توسعه مدل شبكه عصبي مصنوعي پيش ‌بيني دماي عمق لايه‌هاي آسفالتي با استفاده از داده‌هاي LTPP

دماي عمق لايه‌هاي آسفالتي يكي از پارامترهاي مهم و اساسي در فرآيند تحليل، طراحي و مطالعات بهسازي (روكش) روسازي‌هاي آسفالتي است. مدل‌هاي پيش‌بيني به عنوان جايگزين اندازه‌گيري ميداني و آزمايشگاهي اين دما، از روش‌هاي كم‌هزينه و سريع تعيين دماي عمق لايه‌هاي آسفالتي هستند. اين در حالي است كه اين مدل‌ها بر اساس داده‌هاي ميداني و آزمايشگاهي محدود ساخته شده‌اند و نياز به توسعه مدل‌هايي براي تعيين دماي عمق لايه‌هاي آسفالتي در شرايط مختلف ترافيكي و آب و هوايي وجود دارد. هدف اصلي اين پژوهش توسعه مدلي براي پيش‌بيني دماي عمق لايه‌هاي آسفالتي بر اساس داده‌هاي آب و هوايي است. در سال‌هاي اخير، شبكه‌هاي عصبي مصنوعي به عنوان ابزاري مفيد براي مدل‌سازي پديده‌هاي تجربي، عملكرد مناسبي از خود نشان داده‌اند. روش مدل‌سازي استفاده شده در اين پژوهش، مدل شبكه عصبي مصنوعي پس‌انتشار مي‌باشد كه ميانگين ساعتي دماي عمق لايه‌هاي آسفالتي را بر اساس ساير متغيرها شامل زمان روز، عمق مورد نظر از سطح روسازي، ميانگين ساعتي دماي هوا، ميانگين سرعت و جهت باد، حداقل رطوبت هوا و كل تابش آفتاب پيش‌بيني مي‌كند. داده‌ها از پايگاه داده برنامه عملكرد بلندمدت روسازي (LTPP) استخراج شده است. براي مدل‌سازي از داده‌هاي چندين ساله مربوط به ايالت اوهايو آمريكا استفاده شده است. بعد از آموزش شبكه، عملكرد مدل توسعه يافته مورد ارزيابي قرار گرفته و با نتايج مدل رگرسيوني غيرخطي درجه دوم مقايسه شده است. اين مقايسه نشان مي‌دهد مدل شبكه عصبي داراي دقت بالاتري نسبت به مدل رگرسيوني مي‌باشد. نتايج پژوهش قابليت پيش‌بيني دماي عمق لايه‌هاي آسفالتي را بر اساس داده‌هاي آب و هوايي موجود توسط مدل توسعه يافته با دقت پيش‌بيني بسيار خوب (ضريب تعيين برابر 0.96)، باياس و خطاي پيش‌بيني كم نشان مي‌دهد.