بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
کاربرد شبکه عصبی-مصنوعی(ANN) برای پیش بینی ناهمواری در روسازی های انعطافپذیر
چکیده
راهها و بزرگراهها در یک کشور به منزله شاهرگهای حیاتی آن کشور هستند. وجود راهها باعث پویایی و تحرک هر منطقه میگردد و این تحـرک به نوبه خود باعث توسعه و بهبود اقتصادی میشود. با توجه به روند توسعه روزافزون کشورها، اهمیـت راههـا روز بـه روز زیـاد شـده و بـر میـزان ترافیک آنها نیز افزوده میشود. این امر لزوم توجه بیشتر به بخش راهها را آشکار میسازد. در دنیای امروز یکی از ارکان مهـم توسـعه اقتـصادی، راههای با بازدهی مناسب هستند. به همین دلیل در سالهای اخیر مدیریت نگهداری راهها به یـک حرفـه تخصـصی تبـدیل شـده اسـت. یکـی از مهمترین پارامترهایی که مرتبط بافرایند تصمیم گیری در سیستمهای مدیریت روسازیها میباشد و در عملکرد روسـازی و همچنـین هزینـههـای مربوط به استهلاک وسایل نقلیه و نیز کیفیت سواری راهها مؤثر است، ناهمواری راه (Roughness) نامگذاری میشود. ناهمواری با شاخصهای متفاوتی ارائه میگردد که مهمترین آنها که امروزه در اکثر کشورهای جهان کـاربرد دارد شاخـصی بنـام شـاخص نـاهمواری بـینالمللـی (IRI)میباشد که واحد دارد. در این مقاله پس از معرفی ناهمواری راه با استفاده از شبکه های عصبی- مصنوعی (ANN) مـدلی جهـت پیشبینی میزان ناهمواری تحت شاخص IRI ارائه شده است. با توجه به نیاز به یک منبع اطلاعاتنسبتاً جـامع و عـدم وجـود اطلاعـات کـافی مربوط به مشخصات ناهمواری رویه راههای ایران، بانک اطلاعات LTPP مربوط به راههای آمریکـای شـمالی مـورد اسـتفاده واقـع شـد. پـس از جمعآوری اطلاعات لازم، به کمک نرمافزار MATLAB نسبت به تجزیه و تحلیل دادهها اقدام و مدل استخراجی پیشنهاد شد. با استفاده از این مدل میتوان مقدار ناهمواری راهها را پیشبینی نمود.
کلید واژهها : : ناهمواری، شاخص ناهمواری بینالمللی، شبکه عصبی- مصنوعی
مقدمه
گستردگی شبکه راه ها در یک سطح وسیع جغرافیایی و تغییرات مداوم آنها تحت تأثیر ترافیک، آب و هوا و محیط، تأثیر زیادی بر وضعیت روسازی در سالهای آتی و عملیات نگهداری راه ها دارد. این اثرات اغلب در طولانی مدت قابل پیش بینی نمی باشد تا مدیران واحدهای اداری با آگاهی و اطمینان بیشتر نسبت به تأمین اعتبارات و بودجه های مورد نیاز سالهای آتی برنامه ریزی نموده و با آگاهی بیشتر از عواقب و نتایج احتمالی ناشی از اعمال سیاستهای مختلف نگهداری روسازی تصمیم گیری نمایند.علیرغم اهمیت زیاد اندازه گیری و کنترل ناهمواری راه ها که مهمترین معیار عملکرد روسازی در ارتباط با آنالیزهای اقتصادی و سطح سرویس راهها در سیستم مدیریت و نگهداری راهها می باشد، متأسفانه در ایران تاکنون تحقیقات زیادی در این خصوص انجام نگرفته است.با توجه به فقدان یا کمبود اطلاعات در بانکهای اطلاعاتی راهها، ساخت مدلهای پیشبینی ناهمواری راهها با استفاده از مفاهیم و نظریههای جدید امری مفید و کارآ در بحث مدیریت و نگهداری راهها می باشد.
