26899

ارائه چارچوب براي ارزيابي تاب‌آوري بلندمدت شبكه راه در برابر عوامل تنش‌زاي تدريجي

كارشناسي ارشد

مهندسي عمران گرايش مديريت ساخت

1397

1401/02/20

دكتر مصطفي خانزادي

مهندسي عمران

شبكه راه به عنوان يك زيرساخت در معرض تأثيرات عوامل تنش زاي تدريجي مختلف مانند تغييرات آب و هوايي، تغييرات ترافيك، زوال روسازي و رويدادهاي ناگهاني مانند بلاياي طبيعي قرار دارند. توانايي و ظرفيت سامانه‌هاي زيرساختي براي مقابله با اثرات عوامل تنش زا به عنوان تاب آوري شناخته مي شود. سازمان‌هايي كه وظيفه مديريت اين زيرساختها را بر عهده دارند به دليل عدم قطعيت، محدوديت‌هاي بودجه، كمبود دانش و ... براي افزايش تاب آوري بلندمدت سامانه هاي زيرساخت، با چالش مواجه هستند. هدف اين مطالعه توسعه چارچوبي براي ارزيابي تاب‌آوري بلندمدت و كمك به مديريت سامانه هاي زيرساختي به خصوص شبكه راه مي باشد تا برنامه‌ريزي جهت انطباق و ‌‌تاب‌آوري بيشتر اين سامانه ها را تسهيل كند. در اين تحقيق سامانه زيرساخت شبكه راه به عنوان يك سامانه پيچيده متشكل از اجزاي مختلف در نظر گرفته و سعي شده است وابستگي‌هاي متقابل پيچيده و پويا بين رفتارهاي كاربر، عملكرد زيرساخت، سياستهاي تصميم‌گيري سازمان و تغييرات اقليم توسط چارچوب ارائه شده نشان داده شود. با استفاده از شبيه‌سازي عامل بنيان و تركيب آن با مدل شبكه عصبي مصنوعي كه از داده هاي تاريخي موجود براي پيش بيني عملكرد راه‌ها ايجاد شد، تأثير سطح بودجه، رفتار كاربر، سناريوهاي مختلف تعمير و نگهداري و تغييرات اقليمي بر عملكرد و در نتيجه ‌‌تاب‌آوري بلندمدت شبكه راه مورد بررسي قرار گرفته است. از اين مدل براي به تصوير كشيدن سطوح پايدار يا رژيم‌هاي عملكرد سامانه تحت سناريوهاي مختلف استفاده شده است تا امكان تشخيص تغيير رژيم را براي ارزيابي تاب آوري بلندمدت فراهم سازد. نتايج بدست آمده اهميت چارچوب پيشنهادي براي تصميم‌گيري و مديريت زيرساخت را نشان مي دهد. از مزاياي استفاده از اين چارچوب و مدل شبيه‌سازي براي سياست‌گذاري و مديريت زيرساختها مي توان به درك ويژگي‌هاي نوظهور در زيرساخت به عنوان يك سامانه پيچيده، ‌شبيه‌سازي و تجسم نتايج سياست‌هاي مختلف در مورد عملكرد زيرساخت و انجام مقايسه بين آنها اشاره كرد.

1401/06/04

Development of a framework for assessing the long-term resilience of the road network in presence of chronic stressors

5/10/2023 12:00:00 AM

The road network as infrastructure is subjected to various chronic stressors such as climate change, traffic changes, pavement deterioration, and acute stressors such as natural disasters. The ability of infrastructure to cope with the effects of these stressors is known as resilience. To increase the long-term resilience of infrastructures, organizations that manage these infrastructures face challenges due to uncertainty, budget constraints, lack of knowledge, etc. This study aims to develop a framework to assess long-term resilience and help infrastructure management, especially the road network, to facilitate planning for greater adaptability and resilience of these systems. In this research, the road network infrastructure is considered a complex system consisting of different components. Through the presented framework, it has been tried to show the complex and dynamic interdependencies between user behaviors, infrastructure performance, organizational decision-making policies, and climate change. Using agent-based simulation and combining it with an artificial neural network model that was created from the available historical data to predict road performance, the impact of budget levels, user behavior, different maintenance scenarios, and climate change on performance and thus long-term resilience of the road network was investigated. The model has been used to depict stable states or regimes of system performance under different scenarios to detect regime shifts to assess long-term resilience. The results show the importance of the proposed framework for decision-making and infrastructure management. Among the advantages of using this framework and simulation model for policy-making and infrastructure management, it can be mentioned the understanding of emerging features in infrastructure as a complex system, simulation, and visualization of the results of different policies regarding infrastructure performance and comparison between them.

تاب آوري , زيرساخت , سامانه پيچيده , شبيه سازي عامل بنيان , شبكه عصبي مصنوعي

Resilience , Infrastructure , Complex System , Agent-Based Simulation , Artificial Neural Network

Hesam Mehrali Dehnavi

Dr.Mostafa Khanzadi