با استفاده از معیارهای میانگین مطلق خطا، میانگین مربعات خطا، مجذور میانگین مربعات خطا و ضریب تعیین ارزیابی شد. تحلیل مقایسهای نشان داد که الگوریتم ایکس جی بوست و جنگل تصادفی با میانگین مطلق خطا برابر با 17/0 و 18/0 همچنین ضریب تعیین به ترتیب 73/0 و 74/0 برای پیشبینی شاخص بینالمللی ناهمواری عملکرد بهتری نسبت به باقی الگوریتمها دارند. مدل توسعهیافته در این پژوهش میتواند به عنوان ابزاری دقیق و عملی در سیستمهای مدیریت روسازی برای پیشبینی بهموقع ناهمواری و بهینهسازی برنامههای نگهداری و تخصیص بودجه مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| سیستم مدیریت روسازی'؛ ارزیابی عملکردی روسازی '؛ شاخص بینالمللی ناهمواری '؛ '؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Predicting Pavement Functional Performance Using Machine Learning: A Case Study of the International Roughness Index | ||
| نویسندگان [English] | ||
| masoud yekekhani1؛ Amir Golroo2؛ Fereidoon Moghadas Nejad2 | ||
| 1Department of Civil and Environmental Engineering, Amirkabir University of Technology (Tehran Polytechnic ), Tehran, Iran | ||
| 2Department of Civil and Environmental Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, Iran | ||
| چکیده [English] | ||
| Pavement networks play a vital role in national transportation infrastructure and economic growth by enabling the safe, rapid, and economical movement of goods, services, and people. The quality of these networks is heavily influenced by various types of distress; therefore, accurate prediction of such distress is essential for effective pavement management. Furthermore, machine learning models have recently demonstrated significant potential in modeling pavement performance. This study aims to employ machine learning models to predict the functional condition of pavements, specifically the International Roughness Index (IRI). The research data were extracted from the Long-Term Pavement Performance (LTPP) database managed by the U.S. Federal Highway Administration. The dataset comprises 4,453 records related to pavement structure and construction, weather, traffic, and pavement performance, encompassing 12 effective variables. Seven machine learning algorithms—Decision Tree, Random Forest, XGBoost, Gradient Boosting, K-Nearest Neighbors, Support Vector Regression, and Artificial Neural Network—were used to predict the IRI. Model performance was evaluated using Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and the Coefficient of Determination (R²). Comparative analysis revealed that the XGBoost and Random Forest algorithms outperformed the others in predicting IRI, with MAE values of 0.17 and 0.18 and R² values of 0.73 and 0.74, respectively. The model developed in this research can serve as a precise and practical tool in pavement management systems for timely roughness prediction and optimizing maintenance programs and budget allocation. | ||
| کلیدواژهها [English] | ||
| Pavement Management System, ', Pavement Performance Evaluation ', International Roughness Index ', :', Machine Learning | ||
| مراجع | ||
|
Abdelaziz, N., El-Hakim, R. T., El-Badawy, S. M., & Afify, H. A. 2020. “International roughness index prediction model for flexible pavements”. Int. J. Pavement Eng., 21(1): 88–99. https://doi.org/10.1080/10298436.2018.14 41414
American Association of State Highway and Transportation Officials. 1993. “Guide for design of pavement structures”.
Askari, A., Hajikarimi, P., Ehsani, M., & Moghadas Nejad, F. 2022. “Prediction of rutting deterioration in flexible pavements using artificial neural network and genetic algorithm”. Amirkabir J. Civ. Eng., 54(9): 3581-3602. https://doi.org/10.22060/ceej.202 2.20965.7581
Banister, D., & Berechman, Y. 2001. “Transport investment and the promotion of economic growth”. J. Transport Geog., 9(3): 209–218. https://doi.org/10.1016/S09666923(01)00013-8
Bashar, M. Z., & Torres-Machi, C. 2021. “Performance of machine learning algorithms in predicting the pavement international roughness index”. Transport. Res. Record, 2675(9): 1151–1163. https://doi.org/10.1177/0 361198120986171
Benmhahe, B., & Chentoufi, J. A. 2021. “Automated pavement distress detection, classification and measurement: A review”. Int. J. Adv. Comput. Sci. Appl., 12(8): 708–718. https://doi.org/10.14569/IJACSA.2021.0 120882
Breiman, L. 2001. “Random forests”. Machine Learn., 45(1): 5–32. https://doi.org/10.1023/ A:1010933404324
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. 1984. “Classification and Regression Trees”. Wadsworth and Brooks. https://doi.org/10.1201/9781315139470
Chan, C. Y., Huang, B., Yan, X., & Richards, S. H. 2010. “Investigating effects of asphalt pavement conditions on traffic accidents in Tennessee based on the pavement management system (PMS)”. J. Adv. Transport., 44(3): 150–161. https://doi.org/10.1002/atr.129
Chen, T., & Guestrin, C. 2016. “XGBoost: A scalable tree boosting system”. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/1 0.1145/2939672.2939785
Cover, T., & Hart, P. 1967. “Nearest neighbor pattern classification”. IEEE Trans. Inform. Theory, 13(1): 21–27. https://doi.org/10.1109 /TIT.1967.1053964
Damirchilo, F., Hosseini, A., Mellat Parast, M., & Fini, E. H. 2021. “Machine learning approach to predict international roughness index using long-term pavement performance data”. J. Transport. Eng., Part B: Pavements, 147(4): 04021059. https://doi.org/10.1061/JPEODX.0 000312
Friedman, J. H. 2001. “Greedy function approximation: A gradient boosting machine”. Ann. Statistics, 29(5): 1189–1232. https://doi.org/10.1214/aos/1013203451
Georgiou, P., Plati, C., & Loizos, A. 2018. “Soft computing models to predict pavement roughness: A comparative study”. Adv. Civ. Eng., 2018: 5939806. https://doi.org/10.1155/ 2018/5939806
Ghodratabadi, M., Golroo, A., & Entezari, M. S. 2025. “Machine learning for predicting pavement roughness and optimising maintenance”. Road Mater. Pavement Design. https://doi.org/10.1080/14680629.2025.2454376
Gong, H., Sun, Y., Shu, X., & Huang, B. 2018. “Use of random forests regression for predicting IRI of asphalt pavements”. Constr. Build. Mater., 189: 890–897. https://doi.org/1 0.1016/j.conbuildmat.2018.09.017
Guo, R., Fu, D., & Sollazzo, G. 2021. “An ensemble learning model for asphalt pavement performance prediction based on gradient boosting decision tree”. Int. J. Pavement Eng., 23(11): 3907–3920. https://doi.org/10.1080/ 10298436.2021.1910825
Haykin, S. 2009. “Neural networks and learning machines”. 3rd ed., Pearson Education.
