Оценка модуля упругости слоев дорожного покрытия с использованием различных типов моделей нейронных сетей

Введение. Данная статья посвящена исследованию способности искусственных нейронных сетей различных типов прогнозировать модуль упругости слоев нежестких дорожных одежд в условиях эксплуатации. Для моделирования динамических нагрузок дорожного движения и измерения чаш прогибов на поверхности покрытия для получения базы данных моделей ИНС была использована установка ударного нагружения FWD.

Материалы и методы. Были разработаны типы искусственных нейронных сетей (сетей обучающихся по принципу прямого обратного распространения, послойного рекуррентного распространения, каскадного обратного распространения и обратного распространения Элмана) для определения оптимальной модели ИНС с использованием программного обеспечения Matlab. Чтобы оценить эффективность каждой модели были использованы разработанные модели ИНС для прогнозирования значений модуля упругости для 25 новых участков дорожных одежд, которые не использовались в процессе обучения, проверки или тестирования, чтобы убедиться в их пригодности. Для всех результатов моделей были получены такие показатели эффективности, как средняя абсолютная ошибка (MAE), коэффициент детерминации R2, среднеквадратическая ошибка (RMSE), значения абсолютная процентная ошибка (MAPE).

Результаты исследования. Исходя из параметров эффективности, было сделано заключение, что среди этих алгоритмов модель распространения прямой связи обладает лучшей производительностью по сравнению с тремя другими типами ИНС. Результаты четырех лучших моделей сравнивались друг с другом и с реальными полученными данными для определения наиболее подходящего метода.

Обсуждение и заключения. Различия между результатами четырех лучших моделей для четырех типов используемых алгоритмов были очень малы, так как они показали близость между ними и фактическими значениями. Результаты исследования подтверждают возможность моделей на основе ИНС быстро и надежно оценивать модуль упругости слоев дорожного покрытия для его использования в структурной оценке (NDT) нежестких дорожных одежд.

1. Rukavina T, Ožbolt M. Pavement management system-data collecting. Gospodarenje prometnom infrastrukturom. Građevinski fakultet Sveučilišta u Zagrebu, Zavod za prometnice; 2009. P. 95–176.

2. Paterson WDO. Road deterioration and maintenance effects: Models for planning and management. Washington, D.C.: World Bank;1988. 454 p. http://worldcat.org/isbn/0801835909

3. Zaniewski JP, Mamlouk MS. Pavement maintenance effectiveness—Preventive maintenance treatments. Participant’s Handbook. Report no. FHWA-SA-96-027, Federal Highway Administration, Washington, D.C.; 1996. 204 p. https://www.fhwa.dot.gov/pavement/pubs/013734.pdf

4. Liu GR, Xu Han. Recent progress on computational inverse techniques in non-destructive evaluation. In: Computational Fluid and Solid Mechanics 2003. Elsevier; 2003. P. 418–421. https://doi.org/10.1016/B978-008044046-0.50103-2

5. Tutumluer E, Pekcan O, Ghaboussi J. Nondestructive pavement evaluation using finite element analysis based soft computing models. NEXTRANS Center (US); 2009. 93 p.

6. Lukanen EO. Effects of buffers on falling weight deflectometer loadings and deflections (with discussion). Transportation Research Record. 1992;1355:37–51.

7. Schmalzer PN. Long-term pavement performance program manual for falling weight deflectometer measurements. MACTEC Enfineering and Consulting, Inc. United States. Federal Highway Administration (FHWA). Turner-Fairbank Highway Research Center; 2006. 79 p. https://rosap.ntl.bts.gov/view/dot/779.

