Bitümlü Sıcak Karışım Üstyapılarda Görülen Yüzey Bozulmaları ile Düzgünsüzlük Arasındaki İlişkilerin Modellenmesinde Bazı Yaklaşımlar

Year 2018, Volume: 22 Issue: 2, 901 - 912, 15.08.2018

Ufuk Kırbaş Mustafa Karaşahin Birol Demir Muhammet Komut Emine Nazan Ünal

https://doi.org/10.19113/sdufbed.32804

Cited By: 4

Abstract

Esnek üstyapılarda görülen yüzey bozulmaları ile düzgünsüzlük arasında ilişkilerin araştırıldığı çalışmalar incelendiğinde sınırlı sayıda yüzey bozulma türünün dikkate alındığı görülmektedir. Literatüre katkı sağlamak amacıyla bu çalışmada, 13 adet yüzey bozulma türü ve bozulma şiddetleri ile birlikte toplam 32 adet üstyapı bozulması ile IRI arasındaki ilişkilerin matematiksel modelleme analizi yapılmıştır. Modelleme çalışmalarında doğrusal regresyon, değişkenli uyarlamalı regresyon eğrileri (MARS) ve yapay sinir ağları (YSA) yaklaşımları kullanılmıştır.  Oluşturulan modellerin tahmin yetenekleri ortalama mutlak hata (OMH), kök ortalama karesel hata (KOKH),  ortalama mutlak göreceli hata (OMGH) ve regresyon katsayısı (R²) istatistiksel karşılaştırma yöntemleri kullanılarak değerlendirilmiştir. Tahmin yeteneği en yüksek olan modelin YSA yaklaşımı kullanılarak oluşturulan model olduğu tespit edilmiştir. Ayrıca, YSA yaklaşımında girdi değişkenlerinin çıktı değişkeni üzerindeki etkileri bağlantı ağırlıklarına göre değerlendirilmiştir. Bu değerlendirmeye göre, üstyapı bozulmaları oluşma nedenlerine (mekanizmalarına) göre incelendiğinde, IRI üzerinde % 43.8 yük kaynaklı, % 39 diğer sebepler kaynaklı ve % 17.2 iklim kaynaklı bozulmaların etkili olduğu sonucuna ulaşılmıştır.

