چکیده این رساله به شرح زیر می‌باشد:

مدیریت زیرساخت‌های بسیار مهمی مانند روسازی، نیازمند برنامه‌ریزی‌های جامع، درهمه سطوح مدیریتی است. این برنامه‌ها شامل طرح‌های تعمیر و نگهداری و بازسازی روسازی در طول چرخه عمر روسازی است. در این برنامه ریزی‌ها نیاز به پیش بینی عملکرد روسازی است تا برنامه‌های پیش بینی شده، همسو با واقعیت‌های عملکرد روسازی باشد. به همین جهت همواره از مدل‌های پیش بینی مختلفی استفاده گردیده تا وضعیت آتی روسازی، با دقت بیشتری پیش‌بینی گردد. افزایش دقت پیش بینی مدل‌ها منجر به طرح‌ریزی برنامه‌های دقیق‌تر و کارآتری گردیده که نتیجه آن، مدیریت روسازی مؤثر و کاربردی است و باعث صرفه جویی‌های مناسبی در منابع، خواهد گردید.
از آنجا که تاکنون مدل جامع، دقیق و کاملی برای پیش بینی عملکرد روسازی ارائه نگردیده، در این مطالعه، مدل‌های فرا-ابتکاری برای پیش بینی عملکرد روسازی مورد بررسی قرار گرفته، و دقت پیش بینی آن‌ها ارزیابی شده است.
در این پژوهش، ابتدا مطالعه کاملی بر روی عوامل مؤثر بر عملکرد و اضمحلال روسازی، انجام شده و تلاش-های صورت گرفته برای دستیابی به پایگاه داده مناسب و گردآوری داده‌های مناسب مدلسازی نیز شرح داده شده است. در ‌‌نهایت، در راستای نیاز به داده‌های واقعی، استاندار و طولانی مدت برای مدلسازی مناسب، نمونه داده‌های LTPP بکار گرفته شده و داده‌هایی نیز از داخل کشور جمع‌آوری و تدوین گردید. تعداد نه متغییر موثر بر وضعیت روسازی استخراج و شاخص ناهمواری بین المللی (IRI) نیز به عنوان معیار وضعیت روسازی در نظر گرفته شده است. سپس مدل‌های فرا-ابتکاری شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و ماشینهای بردار پشتیبان (SVM) و همچنین، یک مدل قدرتمند از مدل‌های رگرسیون به نام روش گروهی کنترل داده‌ها (GMDH) به کار گرفته شده و با استفاده از تعداد نه متغیر موثر بر عملکرد روسازی، انواع مختلفی از مدل‌های پیش بینی عملکرد روسازی یا پیش‌بینی میزان شاخص IRI، تشکیل شده است. در ادامه، دقت مدل‌های ساخته شده با روش مذکور، مورد ارزیابی دقیق قرار گرفته است.
از آنجا که طرح‌ریزی‌های برنامه‌های مربوط به تعمیر و نگهداری روسازی، شامل برنامه‌های کوتاه مدت و بلند مدت می‌باشد، لذا در این مطالعه، توانایی پیش بینی و دقت هر کدام از مدل‌های طراحی شده در دو سطح کوتاه مدت و بلند مدت، به طور جداگانه، مورد ارزیابی قرار گرفته تا دقت و اطمینان‌پذیری هرکدام از آن‌ها برای پیش‌بینی عملکرد روسازی در کوتاه مدت و بلند مدت مشخص گردد. نتایج نشان می‌دهد که مدل‌های فرا-ابتکاری با دقت بیشتری نسبت به مدل‌های فعلی، وضعیت روسازی را پیش‌بینی می‌نماید. از میان تعداد کثیری از مدل‌های طراحی شده در این پژوهش، مدل شبکه عصبی با تعداد نه متغییر موثر بر وضعیت روسازی به عنوان ورودی مدل و تعداد ۷ یا ۸ گره در یک لایه مخفی، توانایی پیش بینی وضعیت روسازی در کوتاه مدت و بلند مدت را دارا می‌باشد. سیستم استنتاج فازی عصبی تطبیقی با لحاظ نه متغییر ورودی و سه تابع عضویت فازی برای هریک از آن‌ها، قابلیت پیش بینی وضعیت روسازی را فقط در کوتاه مدت دارا می‌باشد. الگوریتم ماشین بردار پشتیبان نیز با طراحی تابع کرنل چند جمله‌ای درجه چهار، توانایی پیش بینی ناهمواری روسازی را فقط در کوتاه مدت را دارد.
اطلاعات و دستاوردهای این پژوهش برای برنامه ریزان طرح‌های تعمیر و نگهداری روسازی و کاربران سیستم‌های مدیریت روسازی (PMS) مفید است.
واژه‌های کلیدی: سیستم مدیریت روسازی، مدل‌های اضمحلال، پیش‌بینی عملکرد روسازی، مدل‌های فرا-ابتکاری

رایانامه جهت ارتباط با دانشجوی فوق: ayoubinejad [AT] iust.ac.ir