دانشگاه سمنان مهندسی زیر ساخت های حمل و نقل 2423-5350 11 4 2026 02 20 Development of Pavement Distress Severity and Density Prediction Models Using Machine Learning توسعه مدل‌های پیش‌بینی شدت و وسعت خرابیهای روسازی با استفاده از یادگیری ماشین 10374 10.22075/jtie.2025.39921.1749 FA امیر گل رو دانشکده عمران، دانشگاه صنعتی امیرکبیر محمد صدیقیان فرد دانشکده عمران امیرکبیر حنانه دهقان طزرجانی دانشکده عمران امیرکبیر Journal Article 2025 12 03 Linear and alligator cracking are critical indicators of asphalt pavement performance. The accurate prediction of these ciritical cracking distresses are of significant importance in effective and efficient pavement maintenance planning. This study proposes a data-driven framework based on multimodal data from the Long-Term Pavement Performance (LTPP) database, incorporating traffic, climatic, and performance-related variables to predict distress severity, length, and area. Key features, including surface distress indices, overlay thickness, traffic characteristics, and climatic indicators, were extracted and refined through feature engineering. Machine learning-based models were developed for severity classification and quantitative distress prediction using Artificial Neural Networks (ANNs). Addressing class imbalance with SMOTE improved severity classification accuracy from 0.782 to 0.843 for linear cracking and from 0.845 to 0.930 for alligator cracking. The models demonstrated strong predictive performance, achieving R² values of 0.941 for linear crack length and 0.954 for alligator crack area, supporting their applicability in preventive maintenance and pavement life-cycle management. ترک‌های خطی و پوست‌ سوسماری از مهم‌ترین شاخص‌های عملکرد روسازی آسفالتی هستند و پیش‌بینی دقیق آن‌ها نقش کلیدی در برنامه‌ریزی نگهداری دارد. در این پژوهش، با استفاده از داده‌های چندماژوله پایگاه داده عملکرد بلند مدت روسازی (LTPP) شامل متغیرهای ترافیکی، اقلیمی و عملکردی، یک چارچوب داده‌محور برای پیش‌بینی شدت، طول و مساحت خرابی‌های آسفالتی ارائه شده است. ویژگی‌های مؤثر نظیر شاخص‌های خرابی سطحی، ضخامت روکش، مشخصات ترافیکی و شاخص‌های اقلیمی استخراج و پس از مهندسی ویژگی، در مدل‌های یادگیری ماشین شامل طبقه‌بندی شدت و شبکه عصبی مصنوعی به‌کار گرفته شد. استفاده از روش اسموت (SMOTE) موجب افزایش دقت طبقه‌بندی شدت ترک خطی از 782/0 به 843/0 و ترک پوست ‌سوسماری از 845/0 به 930/0 گردید. نتایج حاکی از عملکرد مناسب مدل‌ها با ضرایب تعیین 941/0 برای پیش‌بینی طول ترک خطی و 954/0 برای مساحت ترک پوست ‌سوسماری بوده و قابلیت کاربرد آن‌ها در نگهداری پیشگیرانه و مدیریت چرخه عمر روسازی را نشان می‌دهد.