ارزیابی تکنیک مارکوفی با حالت وضعیت 20 قسمتی در سیستم مدیریت روسازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان

2 کارشناس ارشد راه و ترابری، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان

چکیده

تکنیک مارکوفی با فاصله گسسته موسوم به حالت وضعیت و تقسیم PCI به 10 حالت با عرض هر حالت به مقدار 10 واحد، احتمال ماندن روسازی در یک حالت معین و یا زوال آن تا حالت بعدی پس از یک چرخه را ارائه می­کند. در این روش، می­توان تعداد حالات در نظر گرفته شده را تغییر داده و آن را بر این اساس بسط داد. ممکن است بتوان با افزایش تعداد حالات، برآورد صحیح­تری از روند زوال و نوع اقدامات لازم در موعد زمانی مناسب در جهت افزایش نگهداری از راه­ها و حفظ سرمایه­ها ارائه داد. بنابراین،، هدف از این پژوهش، بررسی تقسیم­بندی PCI به 20 حالت با عرض 5 واحد، برای برآورد روند اضمحلال روسازی، می­باشد. علاوه بر این، تقسیم‏بندی 5 واحدی با طبقه­بندی کیفی ارائه شده تطابق دقیق­تری دارد. بدین منظور، ابتدا ماتریس احتمال انتقال متناظر با دو دسته­بندی تشکیل و سپس با یک بردار حالت و از یک خانواده، مدل پیش­بینی عملکرد روسازی براساس روند مارکوفی همگن برای دو دسته­بندی 10 تایی و 5 تایی PCI، براساس داده­های معتبر بیست ساله یک روسازی که می­تواند برای شرایط یکسان قابل تعمیم باشد، توسعه داده شد. نتایج نشان داد که در منحنی پیش­بینی به دست آمده از دو نوع تقسیم‏بندی، هیچ نقطه بحرانی خاصی مشاهده نشد. اما با در نظر گرفتن یک شیب مشخص برای شروع افزایش شدت خرابی­ها، تقسیم­بندی 5 واحدی، 4 سال زودتر از تقسیم­بندی 10 واحدی شروع روش‏های پیشگیرانه را پیشنهاد می­کند. همچنین، پیش­بینی PCI در سال دهم از این دو منحنی، نشان‏دهنده احتمال 32/0 و 08/0 برای به ترتیب روش 10 و  5 واحدی است که اختلاف آنها قابل توجه است. همچنین، در روش 5 واحدی، با گذشت زمان، شیب منحنی بیشتر شده که با روند زوال روسازی تطابق بهتری دارد. ولی در روش 10 واحدی، شیب در طول زوال تقریباً یکنواخت است.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of the Markov Technique with 20 Condition Status in Pavement Management System

نویسندگان [English]

  • Mohsen Aboutalebi Esfahani 1
  • Razie Momeni 2
1 Assistant Professor, Faculty of Civil and Transportation, University of Isfahan
2 Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran
چکیده [English]

The Markov technique with discrete interval and dividing the PCI into 10 modes and each mode into 10 units, gives the probability of the remaining in a specified mode or declining to the next mode after one duty cycle for the pavement. In this method can change the number of considered modes and extend the method accordingly. By increasing the number of modes, it may be possible to provide a more accurate estimate of the deterioration process and the type of actions needed at the appropriate time to increase road maintenance and preserve capital; Therefore, the purpose of this study is to investigate the division of PCI into 20 modes with 5 units’ width to estimate the pavement collapse process. In addition, the 5-unit segmentation is more in line with the presented qualitative classification. For this purpose, first, the probability matrix of the corresponding transfer is formed by two classifications, and then by a state vector and one family, a pavement performance prediction model based on homogeneous Markovian trend for two 10-digit and 5-digit PCI classifications, based on the data from valid twenty-year-old pavement was developed. The results showed that in the prediction curve obtained from the two segmentations, there is no specific critical point. But given a steep slope to begin to increase the severity of the failures, the 5-unit segment, 4 years earlier than the 10-unit segment, suggests the start of preventive measures. Also, the PCI prediction in the tenth year of these two curves shows the probability of 0.32 and 0.08 for the 10 and 5 unit methods, respectively, with significant differences. In addition, in the 5-unit method the curve slope increases over time, which is more in line with the pavement deterioration process, but in the 10-unit method the slope is almost uniform during the deterioration.

