مدل‌سازی کارآیی روسازی

مدل‌سازی کارایی روسازی (به انگلیسی: Pavement performance modeling) دانش مطالعه رفتار روسازی و زوال آن در گذر زمان است.^[۱]^[۲]^[۳] این مطالعه از طریق اعمال مدل‌های مختلف به شاخص‌های کاریی انجام می‌گیرد. کارایی روسازی با شاخص‌های عملکرد گوناگونی سنجیده می‌شود. مهم‌ترین و شناخته‌شده‌ترین این شاخص‌ها عبارتند از شاخص شرایط روسازی و شاخص بین‌المللی زبری. از مهم‌ترین مدل‌های مطالعه کارایی روسازی می‌توان روش‌های بر اساس رگرسیون (مکانیستیک و مکانیستیک-تجربی)، یادگیری ماشین، زنجیره مارکوف را نام برد.^[۴]^[۵]

تاریخچه[ویرایش]

مطالعه کارایی راه‌ها و روسازی به نیمه اول سده بیستم برمی‌گردد. نخستین مدل‌های کارایی روسازی براساس مدل‌های مکانیستیک بودند. محققان بعدها مدل‌های تجربی را پیشنهاد کردند. از دهه‌ ١٩٩٠ پژوهشگران خواص این دو نوع مدل را باهم ترکیب کردند و مدل‌های مکانیستیک-تجربی را به وجود آوردند.^[۶]^[۱] بعدها مدل‌های دیگری مانند مارکوف و یادگیری ماشین فراگیر شدند.^[۱]

علل زوال روسازی[ویرایش]

روسازی‌ها به مرور زمان عملکرد بدتری از خود نشان می‌دهند و رو به زوال می‌نهند. رایج‌ترین فاکتورهای هایی که باعث زوال روسازی می‌شوند عبارتند از:

شرایط اقلیمی و محیطی[ویرایش]

از مهمترین عوامل محیطی زوال می‌توان سیکل‌های ذوب و یخبندان، حداکثر و حداقل دما و میزان بارش را نام برد.^[۴] به طور معمول جاده ها در آب و هوای مرطوب با چرخه یخبندان تا دو برابر بیشتر از جاده های مناطق خشک و بدون یخ زدگی خراب می شوند. بنابراین، جاده هایی که در معرض تعداد بیشتری چرخه ذوب و یخبندان و نزولات آسمانی بالاتری قرار دارند سریعتر خراب می شوند. از طرف دیگر، جاده‌های واقع در اقلیم خشک و بدون یخبندان عمر طولانی‌تری دارند.^[۷]

نوع روسازی[ویرایش]

نوع روسازی یکی از مهمترین عوامل مؤثر در نحوه عملکرد روسازی است. به طور کلی روکش های بتنی در آب و هوای گرم دوام بیشتری دارند و روکش آسفالت در برابر هوای سرد مقاوم تر است. در نوع معینی از جاده (بتن ، آسفالت یا شن) ضخامت لایه ها و نوع مصالح به کار رفته در اساس، زیراساس و روکش آسفالت مهم است. بعضی اوقات این خصوصیات از طریق یک سنجه جامع به نام ضخامت اساس معادل بیان می شود.^[۴]

منابع[ویرایش]

↑ ^۱٫۰ ^۱٫۱ ^۱٫۲ Ford, K., Arman, M., Labi, S., Sinha, K.C., Thompson, P.D., Shirole, A.M., and Li, Z. 2012. NCHRP Report 713 : Estimating life expectancies of highway assets. In Transportation Research Board, National Academy of Sciences, Washington, DC. Transportation Research Board, Washington DC.
↑ "Piryonesi, S. M., & El-Diraby, T. (2018). Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index (No. FHWA-HRT-18-065). United States. Federal Highway Administration. Office of Research, Development, and Technology". Archived from the original on 2 February 2019.
↑ "FHWA: A Look at the History of the Federal Highway Administration".
↑ ^۴٫۰ ^۴٫۱ ^۴٫۲ Piryonesi, S. M.; El-Diraby, T. E. (2020) [Published online: December 21, 2019]. "Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index". Journal of Infrastructure Systems. 26 (1). doi:10.1061/(ASCE)IS.1943-555X.0000512.{{cite journal}}: نگهداری CS1: url-status (link)
↑ "Piryonesi, S. M., & El-Diraby, T. (2018). Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index, (No. FHWA-HRT-18-065). United States. Federal Highway Administration. Office of Research, Development, and Technology". Archived from the original on 2 February 2019.
↑ «Piryonesi, S. M. (2019). The Application of Data Analytics to Asset Management: Deterioration and Climate Change Adaptation in Ontario Roads (Doctoral dissertation)».
↑ Piryonesi S. Madeh; El-Diraby Tamer E. (2020-06-01). "Role of Data Analytics in Infrastructure Asset Management: Overcoming Data Size and Quality Problems". Journal of Transportation Engineering, Part B: Pavements. 146 (2): 04020022. doi:10.1061/JPEODX.0000175.

[:0-1] ۱٫۰ ^۱٫۱ ^۱٫۲ Ford, K., Arman, M., Labi, S., Sinha, K.C., Thompson, P.D., Shirole, A.M., and Li, Z. 2012. NCHRP Report 713 : Estimating life expectancies of highway assets. In Transportation Research Board, National Academy of Sciences, Washington, DC. Transportation Research Board, Washington DC.

[2] "Piryonesi, S. M., & El-Diraby, T. (2018). Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index (No. FHWA-HRT-18-065). United States. Federal Highway Administration. Office of Research, Development, and Technology". Archived from the original on 2 February 2019.

[3] "FHWA: A Look at the History of the Federal Highway Administration".

[:1-4] ۴٫۰ ^۴٫۱ ^۴٫۲ Piryonesi, S. M.; El-Diraby, T. E. (2020) [Published online: December 21, 2019]. "Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index". Journal of Infrastructure Systems. 26 (1). doi:10.1061/(ASCE)IS.1943-555X.0000512.{{cite journal}}: نگهداری CS1: url-status (link)

[5] "Piryonesi, S. M., & El-Diraby, T. (2018). Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index, (No. FHWA-HRT-18-065). United States. Federal Highway Administration. Office of Research, Development, and Technology". Archived from the original on 2 February 2019.

[6] «Piryonesi, S. M. (2019). The Application of Data Analytics to Asset Management: Deterioration and Climate Change Adaptation in Ontario Roads (Doctoral dissertation)».

[:02-7] Piryonesi S. Madeh; El-Diraby Tamer E. (2020-06-01). "Role of Data Analytics in Infrastructure Asset Management: Overcoming Data Size and Quality Problems". Journal of Transportation Engineering, Part B: Pavements. 146 (2): 04020022. doi:10.1061/JPEODX.0000175.

[۱]

[۲]

[۳]

[۴]

[۵]

[۶]

[۷]