8. Marecos V, et al. Evaluation of a highway pavement using non-destructive tests: Falling Weight Deflectometer and Ground Penetrating Radar. Construction and Building Materials. 2017;154:1164–1172. https://doi.org/10.1016/j.conbuildmat.2017.07.034

9. Öcal A. Backcalculation of pavement layer properties using artificial neural network based gravitational search algorithm. Middle East technical university; 2014. 181 p. http://etd.lib.metu.edu.tr/upload/12618019/index.pdf

10. Yang H Huang. Pavement analysis and design. Englewood Cliffs, NJ: Prentice-Hall; 1993. 815 p.

11. Sundin S, Braban‐Ledoux C. Artificial intelligence–based decision support technologies in pavement management. Computer-Aided Civil and Infrastructure Engineering. 2002;16:143–157 https://doi.org/10.1111/0885- 9507.00220

12. Ajbar A, Ali EM. Prediction of municipal water production in touristic Mecca City in Saudi Arabia using neural networks. Journal of King Saud University - Engineering Sciences. 2015;27:83–91. https://doi.org/10.1016/j.jksues.2013.01.001

13. Haykin S. Neural Networks: A Comprehensive Foundation. Upper Saddle River, N.J., Prentice Hall; 1999. 842p.

14. Saltan M, Terzi S. Backcalculation of pavement layer parameters using artificial neural networks. IJEMS. 2004;11:38-42. http://nopr.niscair.res.in/handle/123456789/9259

15. Ceylan H, Gopalakrishnan K, Bayrak MB. Neural networks based concrete airfield pavement layer moduli backcalculation. Civil Engineering and Environmental Systems. 2008;25:185–199. https://doi.org/10.1080/10286600701838667

16. Nazzal MD, Tatari O. Evaluating the use of neural networks and genetic algorithms for prediction of subgrade resilient modulus. International Journal of Pavement Engineering. 2013;14:364–373.

17. Gopalakrishnan K, Khaitan SK. Finite element based adaptive neuro fuzzy inference technique for parameter identification of multilayered transportation structures. Transport. 2010;25:58–65. https://doi.org/10.3846/transport.2010.08

18. Gopalakrishnan K. Neural network–swarm intelligence hybrid nonlinear optimization algorithm for pavement moduli back-calculation. Journal of Transportation Engineering. 2010;136:528–536. 10.1061/(ASCE)TE.1943-5436.0000128

19. Kim D, Kim J-M, Mun S-H. Normalisation methods on neural networks for predicting pavement layer moduli. Road & Transport Research: A Journal of Australian and New Zealand Research and Practice. 2010;19:38–46.

20. Beltrán G, Romo M. Assessing artificial neural network performance in estimating the layer properties of pavements. Ingeniería e Investigación. 2014;34:11–16. http://dx.doi.org/10.15446/ing.investig.v34n2.42158

21. Li M, Wang H. Development of ANN-GA program for backcalculation of pavement moduli under FWD testing with viscoelastic and nonlinear parameters. International Journal of Pavement Engineering. 2019;20:490–498. https://doi.org/10.1080/10298436.2017.1309197

22. Ferregut C, et al. Artificial neural network-based methodologies for rational assessment of remaining life of existing pavements. University of Texas, El Paso; Texas Department of Transportation; Federal Highway Administration. 1999. 74 p.

23. Ceylan H, et al. Backcalculation of full-depth asphalt pavement layer moduli considering nonlinear stress- dependent subgrade behavior. International Journal of Pavement Engineering. 2005;6:171–182.

24. Abu-Lebdeh G, Ahmed K. A Neural Network Approach for Mechanistic Analysis of Jointed Concrete Pavement. Proceedings of the Eastern Asia Society for Transportation Studies. 2013. Vol. 9.

25. Ghanizadeh AR, Ahadi MR. Application of artificial neural networks for analysis of flexible pavements under static loading of standard axle. International Journal of Transportation Engineering. 2015;3:31–43. DOI: 10.22119/IJTE.2015.13361

26. Khalil AS, Starovoytov SV, Serpokrylov NS. The Adaptive Neuro-Fuzzy Inference System (ANFIS) Application for the Ammonium Removal from Aqueous Solution Predicting by Biochar. Materials Science Forum. 2018;931:985–990. DOI: 10.4028/www.scientific.net/MSF.931.985

27. Elshamy MMM, Tiraturyan AN. Using application of an artificial neural network system to backcalculate pavement elastic modulus. Scientific Herald of the Voronezh State University of Architecture & Civil Engineering. 2020;46:84–93.