پيش‌بيني خرابي شيار شدگي در روسازي‌هاي انعطاف‌پذير با استفاده از شبكه عصبي مصنوعي و الگوريتم ژنتيك

شيار شدگي يكي از خرابي‌هاي مهم عملكردي در روسازي‌هاي آسفالتي است. توسعه مدل‌هاي پيش‌بيني به منظور جلوگيري و كنترل آسيب‌هاي ناشي از اين خرابي در سيستم مديريت روسازي ضروري است. در اين مطالعه با كمك الگوريتم‌ شبكه عصبي مصنوعي، مدل‌هايي براي پيش‌بيني مقدار خرابي شيار شدگي با استفاده از پايگاه داده برنامه بلند مدت روسازي (LTPP) توسعه داده شده است. اين مدل‌ها براي اقليم‌هاي آب و هوايي سرد و مرطوب، گرم و خشك و سرد و خشك ارائه شده‌اند. از آنجا كه دقت مناسب در عين سادگي جزء مهم‌ترين ويژگي هاي يك مدل پيش بيني به شمار مي رود، با استفاده از روش بهينه سازي چند‌هدفه NSGA ІІ-MLP متغيرهايي كه ميزان اهميت بيشتري در پيش‌بيني خرابي شيار شدگي دارند، مشخص و به عنوان ورودي مدل در نظر گرفته شدند. سپس با استفاده از متغير‌هاي ترافيكي، آب و هوايي و سازه‌اي انتخاب شده توسط الگو ريتم ژنتيك، مدل‌هاي پيش‌بيني خرابي شيار شدگي ساخته شده‌اند. مقدار ضريب تعيين و ميانگين مربعات خطا براي مدل ساخته شده در مناطق سرد و مرطوب و مدل مشترك مناطق گرم و خشك و سرد و خشك به ترتيب برابر 0/96، 2/05، 0/94 و3/45 مي‌باشد. همچنين با انجام تحليل حساسيت، متغير‌هايي كه بيشترين اثرگذاري را بر خرابي شيار شدگي در اقليم سرد و مرطوب دارند، به ترتيب اهميت سن و اختلاف دماي حداكثر و حداقل روزانه با تاثير مستقيم و ضخامت روسازي با تاثير معكوس مشخص گرديد. همچنين در اقليم گرم و سرد خشك به ترتيب متغير‌هاي بار ترافيكي و نفوذ‌پذيري قير با تاثير مستقيم و ضخامت روسازي با تاثير معكوس بر خرابي از بيش‌ترين اهميت برخورداراند.