تقييم حالة الرصف باستخدام الشبكات العصبية الاصطناعية
DOI:
https://doi.org/10.36602/ijeit.v14i1.565الكلمات المفتاحية:
مؤشر حالة الرصف، شبكات عصبية، طبقة مخفية، نموذجالملخص
المحافظة على أداء الرصف وتحديد أولويات الصيانة الدورية يعتبر من أهم أهداف أنظمة إدارة الرصف الحديثة التي تساهم في خفض النفقات وتحديد التوزيع الأمثل للموارد المتاحة. يعتبر مؤشر حالة الرصف (PCI) من أهم الأدوات الدقيقة المستخدمة لتقييم الحالة الإنشائية لاعتماده على تقييم العيوب المختلفة وتحويلها إلى قيمة عددية تصف حالة الرصف. تهدف هذه الدراسة إلى بناء نموذج تعلم آلي لغرض التنبؤ بقيم مؤشر حالة الرصف باستخدام الشبكات العصبية الاصطناعية. تم تصميم 3 نماذج شبكات عصبية بهيكليات مختلفة لغرض المقارنة احتوت على أعداد مختلفة من الطبقات والعقد. احتوت جميع النماذج على طبقة مدخلات واحدة بها 7 أنواع من عيوب الرصف، وطبقة مخرجات واحدة تمثل قيمة PCI لقطاعات الطريق التي تم حسابها وفقاً للمواصفة ASTM 6433. تم عمل 3 نماذج بطبقة مخفية واحدة وبعدد عقد 4، 8، 16. تم تهيئة البيانات بمقياس وزني واحد وذلك بتحويل البيانات الوصفية إلى قيم عددية ثم حساب الأوزان بها لكل نوع من العيوب حسب مستوى الشدة. أظهرت النتائج أن النماذج تجاوز فيها معامل التحديد 0.95 مما يعزز من قدرة الشبكات العصبية الاصطناعية على نمذجة العلاقات غير الخطية المعقدة. بمقارنة النماذج يتبين أن النموذج (7-8-1) له المستوى الأعلى من الموثوقية بين النماذج، وأن قيمة معامل التحديد كانت 0.98 وبخطأ معياري أقل من 4%. تم اختبار النموذج باستخدام التحقق المتقاطع وأظهرت النتائج ثبات أداء النموذج بقيمة معامل تحديد 0.95 وقيمة RMSE=5.72±0.49 مما يظهر إمكانية الاعتماد على النموذج في حساب قيمة PCI والمساعدة في اتخاذ قرارات الصيانة وإعادة التأهيل للطرق.
التنزيلات
المراجع
[1] Elhadidy, Amr A., Sherif M. El-Badawy, and Emad E. Elbeltagi. "A simplified pavement condition index regression model for pavement evaluation." International Journal of Pavement Engineering 22.5 (2021): 643-652.
[2] Issa, Amjad, Haya Samaneh, and Mohammad Ghanim. "Predicting pavement condition index using artificial neural networks approach." Ain Shams Engineering Journal 13.1 (2022): 101490.
[3] ASTM D6433-18; Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. ASTM International: West Conshohocken, PA, USA, 2018.
[4] Shah, Yogesh U., et al. "Development of overall pavement condition index for urban road network." Procedia-Social and Behavioral Sciences 104 (2013): 332-341.
[5] Vyas, Vidhi, and Ajit Pratap Singh. "Modeling asphalt pavement condition using artificial neural networks." Materials Today: Proceedings 62 (2022): 1671-1676.
[6] Kheirati, Afarin, and Amir Golroo. "Machine learning for developing a pavement condition index." Automation in Construction 139 (2022): 104296.
[7] Ali, Abdualmtalab Abdualaziz, et al. "Predicting pavement condition index based on the utilization of machine learning techniques: A case study." Journal of Road Engineering 3.3 (2023): 266-278.
[8] Zeiada, Waleed, et al. "Machine learning for pavement performance modelling in warm climate regions." Arabian journal for science and engineering 45.5 (2020): 4091-4109.
[9] Miller, J. S. & Bellinger, W. Y. 2014. Distress Identification Manual for the Long-term Pavement Performance Program. Report No. FHWA-HRT-13-092. McLean, VA: Office of Infrastructure Research and Development, Federal Highway Administration.
التنزيلات
منشور
إصدار
القسم
الفئات
الرخصة
الحقوق الفكرية (c) 2025 The International Journal of Engineering & Information Technology (IJEIT)
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
