توسعه مدلهای پیش بینی بازده در پوشش سطحی انعطاف پذیر با استفاده از روش تحلیل برگشتی

[sajad.akhuondi9446]

پرديس فناوري کيش طرح مشاوره متخصصين صنعت و مديريت گروه  اجرائي و عمران

توسعه مدلهای پیش بینی بازده در پوشش سطحی انعطاف پذیر با استفاده از روش تحلیل برگشتی

چکیده

قابلیت پیش بینی آینده موقیت روکش سطحی سوالات مربوط به موضوع های اقتصادی رایج در سیستم های مدیریت پوشش سطحی (آسفالت) و نیاز به توسعه زمان بندی دارای اولویت هوشمندی است که مبدل به موضوع مهمی در بهره وری شده است. اگر مدل پیش بینی بازده را بتوان بر اساس داده های پیشین پوشش سطحی تهیه کرد، خدمات باقیمانده در پوشش سطحی را می توان پیش بینی کرد.

این می تواند به بهینه سازی زمان بندی فعالیت های اصلاحی و تعیین سطح تابع لازم برای رسیدن به سطح از پیش تعیین شده اجرایی کمک کند. هرچندکه نتایج تلاشهای پیشین برای توسعه موقعیت پوشش سطحی و مدلهای پیش بینی وضعیت تا کنون به اندازه کافی قابل اعتماد نبوده اند زیرا در جمع آوری داده های مربوط به بازده پوشش سطحی مشکلاتی وجود دارند و موقعیت ساخت این پوشش پیچیده است و پوشش های سطحی و مواد آنها ویژگی های مختلفی دارند. واحد حمل و نقل جورجیا (GDOT) از سیستم ارزیابی موقعیت پوشش سطحی (PACES) برای ارزیابی مدلهای پیش بینی بازده در بزرگراه های ایالتی یا استانی و بزرگ راه های دیگری با استفاده از تحلیل های متعدد برگشتی و رتبه بندی های داده های PACES و داده های آنها استفاده کرده است.

مدل برگشتی چندگانه خطی برای پیش بینی بازده پوشش سطحی به هنگامی که رتبه بندیها AADT مختلفی دارند موثر است. اگر مدل پیش بینی بازده این روکش سطحی با استفاده از تحلیل خطی چندگانه در سیستم مدیریت پوشش سطحی به اجرا در آمده باشد، می تواند نقش مهمی را در فرایند تصمیم گیری در سیستم مدیریت پوشش سطحی آسفالت ایفا کند.

کلمات کلیدی

سیستم ارزیابی شرایط پوشش سطحی؛ پیش بینی بازده پوشش سطحی؛ سیستم مدیریت پوشش سطحی و تحلیل برگشتی چندگانه خطی

1.       مقدمه

واحد حمل و نقل جورجیا (GDOT) به خوبی و به موقع اقدام به حفظ و اصلاح پوشش های سطحی کرده و از بازسازیها با بهترین پوشش های سطحی در میان 50 ایالت دیگر در ایالات متحده امریکا استفاده می کند. یکی از دلایلی که بر اساس GDOT می تواند به چنین استانداردهای اجرایی بالایی در پوشش های سطح خود برسد، استفاده از سیستم ارزیابی موقعیت پوشش سطحی (PACES 1996) برای ارزیابی سالانه موقعیت پوشش سطحی در کل سیستم بزرگراه ها در جورجیا و طی 15 سال گذشته است. نتایج ارزیابی های سالانه PACES برای نگهداری و زمان بندی های اولویت دار اصلای پوشش سطحی به کار رفته اند.

سیستم PACES برای مشخص کردن دامنه و انواع نگرانی های مربوط به پوشش سطحی انعطاف پذیر در زمان ارزیابی موقعیت آن به کار می رود. همچنین، مزیت دیگر سیستم PAECS امکان پیوند دادن داده های دیگر مربوط به ویژگی های جاده ای در ایجاد بانک اطلاعاتی بازده پوشش سطی بود. در گذشته، نگهداری سالانه و زمان بندی اولویت بندی اصلاحی همراه با زمان بندی اولویت بندی هوشمند مبدل به مهمترین موارد در بهره وری و سودمندی این بخش شدند، درست وضعیتی که بیشتر مهندسین مجرب در آن از GDOT بازنشسته شدند. اگر مدل پیش بینی بازده پوشش سطحی را بتوان بر اساس داده های قدیمی PACES تهیه کرد، خدمات باقی مانده برای پئوشش های سطحی را ی توان پیش بینی کرد. این می تواند برای زمان بندی اصلاحات و تعیین سطح بنیادی لازم برای اصلاح پوشش سطحی در سطح بازده از پیش تعیین شده مفید باشد.

