مدل‌ سازي شاخص وضعيت روسازي (PCI) با استفاده از رگرسيون خطي چندگانه و شبكه عصبي انتشار برگشتي

Modeling the Pavement Condition Index (PCI) of Pavement by Multiple Linear Regression and Neural Network Back Propagation

يكي ازمهمترين اهداف يك سيستم مديريت روسازي،تعيين اولويت‌ ها و زمان بهينه براي تعميرات،از طريق پيش‌بيني وضعيت روسازي است.در واقع هدف سيستم مديريت روسازي(PMS)،ترميم و نگهداري در مراحل نخستين خرابي و صرفه‌جويي در هزينه‌هاست. از اين رو در اين پژوهش به منظور تعيين شاخص وضعيت روسازي (PCI)، دو مدل رگرسيون خطي چندگانه و شبكه عصبي انتشار برگشتي را برازش داده و قدرت تخمين آنها مقايسه گرديد. در اين راستا خرابي‌هاي سه آزاد راه كربلا، پل زال و تهران – قم مورد بررسي قرار گرفته، تا بدين وسيله بتوان روش مناسب براي پيش‌ بيني شاخص وضعيت روسازي، به منظور شناسايي بهينه‌ترين زمان تعمير و نگهداري در جهت كاهش هزينه‌هاي آن، شناسايي گردد. براي دستيابي به هدف مورد نظر براي ارزيابي قطعات (واحدهاي نمونه) از نرم‌افزار‌هاي Micropaver و براي ساخت مدل‌ها از نرم افزار MATLAB و SPSS استفاده گرديد. به منظور برداشت خرابي‌هاي واحد‌هاي نمونه به فواصل 100 متر و قطعات به فواصل 500 از اين مسير برداشت شد. متغيرهاي مورد بررسي در تحليل مدل‌ها شامل: طول عمر قطعه در زمان بازرسي (ماه)، عرض واحد نمونه، متوسط AADT در طول عمر قطعه، متوسط درصد وسايل نقليه سنگين در طول عمر قطعه، بيشينه دما در طول عمر قطعه در سال 1396،كمينه دما در طول عمر قطعه در سال 1396 وضخامت روسازي (سانتي­متر) مي‌باشد. بر اساس نتايج به دست آمده ميزان عملكرد مدل شبكه عصبي بر اساس شاخص ميانگين مربعات خطا (MSE) و همچنين شاخص R2كه به ترتيب برابر است با 0.95 و 0.87 مي‌باشد كه در مقايسه با مدل رگرسيون خطي چندگانه (0.139) داراي اعتبارسنجي بيشتري جهت پيش‌بيني وضعيت آينده روسازي مي‌باشد. علاوه بر آن با توجه به مدل شبكه عصبي مي‌توان دريافت طول عمر قطعه بيشترين اهميت را در ساخت شبكه عصبي داشته (0.55) و پس از آن بيشينه دما (0.122) و درصد وسايل نقليه سنگين (0.120) متغيرهاي مهم بعدي در پيش‌بيني وضعيت روسازي راه‌ها مي‌باشد.

One of the most important goals of a pavement management system is determination of optimal priorities and time for repairs, through prediction of pavement status. In fact, the purpose of the PMS system is to repair and maintain the early stages of cost savings and savings. . Therefore, in this study, in order to determine the Pavement Condition Index (PCI), two linear regression models and back propagation neural network models were fitted and their power estimates were compared. In this regard, the damages of three freeways of Karbala, Paul Zal and Tehran - Qom have been studied to identify the appropriate method for predicting pavement status index in order to identify the optimal maintenance time to reduce its costs. . Micropaver software and MATLAB and SPSS software were used for modeling and evaluation of components. This track was sampled in order to capture the failure of sample units at 100 m intervals and parts at 500 m intervals. The variables considered in the model analysis included: segment lifetime at inspection time (month), unit width, average AADT at segment lifetime, average percentage of heavy vehicles at segment lifetime, maximum temperature at segment lifetime in 1396, minimum Temperature is the lifetime of the piece in 1396 and the thickness of the pavement (cm). . The results show that the performance of neural network model based on mean square error index (MSE) as well as R2 index is 0.95 and 0.87, respectively, which is more valid than the multiple linear regression model (0.139). The future is paved. In addition, according to the neural network model, the lifetime of the segment can be most important in neural network construction (0.55) and then maximum temperature (0.122) and percentage of heavy vehicles (0.120) are the next important variables in predicting pavement status of roads.