مروری بر مدل‌های پیش‌بینی عملکرد روسازی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده عمران، دانشگاه تهران، تهران، ایران

2 استادیار، دانشکده عمران، دانشگاه تهران، تهران، ایران

چکیده

زیرساخت­های حمل­ونقلی سرمایه­های ملی هر کشور محسوب می­شوند. شبکه­های جاده­ای از مهم­ترین زیرساخت­های حمل­ونقلی ­ می­باشند، که مقدار زیادی از بودجه­ها صرف هزینه­های ساخت، بهره برداری، تعمیر و نگهداری آنها می­شود. روسازی­ این جاده­ها نیاز به نگهداری مداوم دارند و تحت شرایط محیطی و ترافیکی همواره روبه زوال­اند. در کشورهایی که اکثر جابجایی­ها از طریق شبکه حمل­ونقل جاده­ای صورت می­گیرد، اهمیت یک سیستم مدیریت روسازی کارآمد و مدرن مشهودتر است. در واقع مهم­ترین عامل تعیین­کننده یک سیستم مدیریت روسازی کارآمد، قدرت تخمین شرایط آینده بر اساس وضعیت فعلی و ارایه اقدامات پیش­گیرانه است. در هر روسازی همیشه یک زمان بهینه انجام اقدامات تعمیر و بهسازی وجود دارد. چنانچه اقدامات لازم در این مرجله صورت نگیرد، سرعت رشد خرابی­ها و هزینه­های نگهداری با نرخ شدیدتری افزایش می­یابند. مدل­های پیش­بینی عملکرد روسازی بهترین ابزار برای تعیین این زمان بهینه می­باشند. در این مقاله، در مورد لزوم استفاده از مدل­های پیش­بینی عملکرد روسازی بحث شده و انواع مدل­ها معرفی شده و نقاط ضعف و قوت آنها ارایه شده است. همچنین با بررسی دقت پیش­بینی و کارایی این مدل­ها و بررسی ضوابط کالیبراسیون آنها و همچنین میزان داده­ها و امکانات مورد نیاز هر یک از آنها به مقایسه دقیق آنها پرداخته می­شود.
 
 

کلیدواژه‌ها


 

-مقدس نژاد ، ف.­، (1387­)،"­چهارچوب سیستم مدیریت روسازی راه­ها در ایران­"­، پژوهشکده حمل و نقل­.

 

-منهاج، م.ب. (1384)، "مبانی شبکه­های عصبی"، جلد اول، دانشگاه صنعتی امیرکبیر.

 

-A. A. Butt, M. Y. Shahin, S. H. Carpenter, and J. V. Carnahan, )1994(, “Application of Markov process to PMS at network level”. 3rd Int. Conf. on Managing Pavements, Vol. 2, National Academy Press, Washington, D.C., pp.159–172.

 

-Adeli, Hojjat. "Neural networks in civil engineering :­)1989–2000(," Computer‐Aided Civil and Infrastructure Engineering 16.2 (2001): pp.126-142.

 

-Battelle/ARA. (2010), “Pavement Health Track (PHT) RSL Forecasting Models”, Technical Information.

 

-Diana Jorge & Adelino Ferreira (2011)­, “Road network pavement maintenance optimization using the   HDM-4 pavement performance prediction models , International Journal of Pavement Engineering.

 

-Enhancement of the Pavement Health Track (PHT) Analysis Tool ,(­2013), "Federal Highway Administration."

 

-Ferregut, Carlos, et al.  (1999), "Artificial neural network-based methodologies for rational assessment of remaining life of existing pavements." Center for Highway Materials Research, The University of Texas at El Paso. Texas Department of Transportation.

 

-G. Bosurgi & F. Trifirò ,  (2005), “A model based on artificial neural networks and genetic algorithms for pavement maintenance management” , International Journal of Pavement Engineering.

 

-Haas, R., Hudson, W. R., Zaniewski, J. P. (1994), “Modern Pavement Management”­.

 

-Haas, R., (2003), “­Good technical foundations are essential for successful pavement management”, key note paper, proceedings of MAIREPAV’ 03, Guimaraes, Portugal.

 

-Haykin S.,  (1994), “Neural Networks: A Comprehensive Foundation, MacMillan”.

-Henry G., R.Kerali­, Overview of Hdm-4­, Volume one­, Highway department and management

-Henry G., R. Keralli, (1994), Application Guide, HDM-4 Documentation­, Volume4.

 

-Henry G.R. kerali, (2001), “Derek Mc Mcmullen, J.B. odoki, Highway Development & Management Manual”, HDM –4, Volume 1,2,4.

 

-Lo, S-CB, et al. (1995), "Artificial convolution neural network techniques and applications for lung nodule detection." IEEE Transactions on Medical Imaging 14.4, pp.711-718.

 

-Misbah Uddin Khan and Jennaro B. Odoki­, (2010),­“Establishing optimal pavement maintenance standards using the   HDM-4 Model for Bangladesh­”, Journal of Civil Engineering.

 

-Molenaar, A.A.A.  (2003), “Pavement performance evaluation and rehabilitation design”, key note paper, Proceedings of MAIREPAV’ 03, Guimaraes, Portugal.

-Owusu, Ababio, Sam. (1998), "Effect of neural network topology on flexible pavement cracking prediction." Computer, Aided Civil and Infrastructure Engineering 13.5 (1998): pp.349-355.

 

-Paterson, W. D. O., (1987), “Road Deterioration and Maintenance Effects, the highway design and maintenance standards series”, Published for The World Bank.

 

-R. B. Kulkarni, (1984),­“Dynamic decision model for a pavement management system”. Transportation Research Board, Washington, D.C., pp.11–18.

 

-Roberts, Craig A., and Nii O. Attoh Okine  (1998), "A comparative analysis of two artificial neural networks using pavement performance prediction." Computer‐Aided Civil and Infrastructure Engineering 13.5: pp.339-348.

 

-Robinson R., Snaith M. S. And Danielson U., (1998), “Road Maintenance Management: Concepts and Systems”. Macmillan, Basingstoke.

 

-Ross, M. S., (2010), “Introduction to Probability Models”, 10th Edition.

 

-S. Madanat, R. Mishalani, W. H. Wan Ibrahim, (1995), “Estimation of infrastructure transition probabilities from condition rating data”, Journal of Infrastructure Systems, ASCE.

 

-Shekharan, A. ­(1998), "Effect of noisy data on pavement performance prediction by artificial neural networks." Transportation Research Record: Journal of the Transportation Research Board 1643, pp. 7-13.

 

 

-Titus-Glover, L., C. Fang, M. Alam, K. O'Toole, and M. I. Darter, (2010), “Pavement Health Track (PHT), Remaining Service Life (RSL) Forecasting Models”, Technical Information. Federal Highway Administration, Washington DC.        

 

-W. L. Winston, (1994),­“Operations research applications and algorithms”. 3rd Ed., Duxbury, Belmont,­ Calif.         

 

-Watanatada, T., Harral, C. G., Paterson, W. D. O., Dhareshwar, A. M., Bhandari, A., Tsunokawa,
K., (1987), “The Highway Design and maintenance Standards Model, volume1 – Description of the HDM-III Model”, The highway design and maintenance standards series, Published for The World Bank.

 

-Yang, J., et al.,  (2005), “Use of recurrent Markov chains for modeling the crack performance of flexible pavements”. Journal of Transportation Engineering.