داده های جمع آوری شده طی سالهای گذشته از ارزیابی های رتبه بندی PACES سبب ایجاد بانک اطلاعاتی مربوط به موقعیت پوشش سطحی می شود. داده های موجود در این بانکهای اطلاعاتی برای این تحقیق به کار برده شده اند.

هدف از این تحقیق تهیه مجموعه ای از مدلهای پیش بینی موقعیت اجرایی پوشش سطحی برای پوشش سطحی انعطاف پذیر در ایالت جورجیا است. استفاده بالقوه از این مدل پیش بینی برای ارزیابی هزینه های اصلاحی پوشش سطحی است. امکان نگهداری همه پوشش های سطحی با بهترین کیفیت با منابع مالی محدود حمایت کننده موجود در هر سال وجود ندارد. بر اساس مدل پیش بینی بازده اجرایی قابل اعتمادی از پوشش های سطحی، برای بهینه سازی نگهداری و زمان بندی اصلاحی کل سیستم بزرگراه تحت سطح برنامه ریزی و بودجه های موجود ایجاد می شود. همچنین مدل های پیش بینی را می توان با طلاعات دیگری مانند مدل هزینه اصلاح پوشش سطحی در تعیین سطح بودجه و سرمایه گذاری لازم برای کل سیستم بزرگراه به کار برد تا به سطح بازده از پیش تعیین شده ای رسید. نهایتا، این رویه را می توان برای کمک به مدیریت در ایجاد اولویت ها و تعیین نیازهای بودجه آتی به کار برد.

 

2.      جمع آوری و فیلتر بندی داده های PACES

سیستم ارزیابی شرایط پوشش سطحی (PACES) سیستمی است که برای ثبت دامنه و انواع فشارهای سطحی بر روی پوشش آسفالت در زمان ارزیابی طراحی شده است. این سیستم تعاریفی را برای انواع مختلف آسیبهایی که ممکن است در پوشش سطحی ورجیا ایجاد شوند و سطوح مختلف سختی و دامنه آسیب ها مشخص می کند. پروژه رتبه بندی پوشش سطحی را می توان از طریق ارزشهای اختصاص یافته ای که برای هر فشار و سطح سختی ایجاد شده اند تعیین کرد. این سیستم تنها به موقعیت ساختاری سطح پوشش سطحی اشاره دارد و شامل مقاومت در برابر سر خوردن و قابلیت حرکتی که با تجهیزات تست سرعت قابل اندازه گیری ستند نمی شود.

رتبه بندی پوشش سطحی بر اساس نوع فشار، دامنه و شدت پروژه پوشش سطحی انجام می شود. انواع فشارهای بازسازی شده توسط PACES عبارتند از:

عمق شیار یا چاله ها                           جدا شدن الیاف و بافت ها

شیاربندی بارگذاری                                            فشار لبه ها

مسدود شدن ترک ها                                          نفوذ/ تراوش

ترکهای انعکاسی                                  شیارها/ فشارها

بسته ها و چاله ها                                                از بین رفتن قسمتی از سطح

رتبه بندی برای هر مایل و با انتخاب بخش نمونه ای 100 پایی انجام می شود. آسیبها یا ناهنجاری های اشاره شده در هر بخش رتبه بندی در پروژه میانگین گرفته شده اند تا موقعیت پوشش سطحی معینی را برای آن پروژه به دست آورند. یک رتبه بندی پروژه از 100 به 0، برای پروژه پوشش سطحی از داده های فشارهای اندازه گیری شده در پوشش سطحی به دست می آید. یکصد نقطه به پوشش سطحی تخصیص یافته و هیچ سطحی به طور مشهود دچار خرابی نیست. نقطه ها بر اساس دامنه و سطح سختی هر نوع ناهنجاری در پوشش سطحی بر اساس شکل 1 کم شده اند. شکل 1 نسخه ای از ارزیابی نمودارهای کاهش مقادیر شرایط انعطاف پذیر پوشش سطحی GDOT برای راهنمای GDOT PACES است.

