مدل‌سازی شاخص وضعیت روسازی (PCI) با استفاده از رگرسیون خطی چندگانه و شبکه عصبی انتشار برگشتی

یکیازمهمتریناهدافیکسیستممدیریتروسازی،تعییناولویت‌هاوزمانبهینهبرایتعمیرات،از طریقپیش‌بینیوضعیتروسازیاست.درواقعهدفسیستممدیریتروسازی(PMS)،ترمیمونگهداریدر مراحلنخستینخرابیوصرفه‌جوییدرهزینه‌هاست. از این رو در این پژوهش به منظور تعیین شاخص وضعیت روسازی (PCI)، دو مدل رگرسیون خطی چندگانه و شبکه عصبی انتشار برگشتی را برازش داده و قدرت تخمین آنها مقایسه گردید. در این راستا خرابی‌های سه آزادراه کربلا، پل زال و تهران – قم مورد بررسی قرار گرفته، تا بدین وسیله بتوان روش مناسب برای پیش‌بینی شاخص وضعیت روسازی، به منظور شناسایی بهینه‌ترین زمان تعمیر و نگهداری در جهت کاهش هزینه‌های آن، شناسایی گردد. برای دستیابی به هدف مورد نظر برای ارزیابی قطعات (واحدهای نمونه) از نرم‌افزار‌های Micropaver و برای ساخت مدل‌ها از نرم افزار MATLAB و SPSS استفاده گردید. به منظور برداشت خرابی‌های واحد‌های نمونه به فواصل 100 متر و قطعات به فواصل 500 از این مسیر برداشت شد. متغیرهای مورد بررسی در تحلیل مدل‌ها شامل: طول عمر قطعه در زمان بازرسی (ماه)، عرض واحد نمونه، متوسط AADT در طول عمر قطعه، متوسط درصد وسایل نقلیه سنگین در طول عمر قطعه، بیشینه دما در طول عمر قطعه در سال 1396،کمینه دما در طول عمر قطعه در سال 1396 وضخامت روسازی (سانتی­متر) می‌باشد. بر اساس نتایج به دست آمده میزان عملکرد مدل شبکه عصبی بر اساس شاخص میانگین مربعات خطا (MSE) و همچنین شاخص R2که به ترتیب برابر است با 0.95 و 0.87 می‌باشد که در مقایسه با مدل رگرسیون خطی چندگانه (0.139) دارای اعتبارسنجی بیشتری جهت پیش‌بینی وضعیت آینده روسازی می‌باشد. علاوه بر آن با توجه به مدل شبکه عصبی می‌توان دریافت طول عمر قطعه بیشترین اهمیت را در ساخت شبکه عصبی داشته (0.55) و پس از آن بیشینه دما (0.122) و درصد وسایل نقلیه سنگین (0.120) متغیرهای مهم بعدی در پیش‌بینی وضعیت روسازی راه‌ها می‌باشد.