پیش‌بینی خرابی پلکانی‌شدن در روسازی های‌ بتنی غیرمسلح درزدار و تعیین پارامترهای موثر بر این خرابی با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران

2 دانشگاه صنعتی امیر کبیر

3 دانشگاه صنعتی امیرکبیر

چکیده

یکی از خرابی‌های مهم عملکردی در روسازی‌های بتنی، خرابی پلکانی‌شدن است. پیش‌بینی مقدار این خرابی می‌تواند در طراحی بهینه روسازی بتنی و نیز استقرار سامانه مدیریت تعمیر و نگهداری روسازی‌ها مورد استفاده قرار گیرد. در این مطالعه از شبکه‌های عصبی مصنوعی برای پیش‌بینی مقدار این خرابی بر اساس داده‌های عملکرد طولانی‌مدت روسازی (LTPP) استفاده شده است. ابتدا با استفاده از 32 متغیر انتخابی ورودی شامل داده‌های ترافیکی، آب و هوایی و سازه‌ای، معماری شبکه عصبی مصنوعی با روش آزمون و خطا تعیین شده و سپس معماری مشخص شده به درستی آموزش داده شده است. علاوه‌ بر متغیرهای مورد استفاده در مطالعات گذشته، متغیرهای ورودی جدیدی نظیر ضریب پواسون و مدول الاستیسیته دال بتنی که تاکنون بررسی نشده‌اند نیز در بین این 32 متغیر مد نظر قرار گرفته است. سپس با بکارگیری روش جدید NSGA2-MLP، 19 متغیر مهم شناسایی شده و یک مدل شبکه عصبی جدید با این تعداد متغیر ساخته شده است. مقدار ضریب همبستگی، میانگین مربعات خطا و میانگین خطای مطلق برای مدل ساخته شده با 32 متغیر و 19 متغیر به ترتیب برابر 97/0، 45/0، 43/0، 95/0، 54/0 و 6/0 می‌باشد. در انتها با استفاده از روش جنگل تصادفی میزان اهمیت 19 متغیر بر اساس درصد تعیین گردید. چهار متغیری که بیشترین اهمیت را دارند بر اساس سهم درصد اهمیت متغیر از 100 به ترتیب عبارتند از تعداد تجمعی روزهای با بارش بیشتر از 7/12 میلیمتر با 24%، مدول الاستیسته دال بتنی با 14%، عمر روسازی با 12% و ضخامت اساس با 10% اهمیت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Faulting Prediction Model in Jointed Plain Concrete Pavement and determining the parameters affecting this failure with Artificial Neural Networks

نویسندگان [English]

  • Mehrdad Ehsani 1
  • Fereidoon Moghadas Nejad 2
  • Pouria Hajikarimi 3
1 a Department of Civil & Environmental Engineering, Amirkabir University of Technology, Tehran,
2 Dep. of Civil Engineering, Amirkabir University of Technology
3 Department of Civil & Environmental Engineering, Amirkabir University of Technology, Tehran
چکیده [English]

One of the essential functional failures in concrete pavements is faulting. Predicting this failure can be used in various fields such as pavement design and pavement management systems. In this study, powerful tool of artificial neural networks has been used to predict this failure. Initially, using 32 input variables including traffic, weather and structural data, the artificial neural network architecture was determined by trial and error and then the specified architecture was properly trained. Among these 32 variables, in addition to the variables used in previous studies, new input variables that have not been studied so far, such as Poisson's ratio and elastic modulus of concrete slabs, have been considered. Then, with a new method, 19 important variables were identified and a new neural network model with 19 variables was constructed. The values of correlation coefficient, mean square error and mean absolute error for the model with 32 variables and 19 variables are equal to 0.97, 0.45, 0.43, 0.95, 0.54 and 0.6. Finally, using the random forest method, the importance of 19 variables was determined, of which the four most important variables are the annual cumulative number of days with precipitation greater than 12.7 mm (24%), elastic modulus (14%), Pavement life (12%) and base thickness (10%). elastic modulus is one of the most important input variables if this variable has not been studied in previous studies.

کلیدواژه‌ها [English]

  • Faulting
  • jointed plain concrete pavement (JPCP)
  • Artificial Neural Networks
  • feature selection
  • Metaheuristic algorithms