توسعه مدل شبکه عصبی مصنوعی پیش بینی دمای عمق لایه های آسفالتی با استفاده از داده های LTPP

دمای عمق لایه های آسفالتی یکی از پارامترهای مهم و اساسی در فرآیند تحلیل، طراحی و مطالعات بهسازی (روکش) روسازی های آسفالتی است. مدل های پیش بینی به عنوان جایگزین اندازه گیری میدانی و آزمایشگاهی این دما، از روش های کم هزینه و سریع تعیین دمای عمق لایه های آسفالتی هستند. این در حالی است که این مدل ها بر اساس داده های میدانی و آزمایشگاهی محدود ساخته شده اند و نیاز به توسعه مدل هایی برای تعیین دمای عمق لایه های آسفالتی در شرایط مختلف ترافیکی و آب و هوایی وجود دارد. هدف اصلی این پژوهش توسعه مدلی برای پیش بینی دمای عمق لایه های آسفالتی بر اساس داده های آب و هوایی است. در سال های اخیر، شبکه های عصبی مصنوعی به عنوان ابزاری مفید برای مدل سازی پدیده های تجربی، عملکرد مناسبی از خود نشان داده اند. روش مدل سازی استفاده شده در این پژوهش، مدل شبکه عصبی مصنوعی پس انتشار می باشد که میانگین ساعتی دمای عمق لایه های آسفالتی را بر اساس سایر متغیرها شامل زمان روز، عمق مورد نظر از سطح روسازی، میانگین ساعتی دمای هوا، میانگین سرعت و جهت باد، حداقل رطوبت هوا و کل تابش آفتاب پیش بینی می کند. داده ها از پایگاه داده برنامه عملکرد بلندمدت روسازی (LTPP) استخراج شده است. برای مدل سازی از داده های چندین ساله مربوط به ایالت اوهایو آمریکا استفاده شده است. بعد از آموزش شبکه، عملکرد مدل توسعه یافته مورد ارزیابی قرار گرفته و با نتایج مدل رگرسیونی غیرخطی درجه دوم مقایسه شده است. این مقایسه نشان می دهد مدل شبکه عصبی دارای دقت بالاتری نسبت به مدل رگرسیونی می باشد. نتایج پژوهش قابلیت پیش بینی دمای عمق لایه های آسفالتی را بر اساس داده های آب و هوایی موجود توسط مدل توسعه یافته با دقت پیش بینی بسیار خوب (ضریب تعیین برابر ۹۶/۰)، بایاس و خطای پیش بینی کم نشان می دهد.

کلیدواژه ها:

Depth Temperature of Asphalt Layers ، Temperature Prediction Model ، Artificial Neural Networks (ANNs) ، Long-Term Pavement Performance (LTPP) ، دمای عمق لایه های آسفالتی ، مدل پیش بینی دما ، شبکه های عصبی مصنوعی (ANN) ، برنامه عملکرد بلندمدت روسازی (LTPP)