Hossain, M. I., Gopisetti, L. S. P., & Miah, M. S. 2019. “International roughness index prediction of flexible pavements using neural networks”. J. Transport. Eng., Part B: Pavements, 145(1): 04018058. https://doi.or g/10.1061/JPEODX.0000088
Justo-Silva, R., Ferreira, A., & Flintsch, G. 2021. “Review on machine learning techniques for developing pavement performance prediction models”. Sustain., 13(9): 5248. https://doi.o rg/10.3390/su13095248
Kaloop, M. R., El-Badawy, S. M., Hu, J. W., & Abd El-Hakim, R. T. 2023. “International roughness index prediction for flexible pavements using novel machine learning techniques”. Eng. Appl. Artif. Intell., 122: 106007. https://doi.org/10.1016/j.engappai.20 23.106007
Ke, X., Chen, H., Hong, Y., & Hsiao, C. 2020. “Do China's high-speed-rail projects promote local economy?—New evidence from a panel data approach”. China Econ. Rev., 44: 203–226. https://doi.org/10.1016/j.chieco.2017.02.008
Li, J., Zhang, Z., & Wang, W. 2018. “International Roughness Index and a new solution for its calculation”. In International Conference on Transportation and Development (pp. 67–76). American Society of Civil Engineers.
Litman, T. 2017. “Evaluating public transit benefits and costs”. Victoria Transport Policy Institute.
Mataei, B., Moghadas Nejad, F., & Zakeri, H. 2021. “Pavement maintenance and rehabilitation optimization based on cloud decision tree”. Int. J. Pavement Res. Technol., 14(6): 740–750. https://doi.org/10.1007/s4294 7-020-0306-7
Mazari, M., & Rodriguez, D. D. 2016. “Prediction of pavement roughness using a hybrid gene expression programming-neural network technique”. J. Traffic Transport. Eng. (English Edition): 3(5): 448–455. https://doi.org/10.101 6/j.jtte.2016.09.001
Peraka, N. S. P., & Biligiri, K. P. 2020. “Pavement asset management systems and technologies: A review”. Automat. Constr., 119: 103336. http s://doi.org/10.1016/j.autcon.2020.103336
Pucher, J., & Dijkstra, L. 2003. “Promoting safe walking and cycling to improve public health: Lessons from the Netherlands and Germany”. Amer. J. Public Health, 93(9): 1509–1516. https://doi.org/10.2105/AJPH.93.9.1509
Ragnoli, A., De Blasiis, M. R., & Di Benedetto, A. 2018. “Pavement distress detection methods: A review”. Infrastruct., 3(4): 58. https://doi.org/10.3390/infrastructures3040058
Sepaspour, R., Ehsani, M., Naseri, H., & Moghadas Nejad, F. 2021. “Presenting a new estimation technique to model International Roughness Index and treatment improvement”. Transport. Infrastruct. Eng., 7(28): 53–73. https://doi.org/10.22075/jtie.2021.21865.1492
[In Persian]
Sholevar, N., Golroo, A., & Esfahani, S. R. 2022. “Machine learning techniques for pavement condition evaluation”. Automat. Constr., 136: 104190. https://doi.org/10.1016/j.autcon.2022 .104190
Smola, A. J., & Schölkopf, B. 2004. “A tutorial on support vector regression”. Statistics Computing, 14(3): 199–222. https://doi.org/1 0.1023/B:STCO.0000035301.49549.88
Streimikiene, D., Baležentis, T., & Baležentienė, L. 2013. “Comparative assessment of road transport technologies”. Renewable Sustainable Energy Reviews, 20: 611–618. https://doi.org/10.1016/j.rser.2012.12.021
Vafaei, A., & Sattari, M. T. 2023. “Evaluation and prediction of seasonal precipitation in different climates of Iran using a hybrid deep learning model (Case study: Rasht and Yazd)”. Amirkabir J. Civ. Eng., 55(8): 1475–1492. https://doi.org/10.22108/gep.2025.145951.1735
Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., Felländer, A., Langhans, S. D., Tegmark, M., & Nerini, F. F. 2020. “The role of artificial intelligence in achieving the Sustainable Development Goals”. Nature Commun., 11(1): 233. https://doi.org/10.1038/s41467-019-14108-w
Ziari, H., Sobhani, J., Ayoubinejad, J., & Hartmann, T. 2016. “Prediction of IRI in short and long terms for flexible pavements: ANN and GMDH methods”. Inter. J. Pavement Eng., 17(9): 776–788. https://doi.org/10.1080/1029 8436.2015.1019498 | ||
|
آمار تعداد مشاهده مقاله: 251 تعداد دریافت فایل اصل مقاله: 10 |
||