بر اساس روش شانسی فوق، رتبه بندی PACES محاسبه شده است و این نشان دهنده شرایط و موقعیت های پوشش سطحی است. اگر پوشش سطحی دارای موقعیت خیلی خبی باشد، رتبه بندی PACES نزدیک به 100 می شود. اگر پوشش سطحی دارای موقعیت ضعیفی باشد، این رتبه بندی هم پایین است. پوش سطحی با موقعیت خیلی ضعیف هم دارای رتبه بندی PACES نزدیک به صفر است که البته وجود ندارد، حتی در ضعیف ترین پوشش های سطحی با رتب بندی زیر 60 ندرا وجود دارند زیرا GDOT همواره این پوشش های سطحی را پیش از درآمدن به وضعیت غیر قابل ترمیم اصلاح و نگهداری می کند.

رویه جمع آوری داده های موجود مرحله بسیار مهمی در توسعه مدلهای خوب برای پیش بینی است. بخش GDOT داده ها را از رتبه بندی های ارزیابی های 15 سال گذشته  PACES جمع آوری می کند . داده ها شامل رتبه بندی های PACES و پیشینه ویژگی های جاده ای از تمام بزرگراه های درون ایالت و خود ایالت از سال 1986 تا 1999 هستند. بانک اطلاعاتی بسیار بزرگ است و تعداد کل پروژه ها در این بانک برابر با 42236 است. به دلیل برداشت شخصی از داده های PACES، ثابت شده است که داده های اصلی PACES دارای خطاهای متعددی است. برای مثال، ارقام رتبه بندی های PACES برای یک بخش پوشش سطحی باید در حال کاهش باشند و یا دست کم مشابه باقی بمانند، این تغییر با توجه به سال خدمات است. از این رو بازده اجرای پوشش سطحی و مدل های پیش بینی آن را می توان تهیه کرد. رتبه بندی فیزیکی PACES با توجه به سال خدمات در نگهداری دوره خدمات ممکن نیست. خطاهای دیگری در PACES اصلی شامل چیزی فراتز و بیش از داده های هویتی، هم پوشانی و یا از دست دادن داده های PACES در بانک اطلاعاتی PACES است. داده های موجود متعدد غیر قانونی هم در بانک اطلاعاتی جدید وجود دارند. در زیر به خلاصه بندی نوع داده های غیر قانوونی موجود در بانک اطلاعاتی می پردازیم:

[list=1]
[*]شماره کشور وجود ندارد؛
[*]کیلومترشمار جاده ای از و کیلومتر شماره جاده ای به در طول پروژه انتخابی ثبات ندارند؛
[*]کیلومت شمار جاده ای از و کیلومتر شمار جاده ای به برابر با صفر هستند؛
[*]تعداد مسیرهای غیر قانونی؛
[*]پروژه های دوبل؛
[*]اطلاعات بخشها وجود ندارند؛
[/list]

مشکلات لیست شده فوق بر روی یکپارچگی بانک اطلاعاتی اثر می گذارند. از این رو اولین مرحله اصلاح این مشکلات است. این مرحله در شکل 2 نشان داده شده است.

بعد از اجرای رویه فیلتر سازی فوق، داده های AADT برای هر پروژه و بر اساس منطقه پوشش سطحی انتخاب شده تطبیق داده شده اند. از آن جا که داده های AADT در بانک اطلاعاتی PACES قبلی کافی نبوده اند، باقیمانده های این داده ها از بانک اطلاعاتی آرک ویو، GIS به دست آمدند. برای تحلیل روند رتبه بندی PACES و داده ها در یک پروژه خاص، داده ها تا بیش از 6 نقطه محدود هستند. و از آنجا که ساختار پوشش سطحی بر اساس AADT ساختار بندی شده اند و بزرگراه های درون ایالتی و بزرگراه های ایالتی دارای ساختارهای پوشش سطحی مختلفی هستند، تحلیل های جداگانه ای برای آنها در این تحقیق به کار برده شده اند. برای پوشش های سطحی درون ایالتی، اده های رتبه بندی از کل ایالت برای تهیه مدل های پیش بینی به کار رفته اند، زیرا داده های موجود ضعیف هستند.

