تحلیل عملکرد روش ترمیمی اسلاری سیل در نگهداری رویه های آسفالتی با استفاده از شبکه عصبی مصنوعی و روش یادگیری ماشین بدون نظارت

ترمیم به موقع رویه های آسفالتی موجب می گردد از بروز خسارات مالی و هزینه های اضافی جلوگیری بعمل آمده و این امکان را فراهم می آورد که بتوان با روکش مجدد سطح راه با بهره گیری از روشهای مقرون به صرفه تر رویه را ترمیم نموده و در هزینه کرد پروژه های راه سازی صرفه جویی عمده ای به عمل آورد . در این مطالعه با استفاده از رویکرد نوین یادگیری بدون نظارت بر مبنای یادگیری ماشین جهت استخراج فاکتورهای همبستگی بالا در کاهش حجم پراکندگی داده ها و نیز جداسازی و خوشه بندی دقیق معیارهایی نظیر عمق شیارشدگی، شاخص زبری سطح راه و ترک خوردگی طولی و عرضی رویه، که معرف عملکرد روسازی راه می باشند، به تحلیل پارامترهای موثر بر عملکرد رویه های آسفالتی پرداخته میشود. در این خصوص، اثربخشی هر کدام از اقدامات تعمیر و نگهداری پیشگیرانه از قبیل پوشش اسلاری سیل (SSC)، روکش بتن آسفالتی (ACO)، درزگیری ترک (CS) و پوشش ترمیمی سیل کوت (ASC) بر روی هر یک معیارهای مورد مطالعه در سه سطح خرابی شدید، متوسط و پایین به صورت جداگانه تحلیل میگردد. در این مطالعه از شبکه عصبی مصنوعی و روش یادگیری ماشین از نوع بدون ناظر بهره گرفته شد. با توجه به نتایج پردازش داده ها توسط الگوریتم یادگیری بدون نظارت، نتایج عملکرد ترکخوردگی عرضی و طولی قبل از اقدامات نگهداری پیشگیرانه در شرایط با درجه "شدید" کمترین مقدار را داشته و نمودار با شرایط درجه ترک خوردگی عرضی و طولی "کم" بیشترین مقادیر را به خود اختصاص داده است. علاوه بر این، مطابق با نتایج آزمون فرضیه یک طرفه، نتیجه خروجی سطح عملکرد در شاخص زبری پس از اتخاذ اقدامات نگهداری P-value= ۰.۰۲۹۶<۰.۰۵ بود. تاثیر مثبت پوشش نازک در عمق شیارشدگی با درجه "کم" بیش از سایر روشها مشهود بوده و تقریبا تمامی نقاط با شیارشدگی "کم" تعمیر گردیده است. همچنین، در روش نگهداری چیپ سیل، ۰۸ % از بخش های آزمایش با ترک خوردگی عرضی و طولی "کم" مجددا تخریب گردیدند. بدیهیست این روش بعنوان جایگزین مناسبی در تعمیر و نگهداری روسازی های با ترک خوردگی عرضی و طولی نمی باشد.