توسعه مدل‌های پیش‌بینی شدت و وسعت خرابیهای روسازی با استفاده از یادگیری ماشین

صدیقیان فرد, محمد; گل رو, امیر; دهقان طزرجانی, حنانه

doi:10.22075/jtie.2025.39921.1749

توسعه مدل‌های پیش‌بینی شدت و وسعت خرابیهای روسازی با استفاده از یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان

محمد صدیقیان فرد ¹

امیر گل رو ²

حنانه دهقان طزرجانی ³

¹ دانشجوی دکتری، دانشکده مهندسی عمران و محیط‏زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران.

² دانشیار، دانشکده مهندسی عمران و محیط‏زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران.

³ دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران و محیط‏زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران.

10.22075/jtie.2025.39921.1749

چکیده

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.

کلیدواژه‌ها

سیستم مدیریت روسازی

پیش‌بینی خرابی روسازی

برنامه عملکرد بلندمدت روسازی

یادگیری ماشین

موضوعات

روسازی

عنوان مقاله English

Development of Pavement Distress Severity and Density Prediction Models Using Machine Learning

نویسندگان English

Mohammad Sedighian-Fard ¹

Amir Golroo ²

Hananeh Dehghan Tezerjani ³

¹ Ph.D. Candidate, Department of Civil and Environmental Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, I. R. Iran.

² Associate Professor, Department of Civil and Environmental Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, I. R. Iran.

³ M.Sc. Student, Department of Civil and Environmental Engineering, Amirkabir University of Technology (Tehran Polytechnic), Tehran, I. R. Iran.

چکیده English

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.

کلیدواژه‌ها English

Pavement management system

Pavement distress prediction

Long-term pavement performance (LTPP)

machine learning

Basnet, K. S., Shrestha, J. K., & Shrestha, R. N. (2023). “Pavement performance model for road maintenance and repair planning: A review of predictive techniques”. Digit. Transport. Safety, 4(2): 253–267.

George, K. P., Rajagopal, A. S., & Lim, L. K. (1989). “Models for predicting pavement deterioration”. Transport. Res. Record, No. 1215.

Hamdi, S. P., Hadiwardoyo, A. G., Correia, P., Pereira, P., & Cortez, P. (2017). “Prediction of surface distress using neural networks”. In AIP Conference Proceedings, American Institute of Physics Inc.

Hu, A., Bai, Q., Chen, L., Meng, S., Li, Q., & Xu, Z. (2022). “A review on empirical methods of pavement performance modeling”. Constr. Build. Mater., 342: 127968.

Justo-Silva, R., Ferreira, A., & Flintsch, G. (2021). “Review on machine learning techniques for developing pavement performance prediction models”. Sustain., 13(9): 5248.

Kang, J., Tavassoti, P., Chaudhry, M. N. A. R., Baaj, H. & Ghafurian, M. (2025). “Artificial intelligence techniques for pavement performance prediction: A systematic review”. Taylor and Francis Ltd.

Kobayashi, K., Do, M., & Han, D. (2010). “Estimation of Markovian transition probabilities for pavement deterioration forecasting”. KSCE J. Civ. Eng., 14(3): 343–351.

Lidicker, J., Sathaye, N., Madanat, S., & Horvath, A. (2013). “Pavement resurfacing policy for minimization of life-cycle costs and greenhouse gas emissions”. J. Infrastruct. Syst., 19(2): 129–137.

Liu, M., Wang, M., & Hoogendoorn, S. (2019). “Optimal platoon trajectory planning approach at arterials”. Transport. Res. Record, 2673(9): 214–226.

LTPP InfoPave-Distress Maps and Images. (n.d.). Accessed August 20, 2023. https://infopave.fhwa.dot.gov/Me dia/DistressMapsImages/.

Peraka, N. S. P., Biligiri, K. P., & Kalidindi, S. N. (2021). “Development of a multi-distress detection system for asphalt pavements: Transfer learning-based approach”. Transport. Res. Record, 2675: 538–553.

Pulugurta, H., Shao, Q., & Chou, Y. J. (2009). “Pavement condition prediction using Markov process”. J. Stat. Manag. Syst., 12(5): 853–871.

Roberts, C. A., & Attoh-Okine, N. O. (1998). “A comparative analysis of two artificial neural networks using pavement performance prediction”. Comput. Civ. Infrastruct. Eng., 13(5): 339–348.

Saudy, M., Breakah, T., Kaloop, M. R., & El-Badawy, S. (2023). “Regional implementation of the mechanistic empirical pavement design and analysis approach: Egyptian case study”. Case Stud. Constr. Mater., 18: e01863.

Shahid, C. S., Zainal, Z. A., Yusoff, N. I. M., Mohammad, N., Zamzuri, Z. H., & Widyatmoko, I. (2025). “Stochastic-based pavement performance and deterioration models: A review of techniques and applications”. Alexandria Eng. J., 120: 420–437.

Shtayat, A., Moridpour, S., Best, B., & Rumi, S. (2022). “An overview of pavement degradation prediction models”. J. Adv. Transport., 2022(1): 7783588.

Tamagusko, T., Gomes Correia, M., & Ferreira, A. (2024). “Machine learning applications in road pavement management: a review, challenges and future directions”. Infrastruct., 9(12): 21