DEVELOPING PREDICTION MODELS FOR SLOPE VARIANCE FROM THE INTERNATIONAL ROUGHNESS INDEX
Description
Road roughness is considered a primary indicator of pavement condition and serviceability, and the performance of paved roads is linked to road roughness. The focus of this study is to develop a relationship between two important roughness indicators, namely the international roughness index (IRI) and slope variance (SV), based on actual road roughness data to achieve a suitable correlation between these two indices using artificial neural networks (ANNa) and gene expression programming (GEP) techniques. Different study areas were selected to develop the prediction model. The first study area is the Desert Highway in Jordan, while the three remaining study areas are located in the US. A total of 533 data sets were used in this study to develop a model to predict the IRI from the SV. The GeneXproTools 5 software package was used to build the GEP model, while MATLAB 2019 was employed to develop the ANN model. The results showed that the GEP and ANN models outperformed all other previous models. The GEP-Based model showed a better performance and more precise results than the ANN model according to the coefficient of determination (R2).
Translated Descriptions
Translated Description (Arabic)
تعتبر وعورة الطريق مؤشراً أساسياً لحالة الرصيف وقابليته للخدمة، ويرتبط أداء الطرق المعبدة بعسر الطريق. ينصب تركيز هذه الدراسة على تطوير علاقة بين مؤشرين مهمين للخشونة، وهما مؤشر الخشونة الدولي (IRI) وتباين المنحدرات (SV)، بناءً على بيانات خشونة الطريق الفعلية لتحقيق ارتباط مناسب بين هذين المؤشرين باستخدام الشبكات العصبية الاصطناعية (ANNA) وتقنيات برمجة التعبير الجيني (GEP). تم اختيار مجالات دراسة مختلفة لتطوير نموذج التنبؤ. منطقة الدراسة الأولى هي الطريق الصحراوي السريع في الأردن، بينما تقع مناطق الدراسة الثلاث المتبقية في الولايات المتحدة. تم استخدام ما مجموعه 533 مجموعة بيانات في هذه الدراسة لتطوير نموذج للتنبؤ بـ IRI من SV. تم استخدام حزمة برامج GeneXproTools 5 لبناء نموذج GEP، بينما تم استخدام MATLAB 2019 لتطوير نموذج ANN. أظهرت النتائج أن نماذج GEP و ANN تفوقت على جميع النماذج السابقة الأخرى. أظهر النموذج القائم على GEP أداءً أفضل ونتائج أكثر دقة من نموذج ANN وفقًا لمعامل التحديد (R2).Translated Description (French)
La rugosité de la route est considérée comme un indicateur principal de l'état et de la facilité d'entretien de la chaussée, et la performance des routes pavées est liée à la rugosité de la route. L'objectif de cette étude est de développer une relation entre deux indicateurs de rugosité importants, à savoir l'indice de rugosité international (IRI) et la variance de pente (SV), sur la base de données réelles de rugosité de la route afin d'obtenir une corrélation appropriée entre ces deux indices en utilisant des techniques de réseaux neuronaux artificiels (ANNa) et de programmation de l'expression génique (PEG). Différentes zones d'étude ont été sélectionnées pour développer le modèle de prédiction. La première zone d'étude est la Desert Highway en Jordanie, tandis que les trois autres zones d'étude sont situées aux États-Unis. Au total, 533 ensembles de données ont été utilisés dans cette étude pour développer un modèle permettant de prédire l'IRI à partir de la VS. Le progiciel GeneXproTools 5 a été utilisé pour construire le modèle GEP, tandis que Matlab 2019 a été utilisé pour développer le modèle ANN. Les résultats ont montré que les modèles GEP et ANN surpassaient tous les autres modèles précédents. Le modèle basé sur la PEG a montré une meilleure performance et des résultats plus précis que le modèle ANN selon le coefficient de détermination (R2).Translated Description (Spanish)
La rugosidad de la carretera se considera un indicador principal del estado y la capacidad de servicio del pavimento, y el rendimiento de las carreteras pavimentadas está vinculado a la rugosidad de la carretera. El objetivo de este estudio es desarrollar una relación entre dos indicadores de rugosidad importantes, a saber, el índice de rugosidad internacional (IRI) y la varianza de la pendiente (SV), basados en datos reales de rugosidad de la carretera para lograr una correlación adecuada entre estos dos índices utilizando redes neuronales artificiales (ANNa) y técnicas de programación de expresión génica (GEP). Se seleccionaron diferentes áreas de estudio para desarrollar el modelo de predicción. La primera área de estudio es la autopista del desierto en Jordania, mientras que las tres áreas de estudio restantes se encuentran en los EE. UU. Se utilizaron un total de 533 conjuntos de datos en este estudio para desarrollar un modelo para predecir el IRI a partir del SV. El paquete de software GeneXproTools 5 se utilizó para construir el modelo GEP, mientras que MATLAB 2019 se empleó para desarrollar el modelo ANN. Los resultados mostraron que los modelos GEP y ANN superaron a todos los demás modelos anteriores. El modelo basado en GEP mostró un mejor rendimiento y resultados más precisos que el modelo ANN según el coeficiente de determinación (R2).Additional details
Additional titles
- Translated title (Arabic)
- تطوير نماذج التنبؤ لتباين المنحدرات من مؤشر الخشونة الدولي
- Translated title (French)
- DÉVELOPPEMENT DE MODÈLES DE PRÉDICTION DE LA VARIANCE DES PENTES À PARTIR DE L'INDICE INTERNATIONAL DE RUGOSITÉ
- Translated title (Spanish)
- DESARROLLO DE MODELOS DE PREDICCIÓN PARA LA VARIANZA DE PENDIENTES A PARTIR DEL ÍNDICE DE RUGOSIDAD INTERNACIONAL
Identifiers
- Other
- https://openalex.org/W4286517721
- DOI
- 10.20858/tp.2022.17.2.08
References
- https://openalex.org/W2967985652
- https://openalex.org/W3154929596