ارزیابی عوامل موثر بر فرسایش روسازی آسفالتی با استفاده از مدل جنگل تصادفی

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 12

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TRJ-23-4_004

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

آسفالت معابر شهری نقشی کلیدی در ارتقای ایمنی، رفاه و کیفیت خدمات حمل ونقل دارد. با این حال، خرابی های مکرر آن در شهرهای پرتراکم مانند کرج هزینه های اقتصادی و اجتماعی قابل توجهی را به همراه دارد. این پژوهش با هدف شناسایی عوامل موثر بر فرسایش روسازی آسفالتی و ارائه راهکارهایی برای افزایش دوام و کارایی آن انجام شده است. داده های مربوط به عمر آسفالت، حجم ترافیک، سهم وسایل نقلیه سنگین، شرایط اقلیمی، کیفیت مصالح و وضعیت نگهداری گردآوری و سطح خرابی در سه طبقه «کم»، «متوسط» و «زیاد» تعریف گردید. برای تحلیل داده ها و پیش بینی سطح خرابی، از الگوریتم یادگیری ماشین Random Forest استفاده شد. نتایج نشان داد دقت مدل حدود ۹۶.۷ درصد بوده و بیشترین تاثیر بر خرابی روسازی به ترتیب مربوط به کیفیت مصالح، درصد وسایل نقلیه سنگین، عمر آسفالت و حجم ترافیک روزانه است. در حالی که متغیرهای اقلیمی مانند دما و بارش اثر کمتری دارند. بررسی ماتریس درهم ریختگی نیز بیانگر توان بالای مدل در تشخیص سطوح متوسط و شدید خرابی و بروز خطا در پیش بینی سطح خرابی کم بود. بر اساس یافته ها، فرسایش سریع آسفالت ناشی از ترکیب عوامل ترافیکی، اجرایی و ضعف در نگهداری است. راهکارهای پیشنهادی شامل استفاده از مصالح مقاوم، افزایش ضخامت لایه های آسفالتی، مدیریت ترافیک سنگین، اجرای نگهداری پیشگیرانه و بهره گیری از افزودنی های نوین است که می تواند عمر مفید روسازی را افزایش داده و هزینه های نگهداری را کاهش دهد.

نویسندگان

محمد امین ابراهیم زاده

گروه عمران برنامه ریزی حمل ونقل، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی (ره)، قزوین، ایران

علی عبدی کردانی

استاد، گروه مهندسی عمران- برنامه ریزی حمل و نقل ، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aliha, M. R. M., & Sarbijan, M. J. (۲۰۱۶). Effects ...
  • Aliha, M. R. M., Fazaeli, H., Aghajani, S., & Nejad, ...
  • Alsheyab, M. A., Khasawneh, M. A., Abualia, A., & Sawalha, ...
  • Bhandari, S., Luo, X., & Wang, F. (۲۰۲۳). Understanding the ...
  • Breiman, L. (۲۰۰۱). Random forests. Machine Learning, ۴۵(۱), ۵–۳۲. ...
  • Chatti, K., Salama, H., & El Mohtar, C. (۲۰۰۴). Effect ...
  • Dong, Q., & Huang, B. (۲۰۱۲). Evaluation of effectiveness and ...
  • Dong, Q., Jiang, X., Huang, B., & Richards, S. H. ...
  • Ebrahimzadeh, M. A., Abdi Kordani, A., & Nakhaie, N. (۲۰۲۴). ...
  • Fathi, A., Mazari, M., Saghafi, M., Hosseini, A., & Kumar, ...
  • Fazaeli, H., Samin, Y., Pirnoun, A., & Dabiri, A. S. ...
  • Feng, B., Wang, H., Li, S., Ji, K., Li, L., ...
  • Haider, S. W., & Chatti, K. (۲۰۰۹). Effect of design ...
  • Hosseini, S. G., Kordani, A. A., & Zarei, M. (۲۰۲۳). ...
  • Jiang, Q., Chen, M., Zhao, Y., Wu, S., Fan, Y., ...
  • Llopis-Castelló, D., García-Segura, T., Montalbán-Domingo, L., Sanz-Benlloch, A., & Pellicer, ...
  • Mehdinejad, S., Fazaeli, H., Moniri, A., & Dabiri, A. S. ...
  • Nian, T., Ge, J., Li, P., Guo, R., Li, J., ...
  • Xiong, H., Han, J., Wang, J., Ren, Q., & Wu, ...
  • Zhang, M., Zhang, J., Lyu, L., Li, Y., Tan, X., ...
  • Zhong, T., Zheng, Y., Chen, Z., Yao, L., Zhang, W., ...
  • Zhou, Z., Li, H., Liu, X., & He, W. (۲۰۲۰). ...
  • نمایش کامل مراجع