تعیین عدد سازه ای موثر روسازی بر اساس شاخص ناهمواری و خرابی سطحی با استفاده از مدل های رگرسیون و شبکه عصبی

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 431

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TRJ-15-4_014

تاریخ نمایه سازی: 8 خرداد 1398

چکیده مقاله:

اطلاع از وضعیت سازه­ای روسازی می­تواند نقش موثری در پیاده­سازی و اجرای یک سیستم مدیریت روسازی کارآمد داشته باشد. تعیین عدد سازه­ای موثر می­تواند در طراحی، بهسازی و تعمیر و نگهداری، تعیین مقاطع همگن و پیش­بینی خرابی روسازی و شناسایی مقاطع نیازمند به آزمایش­های تکمیلی میدانی مد نظر قرار­گیرد. یکی از رایج ترین روش­های محاسبه عدد سازه­ای، استفاده از روش­های غیر مخرب با استفاده از دستگاه افت و خیز سنج لرزه­ای (FWD) می­باشد. لیکن هزینه انجام تست­های میدانی، نیاز به کنترل ترافیک و محدودیت در سرعت انجام کار، از مواردی مهمی است که استفاده از دستگاه FWD را در سطح پروژه و به ویژه در سطح شبکه با محدودیت مواجه ساخته است. در این مقاله تلاش می­گردد در راستای توسعه روش­های موجود، با استفاده از روش­های سریع و نسبتا اقتصادی، عدد سازه­ای موثر روسازی را با ترکیب شاخص ناهمواری و خرابی سطحی تعیین نمود. بدین منظور 52 کیلومتر از راه­های شریانی استان کرمانشاه و ایلام با مشخصات مختلفی چون ترافیک، عمر روسازی، ضخامت لایه های روسازی و انواع خرابی مورد بررسی قرار گرفت. همچنین، از دستگاه FWD جهت محاسبه افت و خیز در هر مقطع، از دستگاه­RSP جهت برداشت ناهمواری (IRI)و از دستگاه RD-3VV و بازدید چشمی جهت بررسی خرابی­های سطحی و تعیین شاخصارزیابی سطح روسازی (PASER)استفاده شد. به منظور برآورد عدد سازه­ای موثر، دو شاخص ناهمواری و PASER به عنوان متغیرهای ورودی در مدلسازی در نظر گرفته شدند. جهت مدلسازی از مدل­های رگرسیون توانی، خطی چند جمله­ای و شبکه عصبی با معماری مختلف استفاده گردید. نتایج حاصل از مدل پیشنهادی نشان می­دهد که       می­توان عدد سازه­ای را با دقت بالا و خطای کم تعیین نمود. همچنین یافته­های این مقاله، بر برتری و توانایی نسبی استفاده از مدل­های شبکه عصبی در مقایسه با دیگر مدل­های رگرسیون دلالت دارد.  

کلیدواژه ها:

عدد­سازه­ای موثر ، امتیازدهی و ارزیابی­ سطح­ روسازی­ ، شاخص ­ناهمواری بین­ المللی ، مدل­ شبکه عصبی ، مدل رگرسیون

نویسندگان

منصور فخری

دانشیار، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

رضا شهنی دزفولیان

دانشجوی دکتری، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران بخش برنامه ریزی حمل و نقل، مرکز تحقیقات راه، مسکن و شهرسازی، تهران، 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 :
  • Robinson, R., Danielson U. and Snaith M. (1998), Road Maintenance ...
  • Huang, Yang H. (2004), Pavement Analysis and Design , 2th. ...
  • Kirbas, U. and Karasahin, M. (2016), ­Performance models for hot ...
  • ­Elbagalati, O., Elseifi, M., Gaspard, K. and Zhang, Z. (2016), ...
  • Marcelino, P.,  Lurdes Antunes, A. and  Fortunato, F. (2018), Comprehensive ...
  • Goel, A. and  Das, A. (2008), Nondestructive testing of asphalt ...
  • Chang, J.R., Lin, J.D, Chang, W.C. and Chen, D. (2002), ...
  • Wu, Z., Zhang, Z. and Abadie, C. (2013), Determining structural ...
  • Flora, W.F., PING, G. and Sinha, K,C. (2010), Development of ...
  • Macecos, V., Fontel, S., Lurdes, M. and Soll, M. (2017), ...
  • Mofresh, S. (2016), Simplified approach for structural capacity evaluation of ...
  • Hyun Nam, B., An, J., Kim, M., Murphy, M.R. and ...
  • Kavussi, A., Abbasghorbani, M., Moghadas Nejad, F. and Bamdad, A. ...
  • Nam, B.H., Murphy, M.R., Zhang, Z. and Arellano, M. (2013), ...
  • Gedafa, D.S., Hossain, M., Miller, R. and  Van, T. (2013), ...
  • Chi, S., Murphy, M. and Zhang, Z. (2014), Sustainable Road ...
  • ­Sollazzo, G., Fwa, T.F. and Bosurgi, G. (2017), ANN model ...
  • Al-Suleiman, T. and Shiyab, A.M.S. (2003), Prediction of Pavement Remaining ...
  • Rada, G.R., Perera, R.W., Prabhakar, V.C. and Wiser, L.J. (2012), ...
  • Horak, E., Emery, S. and Maina, J. (2015), Review of ...
  • Horak, E. (2008), Benchmarking the structural condition of flexible pavements ...
  • Schwartz, C.W., Li, R., Hwan Kim, S. and Ceylan, H. ...
  • Kumali, Sangpetngam and Chalermpong. (2014) Development of equations for determining ...
  • Fuller, R. (1995)  Neural Fuzzy Systems ,  Abo Akademi  University. ...
  • Hayki, S. (2009) Neural Networks and Learning Machines , McMaster ...
  • Heravi, G. and Eslamdoost, E. (2015) Applying Artificial Neural Networks ...
  • Awodele, O. and Jegede, O. (2009) Neural Networks and Its ...
  • Plati, C., Georgiou, P. and Papavasiliou V. (2015) Simulating Pavement ...
  • Amin, S.R. and Amador, L.E. (2016) Backpropagation Neural Network to ...
  • Horak, E., Hefer, A., Emery, S. and Maina, J. (2015), ...
  • Schnoor, H. and Horak, E. (2012), Possible Methods of Determining ...
  • Horak, E., Hefer, A. and Maina, J. (2015), ­Modified Structural ...
  • Highway Development and Management. (HDM-4). (2004), Application Guide (Volume2); A ...
  • Hao Chen, D., Bilyeu, J., Hsiung Lin, H. and Murphy, ...
  • ­American Association of State Highway and Transportation Officials. (AASHTO). (1995), ...
  • Fernandi, E.G., Liu, W.and Ryu, D. (2001), Development of a ...
  • ­Walker, D., Entine, L. and Kummer, S. (2002), Pavement Surface ...
  • Pavement Management Guide. (2012), American Association of State Highway and ...
  • ­Chou, Y.J. (1993), Knowledge-Based System for Flexible Pavement Structural Evaluation ...
  • Peterson, G. and Shepard, L. W. (1972), Deflection analysis of ...
  • نمایش کامل مراجع