Backcalculation of mechanical properties of flexible pavements using neural networks

Esnek üstyapılarda mekanik özelliklerin yapay sinir ağları kullanılarak geri hesaplanması

Abstract

Performance evaluation of flexible pavements is usually performed using nondestructive testing methods. Basic advantage of nondestructive testing methods is that it’s possible to obtain pavement performance data by these methods without resulting any damage to the pavement system. Of all nondestructive testing methods, Falling Weight Deflectometer (FWD) is the most popular technique. Falling Weight Deflectometer, measures time-domain deflections from numerous road sections emerging by the applied impulse load. The common way for the evaluation of FWD results is to backcalculate the mechanical properties with the help of backcalculation software. However, these software utilize parameter identification routines, which are quite time consuming and computationally expensive. Under the way of this, in this study, a neural network model was developed to backcalculate mechanical properties of flexible pavement layers in order to shorten the processing time. For the development of optimal neural network model, the effects of network’s architecture and learning parameters were comprehensively examined. The results indicated that, both network’s architecture and learning parameters significantly affect the neural network’s performance. Consequently, the accuracy of developed neural network model is successful and the model enables real-time backcalculation opportunity that is crucial for highway engineers working on pavement evaluation studies and developing pavement maintenance strategies.

Özet

Esnek üstyapıların performans değerlendirmesi için, genel olarak tahribatsız deney metotları tercih edilmektedir. Tahribatsız deney metotları içerisinde en çok tercih edilen, Düşen Ağırlık Deflektometresi (FWD) yöntemidir. Bu yöntem ile, yol üzerindeki çok sayıda yerde, uygulanan yük sebebi ile meydana gelen zamana bağlı defleksiyon değerleri kaydedilir. Uygulamada, FWD deneyi ile elde edilen defleksiyon değerleri ve geri-hesaplama programları kullanılarak, üstyapı tabakalarına ait mekanik özellikler hesaplanır. Fakat, bu programlar, parametre tanımlama algoritmaları kullanmakta ve bu da zaman kaybına neden olmaktadır. Bu çalışmada, FWD testinden elde edilen defleksiyonları kullanarak, esnek üstyapı tabakalarındaki mekanik özellikleri yapay sinir ağları ile geri-hesaplayan bir model geliştirilmiştir. Sonuçlar, modelin hassasiyetinin son derece yüksek olduğunu ve gerçek-zamanlı geri-hesaplama yapılabilmeye olanak sağladığını göstermiştir.