Esnek Yol Kaplamalarında Görülen Bozulmaların Üstyapı Performansı Üzerine Etkileri

Abstract

Esnek üstyapılar, ulaşım altyapısının gerekli bir unsuru olarak kabul edilmiştir. Bu nedenle, esnek üstyapı performansının değerlendirilmesi, ulaşım altyapısının yönetimi için zorunludur. Dünyada üstyapıların yol kullanıcılara sunduğu hizmetin seviyesini betimlemek için Uluslararası Düzgünsüzlük İndeksi (International Roughness Index, IRI) adında bir sayısal parametre geliştirilmiştir. IRI, sadece üstyapı durumunu değil, aynı zamanda yol kullanıcılarının sürüş kalitesini ve konfor seviyesini de dikkate alan bir üstyapı performans göstergesidir. Bu çalışma, IRI ile yorulma çatlağı, blok çatlağı, tekerlek yolu boyuna çatlak, tekerlek yolu dışı boyuna çatlak, enine çatlak uzunluğu, yama alanı, kusma, sökülme, yağış oyulmaları uzunluğu ve tekerlek izi çatlama uzunluğu dahil olmak üzere toplam 22 sayıda üstyapı bozulma veri girdi arasında ilişkileri modellemeye odaklanmaktadır. Modellerin kalibrasyonunda, Uzun Dönemli Üstyapı Performansı (Long Term Pavement Performance, LTPP) kapsamında kayıt altında tutulan veri tabanından yararlanılmıştır. Modelleme çalışmalarında Arizona, Florida, Minnesota, Mississippi, Kuzey Carolina, Oklahoma ve Tennessee dahil olmak üzere Amerika Birleşik Devletleri'nin yedi eyaletine bağlı Genel Üstyapı Çalışmalarını (General Pavement Studies, GPS) kapsayan GPS-1 ve GPS-2 başlıklı veri setleri kullanılmıştır. Özetle çalışmada, LTPP veri setlerine dayalı olarak üstyapı bozulma türlerini kullanarak IRI'yı tahmin edebilen matematik modeller geliştirilmiştir. Bağımlı değişken olarak IRI ve bağımsız değişkenler olarak üstyapı bozulmalarının kullanıldığı çalışmada, modelleme yaklaşımı olarak doğrusal olmayan regresyon analizi, Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (Multivariate Adaptive Regression Splines MARS), ve Yapay Sinir Ağları (YSA) yaklaşımları kullanılmıştır. Geliştirilen modellerde, doğrusal olmayan regresyon analizi, MARS ve YSA teknikleri için sırasıyla 0,516, 0,623 ve 0,684 regresyon değerine (R2) sahip tahmin başarımları elde edilmiştir. Analizler sonucunda geliştirilen modellerin sonuçları, YSA tekniğinin doğrusal olmayan regresyon analizi ve MARS tekniklerine göre çok daha başarılı performans gösterdiği tespit edilmiştir. İstatistik hata analizlerinden kök ortalama kare hatası (KOKH), Nash-Sutcliffe verimlilik katsayısı (NSVK), ortalama mutlak hata (OMH) ve normalleştirilmiş kök ortalama kare hatası (NKOKH) da YSA modelleme tekniğinin daha başarılı performans gösterdiğini desteklenmektedir.Flexible pavements have been recognized as a necessary element of transport infrastructure. Therefore, the evaluation of flexible pavement performance is mandatory for managing transport infrastructure. A numerical parameter named International Roughness Index (IRI) has been developed to describe the level of service provided by pavements to road users in the world. IRI is a pavement performance indicator that considers not only the pavement condition but also the ride quality and comfort level of road users. This study focuses on modeling the relationships between IRI and a total of 22 types of pavement distress, including alligator cracking, block cracking, wheel path longitudinal cracking, non-wheel path longitudinal cracking, transverse cracking, patches area, bleeding area, raveling area, pumping and bleeding, and wheel path length crack. In the calibration of the models, the data recorded under the Long-Term Pavement Performance (LTPP) was used. Data sets titled GPS-1 and GPS-2 covering General Pavement Studies (GPS) from seven states of the United States, including Arizona, Florida, Minnesota, Mississippi, North Carolina, Oklahoma, and Tennessee, were used in modeling. In summary, mathematical models that can predict IRI from pavement distress types based on LTPP datasets have been developed. Nonlinear regression analysis, Multivariate Adaptive Regression Splines (MARS), and Artificial Neural Networks (ANN) approaches were used as modeling approaches in the study, in which IRI was used as the dependent variable and pavement distress was used as the independent variable. In the developed models, estimation performances with 0.516, 0.623, and 0.684 regression coefficients (R2) values were obtained for nonlinear regression analysis, MARS, and ANN techniques, respectively. The analysis results have determined that the ANN technique performs much more successfully than the nonlinear regression analysis and MARS techniques. The Root Mean Square Error (RMSE), Nash-Sutcliffe Coefficient of Efficiency (NSCE), Mean Absolute Error (MAE), and Normalized Root Mean Square Error (NRMSE) from statistical error analyses also supported that the ANN modeling technique performs more successfully.