پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 687 |
| تعداد مقالات | 9,985 |
| تعداد مشاهده مقاله | 70,957,060 |
| تعداد دریافت فایل اصل مقاله | 62,422,381 |
پیشبینی وضعیت عملکردی روسازی با استفاده از یادگیری ماشین: مطالعه موردی شاخص بینالمللی ناهمواری | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 اسفند 1404 | ||
| 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 | ||
|
آمار تعداد مشاهده مقاله: 4 |
||