توسعه مدلهای پیشبینی شدت و وسعت خرابیهای روسازی با استفاده از یادگیری ماشین | ||
| مهندسی زیر ساخت های حمل و نقل | ||
| مقاله 4، دوره 11، شماره 4 - شماره پیاپی 44، زمستان 1404، صفحه 79-106 اصل مقاله (1.19 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jtie.2025.39921.1749 | ||
| نویسندگان | ||
| محمد صدیقیان فرد1؛ امیر گل رو* 2؛ حنانه دهقان طزرجانی3 | ||
| 1دانشجوی دکتری، دانشکده مهندسی عمران و محیطزیست، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران. | ||
| 2دانشیار، دانشکده مهندسی عمران و محیطزیست، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران. | ||
| 3دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران و محیطزیست، دانشگاه صنعتی امیرکبیر (پلیتکنیک تهران)، تهران، ایران. | ||
| چکیده | ||
| ترکهای خطی و پوست سوسماری از مهمترین شاخصهای عملکرد روسازی آسفالتی هستند و پیشبینی دقیق آنها نقش کلیدی در برنامهریزی نگهداری دارد. در این پژوهش، با استفاده از دادههای چندماژوله پایگاه داده عملکرد بلند مدت روسازی (LTPP) شامل متغیرهای ترافیکی، اقلیمی و عملکردی، یک چارچوب دادهمحور برای پیشبینی شدت، طول و مساحت خرابیهای آسفالتی ارائه شده است. ویژگیهای مؤثر نظیر شاخصهای خرابی سطحی، ضخامت روکش، مشخصات ترافیکی و شاخصهای اقلیمی استخراج و پس از مهندسی ویژگی، در مدلهای یادگیری ماشین شامل طبقهبندی شدت و شبکه عصبی مصنوعی بهکار گرفته شد. استفاده از روش اسموت (SMOTE) موجب افزایش دقت طبقهبندی شدت ترک خطی از 782/0 به 843/0 و ترک پوست سوسماری از 845/0 به 930/0 گردید. نتایج حاکی از عملکرد مناسب مدلها با ضرایب تعیین 941/0 برای پیشبینی طول ترک خطی و 954/0 برای مساحت ترک پوست سوسماری بوده و قابلیت کاربرد آنها در نگهداری پیشگیرانه و مدیریت چرخه عمر روسازی را نشان میدهد. | ||
| کلیدواژهها | ||
| سیستم مدیریت روسازی؛ پیشبینی خرابی روسازی؛ برنامه عملکرد بلندمدت روسازی؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 846 تعداد دریافت فایل اصل مقاله: 160 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 723 |
| تعداد مقالات | 10,394 |
| تعداد مشاهده مقاله | 72,849,523 |
| تعداد دریافت فایل اصل مقاله | 64,548,356 |