فهرست نشریات علمی دسترسی آزاد ایران

یکی از خرابی‌های مهم عملکردی در روسازی‌های بتنی، خرابی پلکانی‌ شدن است. پیش‌بینی مقدار این خرابی می‌تواند در طراحی بهینه روسازی بتنی و نیز استقرار سامانه مدیریت تعمیر و نگهداری روسازی­ها مورد استفاده قرار گیرد. در این مطالعه از شبکه‌های عصبی مصنوعی برای پیش‌بینی مقدار این خرابی بر اساس داده­های عملکرد طولانی­ مدت روسازی (LTPP) استفاده شده است. ابتدا با استفاده از 32 متغیر انتخابی ورودی شامل داده­ های ترافیکی، آب و هوایی و سازه­ای، معماری شبکه عصبی مصنوعی با روش آزمون و خطا تعیین شده و سپس معماری مشخص شده به درستی آموزش داده شده است. علاوه‌ بر متغیرهای مورد استفاده در مطالعات گذشته، متغیرهای ورودی جدیدی نظیر ضریب پواسون و مدول الاستیسیته دال بتنی که تاکنون بررسی نشده‌اند نیز در بین این 32 متغیر مد نظر قرار گرفته است. سپس با به کارگیری روش جدید NSGA2-MLP، 19 متغیر مهم شناسایی شده و یک مدل شبکه عصبی جدید با این تعداد متغیر ساخته شده است. مقدار ضریب همبستگی، میانگین مربعات خطا و میانگین خطای مطلق برای مدل ساخته شده با 32 متغیر و 19 متغیر به ترتیب برابر 0/97، 0/45، 0/43، 0/95، 0/54 و 0/6 می‌باشد. در انتها با استفاده از روش جنگل تصادفی میزان اهمیت 19 متغیر بر اساس درصد تعیین گردید. چهار متغیری که بیشترین اهمیت را دارند بر اساس سهم درصد اهمیت متغیر از 100 به ترتیب عبارتند از تعداد تجمعی روزهای با بارش بیشتر از 12/7 میلی‌متر با 24%، مدول الاستیسته دال بتنی با %14، عمر روسازی با 12% و ضخامت اساس با 10%  اهمیت.