10673

مدل هاي پيش بيني وضعيت روسازي با استفاده از شبكه عصبي

1397-1400

دكتر حسن زياري

دكتر حسن زياري

تشخيص به موقع شرايط نامطلوب روسازي به عنوان مسئله مهمي در حوزه مديريت روسازي در سطح شبكه مطرح مي باشد و در گذشته مدل هاي متفاوتي همچون رگرسيون و توزيع احتمالي براي آن در نظر گرفته شده است. براي پيش بيني شرايط روسازي در آينده لازم است كه از شاخص هايي استفاده شود كه كيفيت روسازي را با يك عدد كه بيانگر وضعيت كلي روسازي است نمايش دهد. از مهمترين شاخص هايي كه در اين زمينه وجود دارد مي توان به PCI وMCI وIRI اشاره نمود. شاخصي كه دراين سمينار مورد استفاده قرار گرفته است IRI است كه توسط بانك جهاني در دهه80 ارائه شده است و اهميت ويژه اي از ديد استفاده كنندگان راه دارد. در اين سمينار سعي شده با استفاده از شبكه هاي عصبي مصنوعي كه يك رويكرد بيولوژيكي است به پيش بيني مقدارIRI در سالهاي آينده با استفاده ازداده هاي LTPP پرداخته شود. براي اين منظور مدل هاي متفاوتي از شبكه هاي عصبي مصنوعي از نظر ساختاري با استفاده از ورودي هايي كه در تخريب روسازي نقش ايفا مي كنند تحت آموزش به روش اندازه حركت((Momentum قرار گرفتند و سپس به وسيله داده هاي آزمايش ارزيابي شدند.شبكه داراي چهار لايه مخفي با تعداد 5 نرون در هر ايه داراي بيشترين توانايي تعميم است.و ضريب همبستگي داده هاي آزمايشي با داده هاي پيش بيني 96% است كه نشان دهنده كارايي قابل قبول شبكه است.در انتها داده هاي پيش بيني شده بهترين مدل شبكه عصبي با داده هاي پيش بيني شده مدل رگرسيوني از نظر ميزان خطاي پيش بيني مورد مقايسه قرار گرفتند.كه مدل شبكه عصبي درپيش بيني 22 مورد از 38 سري داده آزمايشي خطايي كمتر از 10 درصد داشت در حالي كه در مورد مدل رگرسيوني اين عدد به 6 داده مي رسد. نتايج داده هاي آزمايش نشان داد كه شبكه نهايي مي تواند شرايط روسازي يك شبكه را حداكثر براي مدت 4 سال پيش بيني كند.

2/18/2021 12:00:00 AM

74668

1401/02/05

PREDICTION OF PAVEMENT CONDITION MODELING BY NEURAL NETWORK

شرايط روسازي , شبكه عصبي , ضريب همبستگي

Neural network , Pavement