Keywords

Üstyapı performansı, Yüzey bozulmaları; IRI

References

• [1] AASHTO. 1993. Guide for Design of Pavement Structures. American Association of State Highway and Transportation Officials, Washington D.C, 624s.
• [2] Hozayen, H.A., Alrukaibi, F. 2009. Development of Acceptance Measures for Long Term Performance of BOT Highway Projects. ss 335-48. Masad, E., Alnuaimi, N.A., Sayed, T. and Al-Qadi, I.L. ed. 2009. Efficient Transportation and Pavement Systems: Characterization, Mechanisms, Simulation, and Modeling, Taylor&Francis Group, London, 912s.
• [3] Al-Omari, B., Darter, M.I. 1995. Effect Of Pavement Deterioration Types on IRI and Rehabilitation. Transportation Research Record, 1505(1995), 57-65.
• [4] Aguiar-Moya, J.P., Prozzi, J.A., de Fortier Smit, A. 2011. Mechanistic-Empirical IRI Model Accounting for Potential Bias. Journal of Transportation Engineering, 137(5), 297-304.
• [5] Mactutis, J., Alavi, S., Ott, W. 2000. Investigation of Relationship Between Roughness and Pavement Surface Distress Based on Westrack Project. Transportation Research Record: Journal of the Transportation Research Board, 1699(2000), 107-113.
• [6] Sandra, A.K., Sarkar, A.K. 2013. Development of a Model for Estimating International Roughness Index from Pavement Distresses. International Journal of Pavement Engineering, 14(8), 715-724.
• [7] Attoh-Okine, N.O., Mensah. S., Nawaiseh, M. A New Technique for using Multivariate Adaptive Regression Splines (MARS) in Pavement Roughness Prediction. Proceedings of the Institution of Civil Engineers-Transport, 156(1), 51-55.
• [8] Lin, J.D., Yau, J.T., Hsiao, L.H. 2003. Correlation Analysis between International Roughness Index (IRI) and Pavement Distress by Neural Network. 82nd Annual Meeting of the Transportation Research Board, 12-16 January, Washington, D.C., 1-21.
• [9] Chandra, S., Sekhar, C.R., Bharti, A.K., Kangadurai, B. 2013. Relationship Between Pavement Roughness and Distress Parameters for Indian Highways. Journal of Transportation Engineering, 139(5), 467-475.
• [10] Pan, N.F., Ko, C.H., Yang, M.D., Hsu, K.C. 2011. Pavement Performance Prediction Through Fuzzy Regression. Expert Systems with Applications, 38(8), 10010-10017.
• [11] Moazami, D., Behbahani, H., Muniandy, R. 2011. Pavement Rehabilitation and Maintenance Prioritization of Urban Roads Using Fuzzy Logic. Expert Systems with Applications, 38(10), 12869-12879.
• [12] Karaşahin, M., Terzi, S. 2014. Performance Model For Asphalt Concrete Pavement Based on the Fuzzy Logic Approach. Transport, 29(1), 18-27.
• [13] Yang, J., Lu, J., Gunaratne, M., Xiang, Q. 2003. Overall Pavement Condition Forecasting Using Neural Networks—An Application to Florida Highway Network. 82nd Annual Meeting of the Transportation Research Board, 12-16 January, Washington, D.C., 1-28.
• [14] Attoh-Okine, N.O. 1999. Analysis of Learning Rate and Momentum Term in Back-Propagation Neural Network Algorithm Trained to Predict Pavement Performance. Advances in Engineering Software, 30(4), 291-302.
• [15] Terzi, S. 2007. Modeling the Pavement Serviceability Ratio of Flexible Highway Pavements by Artificial Neural Networks. Construction and Building Materials, 21(3), 590-593.
• [16] Choi, J.H., Adams, T.M., Bahia, H.U. 2004. Pavement Roughness Modeling Using Back‐Propagation Neural Networks. Computer‐Aided Civil and Infrastructure Engineering, 19(4), 295-303.
• [17] Terzi, S. 2013. Modeling for Pavement Roughness Using the ANFIS Approach. Advances in Engineering Software, 57(2013), 59-64.
• [18] ASTM. 2009. ASTM E 950: Standard Test Method for Measuring the Longitudinal Profile of Traveled Surfaces with an Accelerometer Established Inertial Profiling Reference. . ASTM International. West Conshohocken, PA, 6s.
• [19] ASTM. 2011. ASTM D 6433-11: Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. ASTM International. West Conshohocken, PA, 49s.
• [20] Friedman, J.H. 1991. Multivariate Adaptive Regression Splines. The Annals of Statistics, 19(1), 1-67.
• [21] Weber, G.W., Batmaz, İ., Köksal, G., Taylan, P., Yerlikaya-Özkurt, F. 2012. CMARS: A New Contribution to Nonparametric Regression with Multivariate Adaptive Regression Splines Supported by Continuous Optimization. Inverse Problems in Science and Engineering, 20(3), 371-400.
• [22] Attoh-Okine, N.O., Cooger, K., Mensah, S. 2009. Multivariate Adaptive Regression (MARS) and Hinged Hyperplanes (HHP) for Doweled Pavement Performance Modeling. Construction and Building Materials, 23(9), 3020-3023.
• [23] Kecman, V., 2001. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models. MIT Press, Massachussetts, USA, 541s.
• [24] Kok, B.V., Yılmaz, M., Şengöz, B., Şengur, A., Avcı, E. 2010. Investigation of Complex Modulus of Base and SBS Modified Bitumen with Artificial Neural Networks. Expert Systems with Applications, 37(12), 77775-77780.
• [25] Olden, J.D., Joy, M.K., Death, R.G. 2004. An Accurate Comparison of Methods for Quantifying Variable Importance in Artificial Neural Networks Using Simulated Data. Ecological Modelling, 178(3-4), 389-397.