کلیدواژه‌ها [English]

  • Critical Point
  • Pavement Condition Index
  • Pavement Deterioration
  • Preventive Maintenance
  • Pavement Performance Prediction
Abaza, K. A. 2004. “Deterministic performance prediction model for rehabilitation and management of flexible pavement”. Int. J. Pavement Eng., 5(2): 111-121.
Amin, M. S. R. 2015. “The pavement performance modeling: Deterministic vs. stochastic approaches”. PP. 179-196. In: Hami, A. (Ed.), Numerical Methods for Reliability and Safety Assessment, Springer.https://doi.org/10.1007/978-3-319-07167-1_5
Butt, A. A., Shahin, M. Y., Feighan, K. J. and Carpenter, S. H. 1987. “Pavement performance prediction model using the Markov process”. Transport. Res. Record, 1123: 12-19.
de Melo e Silva, F., Van Dam, T. J., Bulleit, W. M. and Ylitalo, R. 2000. “Proposed pavement performance models for local government agencies in Michigan”. Transport. Res. Record, 1699(1): 81-86.
Haas, R. 2003. “Good technical foundations are essential for successful pavement management”. Proc. of Maintenance and Rehabilitation of Pavements and Technological Control Conference, Instituto dos Estrados de Portugal.
Hassan, R., Lin, O. and Thananjeyan, A. 2017. “Probabilistic modelling of flexible pavement distresses for network management”. Int. J. Pavement Eng., 18(3): 216-227.
Karan, M. 1997. “Municipal pavement management system”. Ph.D. Thesis, University of Waterloo, Ontario, Canada.  
Kobayashi, K., Do, M. and Han, D. 2010. “Estimation of Markovian transition probabilities for pavement deterioration forecasting”. KSCE J. Civ. Eng., 14(3): 343-351.
Kobayashi, K., Kaito, K. and Lethanh, N. 2012. “A Bayesian estimation method to improve deterioration prediction for infrastructure system with Markov chain model”. Int. J. Arch. Eng. Constr., 1(1): 1-13.
Li, N., Xie, W. C. and Haas, R. 1996. “Reliability-based processing of Markov chains for modeling pavement network deterioration”. Transport. Res. Record, 1524(1): 203-213.
Li, N., Haas, R. and Xie, W. C. 1997. “Development of a new asphalt pavement performance prediction model”. Can. J. Civ. Eng., 24(4): 547-559.
Lytton, R. L. 1987. “Concepts of pavement performance prediction and modeling”. Proc. of the 2nd North American Conference on Managing Pavements.
Madanat, S., Mishalani, R. and Ibrahim, W. H. W. 1995. “Estimation of infrastructure transition probabilities from condition rating data”. J. Infrastruct. Sys., 1(2): 120-125.
Ortiz-García, J. J., Costello, S. B. and Snaith, M. S. 2006. “Derivation of transition probability matrices for pavement deterioration modeling”. J. Transport. Eng., 132(2): 141-161.
Rada, G. R., Perl, J. and Witczak, M. W. 1986. “Integrated model for project-level management of flexible pavements”. J. Transport. Eng., 112(4): 381-399.
Ross, S. M. 2014. “Introduction to probability models”. Academic Press.
Shahin, M. Y. 2005. “Pavement management for airports, roads, and parking lots”. Vol. 501, Springer, New York.
Su, C. H., Chen, S. J., Mao, L. J. and Xu, S. L. 2014. “Establishment of multiobjective system for maintenance engineering of high-grade highway asphalt pavement”. China National Knowledge Infrastructure. www.cnki.net
Surendrakumar, K., Prashant, N. and Mayuresh, P. 2013. “Application of Markovian probabilistic process to develop a decision support system for pavement maintenance management”. Int. J. Sci. Technol. Res., 2(8): 295-303.
Tavakoli, A., Lapin, M. S. and Figueroa, J. L. 1992. “PMSC: Pavement management system for small communities”. J. Transport. Eng., 118(2); 270-280. doi:10.1061/(ASCE)0733-947X(1992)118:2(270)
The Federal Highway Administration (FHWA). (2008). “Long-term pavement performance (LTPP) program”. Retrieved from https://infopave.fhwa.dot.gov
Wang, K. C., Zaniewski, J. and Way, G. 1994. “Probabilistic behavior of pavements”. J. Transport. Eng., 120(3): 358-375.
Yang, J., Gunaratne, M., Lu, J. J. and Dietrich, B. 2005. “Use of recurrent Markov chains for modeling the crack performance of flexible pavements”. J. Transport. Eng, 131(11): 861-872.