16487

16487

ارائه روشي براي يافتن خطاهاي احتمالي در داده‌هاي وضعيت روسازي راه‌ها و ارزيابي تأثير آن بر روي مديريت روسازي در سطح شبكه

كارشناسي ارشد

راه و ترابري

مهرماه 1395

دكتر محمود عامري - دكتر برات مجردي

عمران

چكيده يكي از اساسي‌ترين اجزاء تشكيل دهنده سيستم‌هاي مديريت روسازي (PMS) راه‌ها، داده‌‌هاي جمع‌‌آوري شده از وضعيت روسازي مي‌باشد. از اين رو كيفيت اين داده‌ها نه تنها در ارزيابي وضعيت موجود شبكه راه‌ها حائز اهميت است، بلكه در پيش‌بيني وضعيت آينده شبكه و برنامه‌‌ريزي براي اقدامات مناسب تعمير و نگهداري (M&R)، نقش مهمي‌را ايفا مي‌‌كند. اگرچه يك توافق عمومي‌در پيشينه موضوع مبني بر تأثير كيفيت داده‌هاي وضعيت روسازي بر خروجي سيستم‌هاي مديريت روسازي وجود دارد، اما تلاش‌‌هاي معدودي براي كمي‌سازي اين تأثيرات صورت پذيرفته است. در اين پايان‌نامه به منظور ارتقاء كيفيت داده‌هاي وضعيت روسازي در سطح شبكه با استفاده از روش احتمال شرطي كه به عنوان يك روش آماري شناخته مي‌شود، به شناسايي داده‌‌هاي خطاي احتمالي در وضعيت روسازي پرداخته شده است. در اين روش احتمال وقوع يك PCI مشخص به شرط وقوع يك IRI مشخص و با توجه به مجموعه داده‌هاي در اختيار محاسبه شده است كه هرچه اين احتمال كوچكتر باشد شانس خطا بودن داده بالاتر خواهد بود. سپس تأثير اين خطاها بر برنامه تعمير و نگهداري روسازي در سطح شبكه مورد بررسي قرار گرفته است. اين فرآيند بر روي بانك داده‌هاي وضعيت روسازي شامل اطلاعات شاخص وضعيت روسازي و شاخص ناهمواري به طول 830 كيلومتر-خط از شبكه راه‌هاي استان فارس كه در سال 2009 برداشت شده، انجام گرفته است. نتايج اين تحقيق نشان مي‌دهد احتمال اينكه قطعه روسازي از لحاظ شاخص ناهمواري (IRI) در وضعيت خوب و همزمان از لحاظ شاخص وضعيت روسازي (PCI) در وضعيت ضعيف و يا بسيار ضعيف باشد، بسيار پايين است و به عبارت ديگر احتمال وجود خطا در اين بخش از داده‌ها بسيار بالا خواهد بود. مطابق با نتايج بدست آمده، حذف تنها 3 درصد از كل داده‌هاي شبكه كه مشكوك به خطا هستند، منجر به كاهش 18 درصدي در بودجه مورد نياز شبكه شده و عمر خدمت‌‌دهي روسازي شبكه با افزايش 35 درصدي مواجه مي‌شود. همچنين با افزايش بودجه شبكه، تأثير داده‌‌هاي خطا در شبكه رو به كاهش مي‌گذارد و اين در حالي است كه داده‌هاي خطا در بودجه‌هاي پايين بيشتر اثرگذار بوده و خودنمايي مي‌‌كنند. واژه‌هاي كليدي: مديريت روسازي، داده‌‌هاي وضعيت روسازي، كيفيت داده‌‌ها، خطاهاي احتمالي، شناسايي خطا

1395/11/13

1/1/1900 12:00:00 AM

Abstract: Pavement condition data is a major component of network-level Pavement Management Systems (PMS). The quality of this data is important not only in assessing the current condition of the network but also in the prediction of future condition an​d the planning of future maintenance an​d rehabilitation (M&R) activities. While there is a general agreement in the literature that the quality of condition data affects PMS outputs, little work has been done to quantify these effects. In this thesis to enhance the quality of pavement condition data at the network level using conditional probability known as a statistical technique, likely error in pavement condition data has been detected. In this technique, the probability of a certain PCI is calculated on the condition of the occurrence of a specified IRI according to available data set which the smaller probability will be higher chance of data error. After that, the effect of this likely error on network-level pavement maintenance program has been investigated. This process has been done on pavement condition data set includes pavement condition index an​d international roughness index during the 830 lane-km of the road network of the Fars province in 2009. The results show that the probability that roughness index (IRI) of pavement sections be in good condition an​d at the same time pavement condition index (PCI) be in poor o​r very poor condition, is very low an​d in other words, there will be a very high probability of error in this part of the data. According to results, removing only 3 percent of total network suspicious data, leading to a 18 percent decrease in network budget an​d road network service life will be faced with an increase of 35 percent. Also by increasing network budget, the impact of likely errors in the network will be declined an​d while the likely errors in the low budget present themselves more effective. Keywords: Pavement Management, Pavement Condition Data, Data Quality, Likely Error, Error Detection