3.     پیش بینی کنندگان در مدل های پیش بینی پوشش سطحی

در چندین دهه قبل، تکنیک های مدل سازی پیشرفته ای در حوزه های مهندسی به کار برده شده اند. فاکتورهای مختلفی نظیر بار کامیون ها و ساختارهای پوشش سطحی می توانند بر روی خرابی پوشش سطحی اثر بگذارند (لیتون و همکارانش 1981؛ لو و همکارانش 1989؛ صراف و همکارانش 1992). در کل، فاکتورهای زیر، موقعیت ساختار پوشش سطحی، ویژگی های مواد پوشش سطحی، موقعیت های ترافیکی و موقعیت های محیطی می توانند بر روی توسعه و ازدیاد شکاف های پوشش سطحی اثر بگذارند.

فرایند GDOT ویژگی های مواد و موقعیت های محیطی را جمع آوری نمی کنند. همچنین درصد داده های کامیون ها بر روی همه مسیرهای ایالتی در بانک اطلاعاتی PACES جمع آوری نشده اند. از این رو تنها مولفه های مفید  در این پروژه رتبه بندی PACES، AADT و سال خدمات هستند. با این حال محدودیت های داده های موجود در این تحقیق ، مدل پیش بینی بازده ارائه شده در این مقاله را همچنان می توان برای پیش بینی بازده پوشش سطحی در مبنای سیستم وسیع به کار برد. برای توجه به همه فاکتورها در ایجاد مدل پیش بینی، جمع آوری موقعیت ساختاری، ویژگی های مواد، موقعیت های محیطی و داده های درصد مربوط به مسیرهای ایالتی توصیه شده اند.

 

 

4.     روش شناسی برای توسعه مدل و بحث

داده های رتبه بندی پروژه در برابر سالهای خدمات از سوی بانک اطلاعاتی PACES فیلتر بندی شده اند و برای تهیه مدلهای پیش بینی بازده استفاده شده اند. شکل 3 رویه هایی را برای توسعه مدل بازده اجرایی نشان می دهد.

ساختارهایی برای بزرگ راههای ایالاتی و درون ایالتی را می توان به شکل قابل توجهی به دلیل تفاوت ها در ترافیک کامیون هاتهیه شده اند. به همین دلیل، بزرگراه های درون ایالتی معمولا ساختارهای قوی پوشش سطحی دارند تا مسیر ایالتی. از این رو مدل بازده این دو نوع پوشش سطحی می تواند مختلف باشد.

رویه تحلیل داده ها و ایجاد مدل ای پیش بینی بازده در شکل 4 نشان داده شده اند. شکل 4 چندین سری از مراح را برای توسعه مدل پیش بینی با اتفاده از روش آماری نشان می دهد. این رویه توسعه مدلهای پیش بینی بازده پوشش سطحی را ممکن ساخته است.

برای یافتن مجموعه ای از بهترین مدل های بالقوه و بهترین پارامترها، بهترین زیرمجموعه ها و تکنیک های برگشت مرحله ای به کار رفته اند (سانتا و یونگ 1993؛ گراسیا دیاز و همکارانش 1984؛ آلیسون و همکارانش 1983).

در بهترین روش زیر مجموعه، ما همه زیر مجموعه های ممکن را از مجموعه کاملی از پیش بینی کنندگان مورد توجه قرار می دهد و چندین زیر مجموعه خوب را می یابد که مقیاسها را رضایت مند می کند. جدول 1 خروجی مینی تب را برای بهتری زیر مجموهع برگشتی در نمطقه 1 نشان می دهد.

ما می توانیم متغیرهای یکی، دو تایی و سه تایی را برای تهیه مدل های پیش بینی استفاده کنید و مربع R تنظیم شده در آن برابر با 0.582، 0.606 و 0.615 است.

اما رقم مستدل C-p که نزدیک به تعداد پارامترها است زمانی نشان داده می شود که شرایط تعاملی افزوده شده به شکلی که در جدول 1 نشان داده شده است ایجاد کند. در این تحقیق ما سه مدل مختلف را با استفاده از متغیرهای یک، دو و سه شرایط ایجاد می کنیم که ارقام مربع R بالایی را دارند تهیه می کنیم و این مدل را بعنوان مدل A،B و C معرفی می کنیم.

