@article { author = {Fakhri, M. and Shahni Dezfoulian, R.}, title = {Determination of Effective Structural Number based on IRI and Surface Distress Using Regression and Neural Network Model}, journal = {Journal of Transportation Research}, volume = {15}, number = {4}, pages = {207-221}, year = {2018}, publisher = {}, issn = {1735-3459}, eissn = {2008-3351}, doi = {}, abstract = {Being aware of the pavement structural condition can play an effective role in implementing an effective pavement management system. An effective structural number can be considered for pavement design, maintenance and rehabilitation, detection of homogeneous sections, prediction of pavement deterioration, and identification of sections requiring additional field tests. One of the most common methods of calculating structural number is the use of non-destructive methods and equipment, such as Falling Weight Deflectometer (FWD). However, the cost of data collection, the need for traffic control and speed constraints are important things that have caused the use of the FWD to be limited at the project and especially the network level. In this paper, it is tried to determine the effective structural number by considering roughness and surface distress with fast and relatively economical methods. For this purpose, 52 km of arterial roads in Kermanshah and Ilam provinces were studied with different specifications such as traffic, age, pavement thickness and distresses. Also, for the determination of deflection, Roughness and PASER index (surface distress), assessment devices such as FWD, RSP, RD-3VV, and visual survey were used respectively. In order to determine the effective structural number, the roughness index (IRI) and PASER index, were considered as input variables in modeling. Also, power regression relation, polynomial linear and neural network models with different architectures were used. The results of the proposed model show that it is possible to determine the structural number with high accuracy and low error. In addition, the superiority and ability of neural network models to estimate the effective structural number, is significant compared to other regression models.      }, keywords = {Effective Structural Number,International Roughness Index,Neural Network Model,Regression Model,Surface Distress}, title_fa = {تعیین عدد سازه‌ای موثر روسازی بر اساس شاخص ناهمواری و خرابی سطحی با استفاده از مدل‌های رگرسیون و شبکه عصبی}, abstract_fa = {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 نسبتاً 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.  }, keywords_fa = {عدد­سازه­ای موثر,امتیازدهی و ارزیابی­ سطح­ روسازی­,شاخص ­ناهمواری بین­ المللی,مدل­ شبکه عصبی,مدل رگرسیون}, url = {https://www.trijournal.ir/article_85557.html}, eprint = {https://www.trijournal.ir/article_85557_7cdb70debbf2a135e1ad005ddccba915.pdf} }