ناهمواری
برای ناهمواری راه یک تعریف واحد و استاندارد وجود ندارد. در اینجا تعریفی را که استاندارد ASTM3 در E867 آورده است، ارائه می شود : [1] »انحرافات یک سطح روسازی از یک سطحواقعاً صاف با ابعاد مشخص که پویایی خودرو، کیفیت سواری، بارگذاری دینامیکی و زهکشی راه را تحتتأثیر قرار میدهند.« برای بیان شاخص IRI، ناهمواری بر حسب استفاده میشود. IRIذاتاً یک سیستم از نوع پاسخ مجازی بر مبنای کامپیوتر
میباشد. تکرارپذیر، قابل جابجایی و با زمان ثابت است. IRI اولین شاخص بر مبنای پروفیل بود که بیشترین استفاده را داشت، چون روش آنالیز آن طوری بود که با انواع مختلف پروفیل سنجها قابل اندازه گیری بود. IRI وضعیت ناهمواری راه را با کمک پاسخ خودرو خلاصه نموده و این خصوصیت زمانی که وابستگی میزان ناهمواری به؛کل هزینه عملیاتی خودرو، کیفیت راندن، بارهای دینامیکی چرخ و روی هم رفته شرایط سطحی لازم است، بسیار مناسب می باشد.[2]
شبکه عصبی- مصنوعی
در چند دهه اخیر دانشمندان با الهام گرفتن از پدیدههای طبیعی و تجدید نظر در فهم طبیعی خود از مفاهیمی چون قطعیت و ابهام، ادراکات احساسی و عصبی، فرآیند وراثت، و ... به ابزارهای بسیار سودمندی برای حل مسائل پیچیده و پر از ابهام دست یافتهاند. از مهمترین این ابزارها شبکههای عصبی و منطق فازی میباشد. استفاده از شبکههای عصبی در سالیان اخیر رواج فراوانی داشته است و از تحقیقات تئوری به تحقیقات وسیعتر و در زمینه های کاربردی برای حل بسیاری از مسائل وارد شده است. شبکه عصبی- مصنوعی یک شبیه سازی از دستگاه عصبی انسان است که خود از مجموعه هایی از واحدهای (سلولهای) عصبی، که از طریق پیوندهایی به نام آکسون4 با هم ارتباط دارند، تشکیل میشود. چنین مدلی به آکسون و دندریت5 در دستگاه عصبی انسان شبیه است. این شبکهها در واقع تقلیدی از مغز و شبکه اعصاب انسان هستند. شبکههای عصبی مصنوعی در حالت کلی ساختاری به صورت شکل (1) دارند. در این ساختار اطلاعات از طریق گرههای لایه ورودی به شبکه وارد شده و از طریق رابطها، به لایه پنهانی منتقل و در نهایت از گرههای لایه خروجی خارج میشود.[3]
مراحل ساخت مدل عصبی :
برای ساخت یک مدل شبکه عصبی مصنوعی و استفاده از آن باید مراحل زیر را طی کرد: [4]
الف- مشخص کردن ساختار شبکه :
در این مرحله تعداد لایهها و گرههای شبکه، نوع شبکه و توابع پایه و تحریک، انتخاب می شود. سپس نرمافزار مناسبی جهت آموزش شبکه تعیین میگردد.
ب- آموزش شبکه منظور از آموزش شبکه، اصلاح مقادیر وزنههای شبکه برای نمونههای متعدد است. اطلاعات مربوط به الگوهای مورد نظر به عنوان دادههای آموزشی برای
چندین مرتبه به شبکه نشان داده میشوند و شبکه، در جریان فرآیند یادگیری، برای هر دسته الگوی آموزشی مقدار وزن سیناپسی را اصلاح میکند.
پس از تکرار زیاد این کار، وزنها به طوری بهنگام میشوند که با دیدن اطلاعات هر الگو بتوانند آن را ارزیابی کنند.
این روش آموزش شبکه بوسیله الگوریتم بازگشتی معمولترین شیوه آموزش نظارت شده شبکه می باشد که در ادامه گامهای الگوریتم بازگشتی برای تربیت شبکه آورده شده است :
گام 1ـ یک زوج آموزشی را از دسته آموزشی انتخاب و به شبکه اعمال می کنیم.
گام 2ـ خروجی شبکه را محاسبه می کنیم.
