مدلسازی و پیشبینی شاخص ناهمواری روسازی در اقلیم سرد-خشک با استفاده از الگوریتم Catboost

شاخص بینالمللی ناهمواری (IRI) یکی از معیارهای ارزیابی عملکرد روسازی و تعیین نیازهای نگهداری آن است. در این مطالعه یک مدل پیشبینی برای IRI با استفاده از روش یادگیری ماشین برای روسازی های آسفالتی در منطقه اقلیمی سرد-خشک با استفاده از الگوریتم CatBoost توسعه داده شده است. داده های اقلیمی و خرابی روسازی از پایگاه داده عملکرد بلندمدت روسازی ها (LTPP) استخراج شده اند. متغیرها شامل دما، شاخص یخبندان، بارش، ترک عرضی، ترک پوست سوسماری، سن روسازی و مقدار اولیه IRI بوده است. مدل Catboost با ۷۰% از داده ها برای آموزش، ۱۵% برای آزمایش و همچنین ۱۵% برای اعتباری سنجی مدل در نظر گرفته شد. عملکرد مدل Catboost با خطای ریشه میانگین مربعات (RMSE) ۰.۰۳۲۲، خطای میانگین مطلق (MAE) ۰.۰۲۵۵ و با ضریب تعیین (R۲) ۰.۹۲۸۱ ارزیابی شده است.

کلیدواژه ها:

شاخص بینالمللی ناهمواری(IRI) ، مدل رگرسیون Catboost ، عملکرد بلندمدت روسازی(LTPP) ، پیشبینی عملکرد روسازی ، اقلیم