28951

مدل هاي پيش بيني ترك خستگي در روسازي آسفالتي با استفاده از روش يادگيري ماشين

كارشناسي ارشد

مهندسي عمران- راه و ترابري

1400

1402/7/24

محمود عامري - برات مجردي

دانشكده مهندسي عمران

مخلوط¬ هاي آسفالتي نوع غالب رويه¬هاي مورد استفاده در بسياري از راه¬هاي ايران و جهان مي¬باشد. اين نوع رويه¬ها داراي معايب و مزاياي بسياري هستند كه سبب محبوبيت استفاده از آنها در ابعاد بسياري وسيعي گشته است. روسازي¬هاي آسفالتي به عواملي مانند مصالح مصرفي، شرايط آب و هوايي، بار ترافيكي و ... حساس مي¬باشند و خرابي¬هاي رايج اين روسازي كه باعث پايين آمدن عمر مفيد اين نوع روسازي و افزايش هزينه¬هاي تعمير و نگهداري آن مي¬شود، به اين عوامل وابسته است. ترك خستگي در مخلوط هاي آسفالتي يكي از رايج ترين مشكلات روسازي جاده است ، ريزترك‌ها در سطح مشترك آسفالت و سنگدانه‌ها تحت بارهاي مكرر به ترك‌هاي به هم پيوسته گسترده منتشر مي‌شوند. عملكرد خستگي آسفالت تحت تأثير بار و همچنين ماهيت ذاتي سيستم آسفالت - سنگدانه است.اين نوع ترك ها به عنوان يكي از مهمترين معايب روسازي¬هاي اسفالتي شناخته شده است و طي ساليان گذشته رويكردهاي مختلفي براي بررسي اين خرابي توسط استانداردها و محققين مختلف مورد استفاده قرار گرفته است. هدف اصلي اين مطالعه جمع آوري اطلاعات در خصوص شناخت و پيش بيني ترك هاي خستگي با أنواع روش هاي مختلف است؛ اينكار با استفاده از روش هاي يادگيري ماشين انجام شده است. يادگيري ماشين يك فناوري است كه با استفاده از الگوريتم ها، به كامپيوترها اجازه مي دهد تا داده ها را تحليل كرده و ديگر كارهايي را انجام دهند كه به روش يادگيري انساني شبيه هستند و قابليت دقت و قابليت ارتقا توسط خود الگوريتم ها را دارد. هدف از اين تحقيق توسعه مدلي از روش هاي يادگيري ماشين براي پيش بيني ترك خستگي در روسازي آسفالتي است؛ با استفاده از مدلسازي هاي رگرسيون خطي چندگانه، شبكه عصبي مصنوعي، جنگل تصادفي، درخت تصميم تقويت گراديان انجام شده است. با مقايسه اين روش ها مشخص شد روش جنگل تصادفي با مقدار R^2 برابر 0.7 براي متغيرهاي انتخابي، براي تك ايالت آلاسكا(سردسير) مدل جنگل تصادفي با مقدار R^2 برابر 0.83، ايالت هاوايي(گرمسير) مدل رگرسيون خطي با مقدار R^2 برابر 0.78، رده عملكردي راه مدل تقويت گراديان با مقدار R^2 برابر 0.69، مناطق پر باران مقدار 0.67 رگرسيون خطي و مناطق پر ترافيك 0.71 جنگل براي ميانگين شدت ها بهترين عملكرد در پيش بيني ترك خستگي را دارد.

1402/08/07

Fatigue crack prediction models in asphalt pavement using machine learning method

10/15/2024 12:00:00 AM

Asphalt mixes are the dominant type of procedures used in many roads in Iran and the world. These types of procedures have many advantages and disadvantages, which has made their use popular in many dimensions. Asphalt pavements are sensitive to factors such as consumables, weather conditions, traffic load, etc., and the common failures of this pavement, which reduce the useful life of this type of pavement and increase its maintenance costs. It depends on these factors. Fatigue cracking in asphalt mixtures is one of the most common problems in road pavements, microcracks at the interface of asphalt and aggregates propagate into wide interconnected cracks under repeated loads. Asphalt fatigue performance is influenced by the load and also the inherent nature of the asphalt-aggregate system. This type of cracks is known as one of the most important defects of asphalt pavements, and over the past years, different approaches have been used to investigate this failure by different standards and researchers. is placed the main purpose of this study is to collect information regarding the recognition and prediction of fatigue cracks with different types of methods; This has been done using machine learning methods. Machine learning is a technology that, using algorithms, allows computers to analyze data and perform other tasks that are similar to the human learning method, and has the ability to be accurate and improved by the algorithms themselves. The purpose of this research is to develop a model of machine learning methods to predict fatigue cracks in asphalt pavement; It has been done using multiple linear regression modeling, artificial neural network, random forest, gradient boosting decision tree. By comparing these methods, it was determined that the random forest method with an R^2 value of 0.7 for the selected variables, for the single state of Alaska (cold), the random forest model with an R^2 value of 0.83, the state of Hawaii (tropical) is a regression model. Linear with an R^2 value of 0.78, the performance category of the gradient amplification model with an R^2 value of 0.69, rain-heavy areas with a value of 0.67, linear regression and traffic-heavy areas with a value of 0.71, forest for the average intensities, the best performance It predicts fatigue.

ترك خستگي , مخلوط آسفالتي , خرابي , يادگيري ماشين

Fatigue cracking , Asphalt mixture , Failure , Machine Learning

Mahtab Zanjani

Dr. Ameri