مرکز تحقیقات راه ، مسکن و شهرسازی پژوهشنامه حمل و نقل 1735-3459 15 4 2018 12 22 Determination of Effective Structural Number based on IRI and Surface Distress Using Regression and Neural Network Model تعیین عدد سازه‌ای موثر روسازی بر اساس شاخص ناهمواری و خرابی سطحی با استفاده از مدل‌های رگرسیون و شبکه عصبی 207 221 85557 FA 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 برنامه‌ریزی حمل‌و‌نقل، مرکز تحقیقات راه، مسکن و شهرسازی، تهران، ایران Journal Article 2019 03 24 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. 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.

https://www.trijournal.ir/article_85557_c622ee983a9f2aca67586e412c638b8e.pdf