بررسی تاثیر هوش مصنوعی و یادگیری ماشین بر پیش بینی خرابی های عملکردی روسازی های آسفالتی تحت شرایط اقلیمی مختلف

خرابی های عملکردی روسازی های آسفالتی، از جمله شیارشدگی، ترک خوردگی، ناهمواری و افت ظرفیت بهره برداری، تحت تاثیر هم زمان عوامل ترافیکی، مشخصات مصالح، ویژگی های سازه ای و شرایط اقلیمی ایجاد و تشدید می شوند. پیچیدگی روابط غیرخطی میان این متغیرها موجب شده است روش های متعارف پیش بینی خرابی در برخی شرایط، به ویژه در محیط های اقلیمی متغیر، از دقت کافی برخوردار نباشند. در سال های اخیر، هوش مصنوعی و الگوریتم های یادگیری ماشین به عنوان ابزارهای نوین تحلیل داده محور، ظرفیت قابل توجهی برای مدل سازی رفتار پیچیده روسازی و پیش بینی روند خرابی آن ارائه کرده اند.هدف: پژوهش حاضر با هدف بررسی تاثیر به کارگیری هوش مصنوعی و یادگیری ماشین بر پیش بینی خرابی های عملکردی روسازی های آسفالتی تحت شرایط اقلیمی مختلف انجام شده است. تمرکز اصلی بر تبیین نقش متغیرهای اقلیمی شامل دما، بارش، رطوبت، چرخه های یخ زدگی و ذوب و تغییرات فصلی در کنار عوامل ترافیکی و سازه ای و بررسی قابلیت الگوریتم های یادگیری ماشین در شناسایی الگوهای پیچیده خرابی روسازی قرار دارد.