بررسی عملکرد مدل های رگرسیون و شبکه عصبی در تخمین رابطه بین شاخص وضعیت روسازی (PCI) و شاخص ناهمواری بین‌المللی (IRI)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته دکتری، گروه مهندسی عمران، گرایش سازه، دانشگاه تهران، تهران، ایران

2 دانش‌آموخته پسادکتری، گروه مهندسی عمران، گرایش راه و ترابری، دانشگاه صنعتی اصفهان، اصفهان، ایران

3 دانش‌آموخته کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران

چکیده

ارزیابی و سنجش کیفیت روسازی با شناخت بهتر از عملکرد صحیح بخش‌های مختلف سیستم مدیریت روسازی، موجب تعیین بانک اطلاعاتی برای پیش‌بینی زمان بهینه طراحی و به‌روزرسانی اطلاعات می‌شود. شاخص‌های وضعیت روسازی (PCI) و شاخص ناهمواری بین‌المللی (IRI) به‌عنوان دو معیار سنجش عملکرد ارزیابی روسازی راه‌ها می‌باشد که تأثیر بسزایی بر مدیریت بودجه‌های ترمیم و نگهداری راه‌ها دارد. بااین‌وجود، شاخص‌های PCI و IRI جامع و کامل نمی‌باشند و نیاز است تا مشکلات موجود در آن‌ها با تعیین یک رابطه منطقی و با دقت بالا برطرف شود. هدف از این مطالعه تعیین رابطه بین شاخص‌های IRI و PCI با استفاده از تحلیل‌های آماری اسپیرمن، پیرسون و دوربین واتسون، مدل‌های رگرسیون خطی و غیرخطی و مدل شبکه عصبی می‌باشد. در همین راستا، داده‌های 392 قطعه از راه‌های شریانی استان اصفهان بررسی شد و شاخص‌های PCI و IRI این قطعات به‌عنوان جامعه آماری انتخاب شدند. نتایج بخش مدل‌سازی نشان داد با باوجود عملکرد مناسب شبکه عصبی در پیش‌بینی داده‌های آموزش، ولی در پیش‌بینی داده‌های جدید و در مرحله آزمون با حدود 46 درصد خطا، عملکرد ضعیفی دارد و مدل دچار بیش‌پردازش ‌شده است. در نهایت، عملکرد مدل رگرسیون خطی نشان داد استفاده از رابطه PCI=-19.802×IRI +126.970 با دقت 77% می‌توان مقادیر PCI را با استفاده از داده‌های IRI تعیین کرد. با توجه به‌سرعت برداشت و تحلیل نتایج بالا شاخص IRI و کاربردی بودن شاخص PCI به‌عنوان روش استاندارد در برنامه‌ریزی و تعیین گزینه‌های نگهداری راه‌ها، این مدل می‌تواند کمک شایانی را در راستای افزایش دقت و سرعت تصمیم‌گیری‌ها و کاهش هزینه‌های سنگین برداشت خرابی و زمان تحلیل نتایج شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of the performance of regression and neural network models in estimating the relationship between pavement status index (PCI) and international roughness index (IRI)

نویسندگان [English]

  • Reza Akbari 1
  • Amir Amini 2
  • Ahmad Safari Mohammadi 3
1 Ph.D., Grad., Department of Civil Engineering, University of Tehran, Tehran, Iran.
2 Postdoctoral Researcher, Department of Civil Engineering, Isfahan University of Technology, Isfahan, Iran.
3 M.Sc., Grad., Department of Civil Engineering, Iran University of Science and Technology, Tehran, Iran.
چکیده [English]

Evaluating and measuring the quality of pavement by better understanding the correct performance of different parts of the pavement management system, it is possible to determine the database to predict the optimal design time and update information. Pavement condition index (PCI) and International Roughness Index (IRI) are two criteria for measuring the performance of road pavement evaluation, which has a significant impact on the management of road repair and maintenance budgets. However, the PCI and IRI indices are not comprehensive and need to be addressed by establishing a logical relationship with high accuracy. The aim of this study was to determine the relationship between IRI and PCI indices using Spearman, Pearson and Watson statistical analyzes, linear and nonlinear regression models and neural network model. In this regard, data of 392 sections of arterial pathways in Isfahan province were reviewed and PCI and IRI indices of these sections were selected as the statistical population. The results of the modeling section showed that despite the proper performance of the neural network in predicting training data, but in predicting new data and in the test phase with about 46% error, has a poor performance and the model has been overworked. Finally, the performance of the linear regression model showed that using the relation PCI = -19.802 × IRI +126.970 with 77% accuracy PCI values can be determined using IRI data. Considering the speed of harvesting and analysis of the high results of the IRI index and the applicability of the PCI index as a standard method in planning and determining road maintenance options, this model can be a great help in increasing the accuracy and speed of decisions and reducing the heavy costs of failure and time analysis of results.