گام 3ـ خطا (خروجی واقعی - خروجی مطلوب = خطای( ∆ را محاسبه می کنیم.
گام 4ـ وزنهای شبکه را طوری تنظیم می کنیم تا خطا مینیمم گردد.
گام 5ـ گام 1 تا 4 را برای همه زوجهای آموزشی تکرار کنیم تا خطا به مقدار قابل قبول کاهش یابد. با ارائه هر دسته دادهها، وزنهای شبکه اصلاح میگردند.
پ- آزمایش شبکه پس از کامل شدن مرحله آموزش، شبکه برای یک دسته از اطلاعات معلوم امتحان می شود و نواقص احتمالی برطرف میگردد. پس از تکمیل این مرحله
شبکه آماده استفاده است.[5]
تجزیه و تحلیل دادهها و ارائه مدل پیشبینی IRI
شبکههای عصبی شامل دو مرحله آموزش و آزمایش6 میباشند. شبکه عصبی ابتدا ارتباط بین ورودی- خروجی را از یک دسته آموزشی که به شبکه داده میشود، فرا می گیرد. آموزش با اصلاح کردن پارامترهای شبکه (وزنهای ارتباطی و مقدار آستانه) صورت میگیرد. در حالت کلی دونوع آموزش برای شبکه وجود دارد :
- آموزش نظارت شده7
- آموزش بدون سرپرست8
در این تحقیق، ما از آموزش نظارت شده استفاده می کنیم. در آموزش نظارت شده هر دو گروه ورودیها و خروجی ها مهیا میشوند تا سیستم را وادار سازند که وزنها را بهنگام سازد. این عملیات آنقدر ادامه می یابد تا وزنها بطور پیاپی تنظیم گردند.[3]
در این تحقیق، با توجه به سابقه کارهای انجام شده در این زمینه، یک سری از عوامل موثر بر ناهمواری راه که ترکیبی از عوامل فیزیکی راه، آب و هوایی و ترافیکی میباشد، انتخاب شدند. ورودیهای شبکه عبارتند از : عمر روسازی، میانگین سالانه ترافیک روزانه((AADT ، میانگین سالانه ترافیک روزانه کامیونها (AADT-TRUCK)، شاخص یخ زدگی((FI، تعداد روزهای سرد با دمای زیر صفر درجه سلسیوس، تعداد روزهای گرم با دمای بالای
32°C، ضخامت لایه آسفالتی و ضخامت اساس روسازی. جهت استخراج اطلاعات مورد نیاز از بانک اطلاعات 9LTPP و جهت پردازش آنها از نرم افزار MATLAB استفاده شده است. بنابراین تعداد نرون های لایه ورودی، هشت عدد و با توجه به اینکه خروجی شبکه ناهمواری راه می باشد، تعداد نرونهای لایه خروجی شبکه، یک نرون میباشد. برای آموزش شبکه نتایج 366 داده که در واقع دوسوم از کل دادههای استخراج شده از بانک اطلاعات LTPPمیباشد، استفاده می شود.
ساختار شبکه
در تحقیق انجام شده از شبکه پرسپترون چندین لایه پیشرونده استفاده شده است. شبکههای پیشرونده دارای حداقل یک لایه ورودی و یک لایه خروجی و یک یا چندین لایه پنهان هستند. در این شبکهها نرونها در لایههای موازی قرار گرفته و بین گرههای یک لایه هیچگونه اتصالی وجود ندارد.
نرونهای هر لایه فقط به نرون های لایههای دو طرف متصل هستند و ارتباط آنها یک طرفه است. نرونهای هر لایه فقط به نرون های لایه بعد از خود سیگنال میفرستند.[3]
مهمترین چالش این قسمت، تعداد لایه های پنهان و تعداد نرون های هر لایه پنهان برای دستیابی به کمترین خطای بهینه میباشد. محققین زیادی درباره این موضوع مطالعه کرده اند Sen and Andrew,1994) و Bailey and Thompson,1990 وLefteri and Robert,1997 و Meier .(and Tutumluer,1998 نتایج این تحقیقات نشان داده است که یک لایه پنهان با تعداد نرون کافی، قادر به ارائه بهترین پیش بینی می باشد.[5]
البته در این تحقیق به این نتایج بسنده نشده و شبکه با تعداد لایه های پنهان بیشتر نیز ساخته شده است.