این مسیر ایالتی و بزرگراه درون ایالتی موضوع مدل های A،B و C هستند. سه مدل فوق در نتیجه تعریف شده اند و موضوع برگشت های خطی چندگانه هستند. مدل اول روند برگشتی خطی ساده ای را با استفاده از یک پیش بینی کننده در سال نشان می دهد، مدل دوم B روند برگشتی چندگانه را با استفاده از دو پیش بینی کننده در سال خدمات و با تعامل در خدمات سالانه و AADT نشان می دهد. و مدل سوم C هم روند برگشتی چندگانه را با استفاده از سه پیش بینی کننده، خدمات سالانه و AADT و تعامل خدمات سالانه و AAST نشان می دهد.

نتایج مدل اول و دوم و سوم با یکدیگر مقایسه خواهند شد و بهترین مدل بعنوان مدل پیش بینی بازده انتخاب خواهد شد. مطالعات موردی برای نمایش کاربردهای مدل در هر 7 منطقه در مسیر ایالتی مانند بزرگراه بین ایالتی انجام شده اند.

رویه تحلیل برگشتی مشابهی در داده های PACES از هر منطقه GDOT برای تهیه مدلهای بازده استفاده شده است. در تحلیل بزرگراه های مسیر ایالتی برای هر منطقه، تعدادی از پروژه های نمونه آماده شده اند.

ستون دوم تعداد کلی پروژه ها را در مناطق مختلف و در سالهای مختلف از 15 سال گذشته و از میان داده های PACES در هر منطقه نشان می دهد. تعداد یا اعداد ستون سوم نمایش دهنده مجموعه های پروژه ها است.

هر یک از پروژه ها منطقه ای مجزا دارند، اما متشکل از داده های رتبه بندی چندین پروژه در سالهای خدماتی متفاوت هستند. ما می توانیم رویه رتبه بندی PACES را از این گروه ها در رابطه با سال به دست آوریم. در میان مناطق مختلف  مترو منطقه آتلانتا فقط 7 مجموعه از داده ها را با توسعه مدلهای پیش بینی دارد. به همین دلیل انحراف استاندارد رتبه بندی شدیدا بالاتر از دیگران است.

برای استفاده از مدل، ما از تست فرضیه ها استفاده می کنیم. فرضیه پوچ [img=31x16]file:///C:\DOCUME~1\DEAR-U~1\LOCALS~1\Temp\msohtmlclip1\01\clip_image006.gif[/img] فرض را بر این می گذارد  که اسلوپ [img=19x21]file:///C:\DOCUME~1\DEAR-U~1\LOCALS~1\Temp\msohtmlclip1\01\clip_image008.gif[/img] صفر است و [img=19x20]file:///C:\DOCUME~1\DEAR-U~1\LOCALS~1\Temp\msohtmlclip1\01\clip_image010.gif[/img] فرض را بر این می گذارد که [img=15x22]file:///C:\DOCUME~1\DEAR-U~1\LOCALS~1\Temp\msohtmlclip1\01\clip_image012.gif[/img] صفر نیست. از این رو اگر مدل [img=15x14]file:///C:\DOCUME~1\DEAR-U~1\LOCALS~1\Temp\msohtmlclip1\01\clip_image014.gif[/img] را نپذیرد، مدل قابل ملاحظه است و ما نتیجه می گیریم که مدل خوب است.

مدل AADT با ضرب پیش بینی کننده متراکم می شود.

از آنجا که عدد AADT بالا است، ساختارهای پوشش سطحی هم در تحمل کردن بارهای بالاتر مختلف بوده اند. در این بخش، بیشترین سختی تحلیل بزرگراه بین ایالتی ناچیز بودن داده ها است. از این رو نمی توانیم نتیجه گیری مستدلی را با این مقادیر کمی داده ها انجام دهیم. جدول 4 تعداد داده های پروژه های درون ایالتی را از بانک اطلاعاتی PACES نشان می دهد.

از این داده ها می توانیم رویه های فیلترینگ مشابهی را به دست آوریم، رویه هایی که برای اصلاح و فیلتر سازی داده ها استفاده شده اند و تنها در 11 پروژه نموه که می توان برای تحلیل استفاده کرد رخ می دهند.

