کاربرد یادگیری ماشین و هوش مصنوعی در پیش بینی شرایط و مدیریت روسازی

سیستم های مدیریت روسازی (PMS) نقشی حیاتی در حفظ عملکرد و ایمنی زیرساخت های حمل ونقل ایفا می کنند. بااین حال، روش های سنتی مبتنی بر بازرسی دستی و مدل های آماری مرسوم با محدودیت های قابل توجهی از جمله هزینه بر بودن، دقت محدود و ناتوانی در مدل سازی روابط غیرخطی پیچیده مواجه هستند. در سال های اخیر، کاربرد تکنیک های یادگیری ماشین (ML) و هوش مصنوعی (AI) در پیش بینی شرایط و مدیریت روسازی رشد چشمگیری داشته است. این مقاله به مرور سیستماتیک پژوهش های موجود در زمینه کاربرد روش های یادگیری ماشین و هوش مصنوعی در پیش بینی شرایط روسازی و مدیریت آن می پردازد. ابتدا الگوریتم های پرکاربرد شامل شبکه های عصبی مصنوعی، جنگل تصادفی، ماشین بردار پشتیبان و روش های یادگیری عمیق معرفی می شوند. سپس کاربرد این روش ها در پیش بینی شاخص های کلیدی عملکرد روسازی شامل شاخص ناهمواری بین المللی (IRI)، شاخص وضعیت روسازی (PCI) و خرابی های سطحی بررسی می شود. در ادامه، نقش هوش مصنوعی در مدیریت بهینه روسازی شامل سیستم های پشتیبانی تصمیم، بهینه سازی چندهدفه برنامه های نگهداری و تعمیرات، و فناوری های نوین مانند دوقلوی دیجیتال مورد بحث قرار می گیرد. چالش های موجود از جمله کیفیت داده ها، تفسیرپذیری مدل ها و تعمیم پذیری نتایج نیز شناسایی و مسیرهای تحقیقاتی آتی پیشنهاد می شود.

کلیدواژه ها:

یادگیری ماشین ، هوش مصنوعی ، پیش بینی شرایط روسازی ، مدیریت روسازی ، شاخص ناهمواری بین المللی ، سیستم پشتیبانی تصمیم