آموزش شبکه
آموزش شبکه فرایندی است که طی آن پارامترهای شبکه (وزنهای ارتباطی و مقدار آستانه) تغییر میکنند تا خطای شبکه (10RMSE) مینیمم شود.
برای آموزش شبکه از الگوریتم پس انتشار11 خطا که برای ساخت مدل های تخمین گر توصیه شده است[4]، استفاده می شود. در این شبکه برایتحریک لایه ها از تابع انتقال تانژانت سیگمویید و همچنین از تکنیک بهینه سازی لونبرگ- مارکوات12 با توجه به سرعت بالای همگرایی آن به جواب نهائی وتوصیه راهنمای نرم افزار، برای آموزش شبکه استفاده شده است.
نتایج آموزش برای مدل های مختلف شبکه عصبی- مصنوعی در جدول (1) آمده است. N نشاندهنده تعداد نرون ها در لایه پنهان است. عملکرد شبکه به کمک ریشه میانگین مربعات خطا ها که RMSE نام دارد ارزیابی می شود. مقدار RMSE از فرمول زیر قابل محاسبه است.
(1)که در آن:
=مقدار مشاهده شده
=مقدارتخمین زده شده
n=اندازه نمونه
نتایج نشان میدهند که با استفاده از الگوریتم لونبرگ- مارکوات آموزش شبکه با استفاده از 5، 6 و 7 نرون و یک لایه پنهان به خوبی امکانپذیر است و استفاده از این الگوریتم قابلیت آموزش شبکه را با تعداد نرونهای مختلف در لایه پنهان فراهم میآورد که از مزایای مهم این تکنیک است. البته استفاده از 6 نرون روند کاهش خطا سریعتر و در نتیجه زمان آموزش کمتر است بنابراین از 6 نرون در لایه پنهان استفاده شده است[6]، نیز مطابقت دارد. نتیجه آموزش شبکه با استفاده از6 نرون در یک لایه پنهان در شکل (2) نشان داده شده است. همانطور که از نمودار شکل (2) مشاهده می شود، شبیهسازی شبکه با داده هایی که شبکه با آنها آموزش دیده به خوبی صورت گرفته است .(R2=0.9992)
جدول - 1 خلاصه مدلهای مختلف شبکه عصبی- مصنوعی
آزمایش شبکه
پس از کامل شدن مرحله آموزش، شبکه برای یک دسته از اطلاعات معلوم امتحان می شود. در این مرحله یک سوم از کل داده ها، یعنی 182 داده استخراج شده از بانک اطلاعات LTPP استفاده می شود. اگر با استفاده از این داده ها، شبکه برتر ما جواب مناسب را ارائه کرد، کار پایان پذیرفته تلقی می شود و در غیر این صورت باید دست به تغییر ساختار شبکه بزنیم. نتایج آزمایش شبکه در شکل (3) نشان داده شده است.
نمودار شکل (3) نشان میدهد که هرچه نتایج به خط y=x نزدیکتر باشند، نشاندهنده تطبیق بهتر خروجی های شبکه با مقادیر واقعی می باشد. با ترسیم خط رگرسیون داده ها، شیب خط رگرسیون برابر با 1/002 بدست می آید که بسیار نزدیک به یک است، ضریب رگرسیون R2 برابر 0/9998حاصل می شود.
تحلیل رگرسیون خطی داده ها
با استفاده از نرمافزار SPSS، آنالیز رگرسیون خطی انجام میدهیم. متغیر وابسته IRI و سایر متغیرهای معرفی شده در قسمتهای قبلی، بعنوان متغیر مستقل به نرمافزار معرفی میشود. در ابتدا با توجه به جدول (2) دیده می شود که دو متغیر تعداد روزهای گرم با دمای بالای (DAYA32) 32°C وضخامت لایه آسفالتی((SL همبستگی خوبی با IRI ندارند پس در مرحله اول این دو متغیر را از جریان تحلیل خارج می کنیم.
جدول -2 ماتریس همبستگی بین متغیرهای اولیه مربوط به کل مقاطع