کلیدواژه‌ها [English]

  • Prediction Models
  • Road Maintenance
  • Regression Models
  • Neural Network Model
  • Statistical Tests

مراجع

-Abaza, K. A., Ashur, S. A., & Al-Khatib, I. A., (2004), “Integrated pavement management system with a Markovian prediction model”, Journal of Transportation Engineering, 130(1), pp.24-33.
-Abed, M. S., (2020), “Development of Regression Models for Predicting Pavement Condition Index from the International Roughness Index”, Journal of Engineering, 26(12), pp.81-94.
-Agatonovic-Kustrin, S., & Beresford, R., (2000), “Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical research”, Journal of pharmaceutical and biomedical analysis, 22(5), pp.717-727.
-Arhin, S. A., Williams, L. N., Ribbiso, A., & Anderson, M. F., (2015), “Predicting pavement condition index using international roughness index in a dense urban area”, Journal of Civil Engineering Research, 5(1), pp.10-17.­
-Bui, D. K., Nguyen, T. N., Ngo, T. D., & Nguyen-Xuan, H., (2020), “An artificial neural network (ANN) expert system enhanced with the electromagnetism-based firefly algorithm (EFA) for predicting the energy consumption in buildings”, Energy, 190, 116370.­
-Chan, C. Y., Huang, B., Yan, X., & Richards, S. (2010), “Investigating effects of asphalt pavement conditions on traffic accidents in Tennessee based on the pavement management system (PMS)”, Journal of advanced transportation, 44(3),
pp.150-161.
-Dewan, S., & Smith, R., (2002), “Estimating IRI from pavement distresses to calculate vehicle operating costs for the cities and counties of San Francisco Bay area” Transportation Research Record.
-Elhadidy, A. A., El-Badawy, S. M., & Elbeltagi, E. E., (2021), “A simplified pavement condition index regression model for pavement evaluation”, International Journal of Pavement Engineering, 22(5), pp.643-652.
-Hasibuan, R. P., & Surbakti, M. S., (2019), “Study of Pavement Condition Index (PCI) relationship with International Roughness Index (IRI) on Flexible Pavement”, Paper presented at the MATEC web of conferences.
-Kamboozia, N., Ziari, H., & Behbahani, H. (2018), “Artificial neural networks approach to predicting rut depth of asphalt concrete by using of visco-elastic parameters”, Construction and Building Materials, 158, pp.873-882.
-Kukreja, H., Bharath, N., Siddesh, C., & Kuldeep, S., (2016), “An introduction to artificial neural network”, Int J Adv Res Innov Ideas Educ, 1, pp.27-30.
-Mactutis, J. A., Alavi, S. H., & Ott, W. C., (2000), “Investigation of relationship between roughness and pavement surface distress based on WesTrack project”, Transportation Research Record, 1699(1), pp.107-113.
-Mirabdolazimi, S., & Shafabakhsh, G., (2017), “Rutting depth prediction of hot mix asphalts modified with forta fiber using artificial neural networks and genetic programming technique”, Construction and Building Materials, 148, pp.666-674.­
-Park, K., Thomas, N. E., & Wayne Lee, K. (2007), “Applicability of the international roughness index as a predictor of asphalt pavement condition”, Journal of Transportation Engineering, 133(12),
pp.706-709.­
-Pérez-Acebo, H., Gonzalo-Orden, H., Findley, D. J., & Rojí, E., (2021), “Modeling the international roughness index performance on semi-rigid pavements in single carriageway roads”, Construction and Building Materials, 272, 121665.­
-Piryonesi, S. M., & El-Diraby, T. E., (2021), “Examining the relationship between two road performance indicators: Pavement condition index and international roughness index”, Transportation Geotechnics, 26, 100441.­
-Recknagel, F., French, M., Harkonen, P., & Yabunaka, K. I., (1997), “Artificial neural network approach for modelling and prediction of algal blooms”, Ecological Modelling, 96(1-3), pp.11-28.­
-Shahin, M., (2005), “Pavement Preservation for Airports, Roads, and Parking Lots”, Springer, New York, NY, United States.
-Sirhan, M., Bekhor, S., & Sidess, A., (2022), “Implementation of Deep Neural Networks for Pavement Condition Index Prediction”, Journal of Transportation Engineering, Part B: Pavements, 148(1), 04021070.­
-Sollazzo, G., Fwa, T., & Bosurgi, G., (2017), “An ANN model to correlate roughness and structural performance in asphalt pavements”, Construction and Building Materials, 134, pp.684-693.­
-Zarei, B., & Shafabakhsh, G. A., (2018), “Dynamic analysis of composite pavement using finite element method and prediction of fatigue life”, Computational Research Progress in Applied Science & Engineering (CRPASE), 4.
پژوهشنامه حمل و نقل
دوره 20، شماره 2
تیر 1402
صفحه 63-76

فایل ها

هم رسانی

ارجاع به این مقاله

آمار