 

 

5.     کاربردهای مدل

یک مقطه پوشش سطحی  در مسیر ایالتی 0020 در منطقه گوویینت در سال 1986 دوباره پوشش سطحی یافت. اصلاحات در سال بعد انجام شدند، از این رو رتبه بندی در سال 1987 برابر با 99 بود. فرمولهای پیش بینی بازده برای این سطح مقطع پوشش سطحی با استفاده از نقطه داده های ورودی اشاره شده فوق به دست آمدند. داده های AADT از 27880 و مدل پیش بینی بازده برای شناسایی رقم رتبه بندی نمایش داده شده PACES برای سالهای 1992 و 1993 استفاده شدند. این پیش بینی ها در شکل 5 نشان داده شده اند.

مدل الف تطبیق مدلی عالی را برای دو سال آخر دارد. هر چند که مدل دوم B تطبیق مدل عالی را بعد از 5 سال دارد. مقدار رتبه بندی PACES پیش بینی شده از مدل الف و ب برای سال اهی 1993 برابر با 73 بود. در این مورد، AADT می تواند نقش خوبی را ایفا کند، زیرا AADT از 27880 عدد واقعا بزرگی است. فرمول ها برای منطقه 1  و برای رتبه بندی پرژه هستند.

این فرمولها نشان می دهند که رتبه بندی PACES از دو فرموب در AADT کم تقریبا مشابه است. هرچند که تفاوت رتبه بندی های به دست آمده از دو فرمول در AADT بالا بزرگتر می شود. بنابراین توصیه می شود از مدل دوم B در AADT بالاتر استفاده شود.

6.      نتیجه گیری ها

مدلهای پیش بینی بازده اجرایی روکش سطحی آسفالت برای بزرگراه های ایالت و درون ایالت با استفاده از روشهای تحلیل برگشتی ساده و چندگانه تهیه شده اند. با در نظر گرفتن محدودیه های این تحقیق، نتیجه گیری های اصلی زیر را می توان داشت:

[list=1]
[*]مدل برگشتی خطی برای پیش بینی بازده پوشش سطحی در زمانی که رتبه بندی PACES بالای 70 است مناسب است.
[*]مدلهای پیش بینی می توانند موقعیت پوشش سطحی را بر اساس رتبه بندی های PACES با AADT های متعدد نشان دهند.
[*]کاهش رتبه بندی پوشش سطحی و اصلاح آن برای هر 6 تا 8 سال لازم است.
[*]تحلیل های بزرگراه درون ایالتی کاملا رضایت بخش نیستند زیرا دادها ادغام می شوند و این دلیل مشابهی با منطقه 7 در مسیر ایالتی است.
[*]مدلهای دوم و سوم B و C برای پروژه هایی با AADT بالاتر مناسب تر هستند زیرا تعاملات AADT و سال بر روی بازده پوشش سطحی اثر می گذارند.
[/list]

منابع

Allison, J.T., Garcia-Diaz, A., and Lytton, R.L. (1983). “A model for prediction flexible pavement service life and impact on rehabilitation decisions.” 62nd Annual Meeting of Transportation Research Board, Washington, D.C..

Garcia-Diaz, A., Riggins, M., and Liu S.J. (1984). Development of Performance Equations and Survivor Curves for Flexible Pavement, Res. Rpt. 284-5, Texas Transportation Institute, Texas A&M University, College Station, TX.

Georgia Department of Transportation (1996) PACES-Pavement Condition Evaluation System.

Lou, Z., Lu, J.J., and Gunaratne, M. (1989). Forecasting of Pavement Crack Performance Crack Performance with an Adaptive Filter Model, University of South Florida, FL.

Lytton, R.L., Scullion, T., Garrett, B.D., and Michalak, C.M. (1981) Effects of Truck Weights on Pavement Deterioration, Texas Transportation Institute, Final Report RF 4087-2.

Neter, Kutner, Nachtshem, and Wasserman (1999) Applied Linear Statistical Medels, 4th edition, IRWIN.

Santha, L. and Young, B. (1993). Development of Pavement Performance Prediction Models for Georgia Pavements, Georgia Department of Transportation.

Saraf C.L. and Majizzadeh, K. (1992). “Distress prediction models for a network level PMS.” Transportation Research Record 1344, Transportation Research Board, Washington, D.C., pp 38-48.