پیش بینی و تحلیل فرسایش روسازی آسفالت با بهره گیری از یادگیری ماشین مطالعه موردی-شهر (کرج)

آسفالت معابر شهری نقش حیاتی در ایمنی، راحتی و کیفیت خدمات حمل و نقل ایفا میکند و خرابیهای مکرر آن، به ویژه در شهرهای پرجمعیت مانند، کرج هزینههای اقتصادی و اجتماعی قابل توجهی به همراه دارد. هدف این پژوهش شناسایی عوامل موثر بر فرسایش و خرابی روسازی و ارائه راهکارهای بهینه برای افزایش دوام آسفالت است. دادههای مرتبط با عمر، آسفالت ترافیک، عبور وسایل نقلیه سنگین، شرایط اقلیمی، کیفیت مصالح و اقدامات نگهداری جمع آوری شد و سطح خرابی روسازی در سه دسته «کم»، «متوسط» و «زیاد» برچسب گذاری گردید. برای تحلیل دادهها و پیش بینی سطح خرابی از الگوریتم یادگیری ماشین Random Forest استفاده شد. نتایج نشان داد که دقت پیش بینی مدل حدود ۹۶٫۷ بوده و بیشترین تاثیر بر خرابی آسفالت به ترتیب مربوط به کیفیت مصالح، درصد وسایل نقلیه سنگین، عمر آسفالت و حجم ترافیک روزانه است در حالی که ویژگیهای محیطی مانند دما و بارش اثر کمتری دارند. تحلیل ماتریس درهم ریختگی نشان داد که مدل در شناسایی خرابی شدید و متوسط بسیار موفق بوده و تنها در پیشبینی سطح کم کمی خطا داشته است. بر اساس یافته ها فرسایش سریع آسفالت نتیجه ترکیبی از عوامل ترافیکی اجرایی و نگهداری است راهکارهای پیشنهادی شامل استفاده از مصالح مقاوم اجرای لایههای آسفالت ضخیم تر، کنترل ترافیک سنگین، نگهداری پیشگیرانه و استفاده از افزودنیهای نوین است. این اقدامات میتواند عمر مفید روسازی را، افزایش هزینههای نگهداری را کاهش و کیفیت خدمات حمل و نقل شهری را بهبود دهد.

کلیدواژه ها:

آسفالت شهری ، فرسایش روسازی ، الگوریتم Random Forest ، کیفیت مصالح ، پیش بینی خرابی