ارائه مدل پیش بینی خرابی روسازی آسفالتی با استفاده از هوش مصنوعی و داده های بازرسی (مطالعه موردی: معابر بندرعباس)

چکیده مقاله

مدیریت روسازی های آسفالتی شهری نیازمند مدل های دقیق پیش بینی خرابی است تا بتوان برنامه های نگهداری و ترمیم را بهینه سازی نمود روش های سنتی مبتنی بر بازرسی های بصری و روابط تجربی، علی رغم کاربرد گسترده، در کاهش عدم قطعیت ها و پیچیدگی های غیرخطی فرآیند تخریب روسازی ناتوان هستند پژوهش حاضر با هدف ارائه مدلی مبتنی بر الگوریتم های یادگیری ماشین برای پیش بینی شاخص وضعیت روسازی PCI انجام شده است به دلیل محدودیت دسترسی به داده های بازرسی دوره ای در شهرداری بندرعباس، از داده های پایگاه معتبر LTPP Long Term Pavement Performance که توسط اداره ی بزرگراه های فدرال آمریکا مدیریت می شود، استفاده گردید این پایگاه شامل داده های بیش از ۲۵۰۰ قطعه ی روسازی در سراسر آمریکا و کانادا است FHWA, ۲۰۲۴ برای تطابق با شرایط اقلیمی ایران، از داده های پژوهش های معتبر داخلی نظیر مطالعه ی Adeli و همکاران ۲۰۲۱ بر روی ۶۰۰۰ قطعه از راه های روستایی استان فارس و همچنین مطالعه ی Barzegaran و همکاران ۲۰۲۵ که با استفاده از داده های میدانی ایران انجام شده، بهره گرفته شده است پس از پیش پردازش داده ها، چهار الگوریتم شامل جنگل تصادفی RF ، ماشین بردار پشتیبان SVR ، شبکه عصبی مصنوعی ANN و گرادیان تقویت شده GBM پیاده سازی و با یکدیگر مقایسه شدند نتایج نشان می دهد که مدل جنگل تصادفی با ضریب تعیین ۰ ۹۸۳ و میانگین خطای مطلق ۱ ۳۶ بهترین عملکرد را در پیش بینی PCI دارد تحلیل اهمیت ویژگی ها نیز نشان داد که سن روسازی، بار ترافیکی ESAL و شاخص ترک خوردگی به ترتیب مهم ترین عوامل موثر بر تخریب روسازی هستند مدل پیشنهادی می تواند به عنوان ابزاری کارآمد در سیستم مدیریت روسازی شهرداری بندرعباس مورد استفاده قرار گیرد

کلیدواژه‌ها

نویسندگان

سارا احمدی

کارشناس واحد خدمات شهری شهرداری بندرعباس

سارا احمدی

کارشناس واحد خدمات شهری شهرداری بندرعباس

�حمدی، سارا،1405،ارائه مدل پیش بینی خرابی روسازی آسفالتی با استفاده از هوش مصنوعی و داده های بازرسی (مطالعه موردی: معابر بندرعباس)،سی و یکمین کنفرانس ملی مهندسی عمران، معماری و شهرسازی،شیروان

ارائه‌شده در

مجموعه مقالات سی امین کنفرانس ملی مهندسی عمران، معماری و شهرسازی30 اردیبهشت 1405 · شیروان