فهرست نشریات علمی دسترسی آزاد ایران

شبکه‌های روسازی از طریق امکان جابجایی کالاها، خدمات و افراد به شیوه‌ای ایمن، سریع و اقتصادی نقش حیاتی در زیرساخت‌های حمل‌ونقل ملی و رشد اقتصادی کشورها دارند.کیفیت شبکه‌های روسازی به شدت تحت تأثیر انواع خرابی‌ها قرار می‌گیرد. در نتیجه، برای اطمینان از مدیریت مؤثر روسازی، پیش‌بینی دقیق این خرابی‌ها ضروری‌ست. علاوه بر این، مدل‌های یادگیری ماشین در سال‌های اخیر پتانسیل بالایی در مدل‌سازی عملکرد روسازی نشان داده‌اند. هدف این تحقیق، بکارگیری مدل‌های یادگیری ماشین برای پیش بینی وضعیت عملکردی روسازی به ویژه شاخص بین‌المللی ناهمواری است. داده‌های این پژوهش از مرکز داده‌ی برنامه عملکرد بلندمدت روسازی تحت نظارت اداره فدرال بزرگراه‌های آمریکا استخراج شده‌اند. مجموعه داده شامل 4453 ردیف داده مربوط به سازه و ساخت روسازی، آب‌وهوا، ترافیک و عملکرد روسازی که در مجموع 12 متغیر موثر است. از هفت الگوریتم یادگیری ماشین برای پیش بینی شاخص بین‌المللی ناهمواری شامل درخت تصمیم، جنگل تصادفی، ایکس‌جی‌بوست، تقویت گرادیان، کی-نزدیکترین همسایه، رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی استفاده شد. عملکرد مدل‌ها با استفاده از معیارهای میانگین مطلق خطا، میانگین مربعات خطا، مجذور میانگین مربعات خطا و ضریب تعیین ارزیابی شد. تحلیل مقایسه‌ای نشان داد که الگوریتم ایکس جی بوست و جنگل تصادفی با میانگین مطلق خطا برابر با 17/0 و 18/0 همچنین ضریب تعیین به ترتیب 73/0 و 74/0 برای پیش‌بینی شاخص بین‌المللی ناهمواری عملکرد بهتری نسبت به باقی الگوریتم‌ها دارند. مدل توسعه‌یافته در این پژوهش می‌تواند به عنوان ابزاری دقیق و عملی در سیستم‌های مدیریت روسازی برای پیش‌بینی به‌موقع ناهمواری و بهینه‌سازی برنامه‌های نگهداری و تخصیص بودجه مورد استفاده قرار گیرد.