توسعه مدل شبکه عصبی مصنوعی پیش‌بینی دمای عمق لایه‌های آسفالتی با استفاده از داده‌های LTPP

Abstract

دمای عمق لایه‌های آسفالتی یکی از پارامترهای مهم و اساسی در فرآیند تحلیل، طراحی و مطالعات بهسازی (روکش) روسازی‌های آسفالتی است. مدل‌های پیش‌بینی به عنوان جایگزین اندازه‌گیری میدانی و آزمایشگاهی این دما، از روش‌های کم‌هزینه و سریع تعیین دمای عمق لایه‌های آسفالتی هستند. این در حالی است که این مدل‌ها بر اساس داده‌های میدانی و آزمایشگاهی محدود ساخته شده‌اند و نیاز به توسعه مدل‌هایی برای تعیین دمای عمق لایه‌های آسفالتی در شرایط مختلف ترافیکی و آب و هوایی وجود دارد. هدف اصلی این پژوهش توسعه مدلی برای پیش‌بینی دمای عمق لایه‌های آسفالتی بر اساس داده‌های آب و هوایی است. در سال‌های اخیر، شبکه‌های عصبی مصنوعی به عنوان ابزاری مفید برای مدل‌سازی پدیده‌های تجربی، عملکرد مناسبی از خود نشان داده‌اند. روش مدل‌سازی استفاده شده در این پژوهش، مدل شبکه عصبی مصنوعی پس‌انتشار می‌باشد که میانگین ساعتی دمای عمق لایه‌های آسفالتی را بر اساس سایر متغیرها شامل زمان روز، عمق مورد نظر از سطح روسازی، میانگین ساعتی دمای هوا، میانگین سرعت و جهت باد، حداقل رطوبت هوا و کل تابش آفتاب پیش‌بینی می‌کند. داده‌ها از پایگاه داده برنامه عملکرد بلندمدت روسازی (LTPP) استخراج شده است. برای مدل‌سازی از داده‌های چندین ساله مربوط به ایالت اوهایو آمریکا استفاده شده است. بعد از آموزش شبکه، عملکرد مدل توسعه یافته مورد ارزیابی قرار گرفته و با نتایج مدل رگرسیونی غیرخطی درجه دوم مقایسه شده است. این مقایسه نشان می‌دهد مدل شبکه عصبی دارای دقت بالاتری نسبت به مدل رگرسیونی می‌باشد. نتایج پژوهش قابلیت پیش‌بینی دمای عمق لایه‌های آسفالتی را بر اساس داده‌های آب و هوایی موجود توسط مدل توسعه یافته با دقت پیش‌بینی بسیار خوب (ضریب تعیین برابر 96/0)، بایاس و خطای پیش‌بینی کم نشان می‌دهد.