توسعه مدل رگرسیونی غیرخطی پیش بینی دمای عمق لایه های آسفالتی با استفاده از داده های LTPP – مطالعه موردی: ایالت اوهایو – آمریکا
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 184
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTE-13-3_002
تاریخ نمایه سازی: 17 اردیبهشت 1401
Abstract:
دمای عمق لایه های آسفالتی یکی از فاکتورهای مهم در فرآیند تحلیل، طراحی و مطالعات بهسازی (روکش) روسازی های آسفالتی است. مدل های پیش بینی به عنوان جایگزین اندازه گیری میدانی و آزمایشگاهی این دما، از روش های کم هزینه و سریع تعیین دمای عمق لایه های آسفالتی هستند. این در حالی است که این مدل ها بر اساس داده های میدانی و آزمایشگاهی محدود ساخته شده اند و نیاز به توسعه مدل هایی برای تعیین دمای عمق لایه های آسفالتی در شرایط مختلف ترافیکی و آب و هوایی وجود دارد. هدف اصلی این پژوهش توسعه مدلی برای پیش بینی دمای عمق لایه های آسفالتی بر اساس داده های آب و هوایی است. روش مدل سازی استفاده شده، مدل رگرسیون غیرخطی درجه دوم گام به گام می باشد که دمای عمق لایه های آسفالتی را بر اساس سایر متغیرها شامل عمق مورد نظر از سطح روسازی، دمای هوا، میانگین سرعت و جهت باد، حداقل رطوبت هوا و تابش آفتاب پیش بینی می کند. داده ها از پایگاه داده برنامه عملکرد بلندمدت روسازی (LTPP) استخراج شده و برای مدل سازی از داده های چندین ساله مربوط به ایالت اوهایو آمریکا استفاده شده است. با استفاده از داده های موجود، عملکرد مدل توسعه یافته مورد ارزیابی قرار گرفته است. همچنین مدل توسعه داده شده با استفاده از داده های مربوط به ایالت مونتانای آمریکا، اعتبارسنجی شده است. نتایج پژوهش قابلیت پیش بینی دمای عمق لایه های آسفالتی را بر اساس داده های آب و هوایی موجود توسط مدل توسعه یافته با دقت پیش بینی بسیار خوب (ضریب تعیین ۹۵/۰) و اریب (بایاس) پیش بینی بسیار کم نشان می دهد.
Keywords:
دمای عمق لایه های آسفالتی , مدل پیش بینی دما , مدل رگرسیون درجه دوم , برنامه عملکرد بلندمدت روسازی (LTPP)
Authors
محمد صدیقیان فرد
دانشجوی کارشناسی ارشد، گروه مهندسی عمران، دانشگاه ارومیه، ارومیه، ایران
نادر صولتی فر
استادیار، گروه مهندسی عمران، دانشگاه ارومیه، ارومیه، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :