پیش بینی خرابی شیارشدگی در روسازی های انعطاف پذیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

شیارشدگی یکی از خرابی های مهم عملکردی در روسازی های آسفالتی است. توسعه مدل های پیش بینی به منظور جلوگیری و کنترل آسیب های ناشی از این خرابی در سیستم مدیریت روسازی ضروری است. در این مطالعه با کمک الگوریتم شبکه عصبی مصنوعی، مدل هایی برای پیش بینی مقدار خرابی شیارشدگی با استفاده از پایگاه داده برنامه بلند مدت روسازی (LTPP) توسعه داده شده است. این مدل ها برای اقلیم های آب و هوایی سرد و مرطوب، گرم و خشک و سرد و خشک ارایه شده اند. از آنجا که دقت مناسب در عین سادگی جزء مهمترین ویژگی های یک مدل پیش بینی به شمار می رود، با استفاده از روش بهینه سازی چند هدفه NSGA ІІ-MLP متغیرهایی که میزان اهمیت بیشتری در پیش بینی خرابی شیارشدگی دارند، مشخص و به عنوان ورودی مدل درنظر گرفته شدند. سپس با استفاده از متغیر های ترافیکی، آب و هوایی و سازه ای انتخاب شده توسط الگو ریتم ژنتیک، مدل های پیش بینی خرابی شیارشدگی ساخته شده اند. مقدار ضریب تعیین و میانگین مربعات خطا برای مدل ساخته شده در مناطق سرد و مرطوب ومدل مشترک مناطق گرم و خشک و سرد و خشک به ترتیب برابر 96/0، 05/2، 94/0 و 45/3 می باشد. همچنین با انجام تحلیل حساسیت، متغیر هایی که بیشترین اثرگذاری را بر خرابی شیارشدگی در اقلیم سرد و مرطوب دارند، به ترتیب اهمیت سن و اختلاف دمای حداکثر و حداقل روزانه با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس مشخص گردید. همچنین در اقلیم گرم و سرد خشک به ترتیب متغیر های بار ترافیکی و نفوذ پذیری قیر با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس بر خرابی از بیش ترین اهمیت برخورداراند.