استفاده از سیستم الگوریتم اجتماع ذرات (PSO ) جهت بهینه سازی هزینه طرح ضخامت روسازی راه ها و مقایسه ان با روش شل

محورهای موضوعی : یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکی

منصور توحیدی ¹ , نوید خیاط ² , عبدالرسول تلوری ³

1 - گروه عمران، دانشکده فنی، دانشگاه آزاد اسلامی واحد اهواز، اهواز، ایران
2 - گروه عمران ، دانشکده فنی، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران
3 - گروه عمران، دانشکده فنی، دانشگاه آزاد اسلامی واحد اهواز، اهواز، ایران

تاریخ دریافت : 1401/01/05 تاریخ پذیرش : 1401/03/29 تاریخ انتشار : 1401/03/01

کلید واژه: روش طراحی روسازی شل, روش طراحی روسازی آشتو, روسازی آسفالتی, طراحی روسازی بهینه,

چکیده مقاله :

از آن جایی که هزینه روسازی راه ها بخش بزرگی ازمنابع مالی هزینه اجرا را به خود اختصاص می دهد، لذا یافتن مناسب ترین طرح ضخامت روسازی با حداقل هزینه یکی از دغدغه های مهندسین طراح می باشد. استفاده از الگوریتم های جستجوی هوشمند بعنوان یکی از راهکارهای موثر در یافتن طرح بهینه می تواند مطرح باشد . تحقیق حاضر با هدف بررسی کارائی تکنیک الگوریتم هوشمند اجتماع ذرات PSO در طرح ضخامت روسازی به روش اشتو و تعیین هزینه بهینه اقتصادی و عملکرد این الگوریتم را نسبت به روش شل مورد مقایسه قرار می دهد. به این منظور نرم افزارلازم برای پیاده سازی این الگوریتم جهت حل مسئله طراحی روسازی انجام و مدل شبیه سازی-بهینه سازی لازم توسعه داده شد. ، در ادامه با ذکر یک مثال با استفاده از 3 ترکیب از مصالح با مدول الاستیسیته متفاوت و قیود مختلف هزینه بهینه طرح ضخامت روسازی با استفاده از الگوریتم PSO و روش شل محاسبه و با یکدیگر مقایسه گردید . .نتایج نشان داد روش الگوریتم PSO توسعه یافته هزینه ها را در حالت با قید محدودیت ضخامت اساس و زیر اساس در روش شل برای ترکیبات سه گانه بین 0.5% تا 14% و در حالت بدون قید محدودیت ضخامت بین 2.9% تا 20.6% و در حالت بدون قید محدودیت ضخامت و استفاده از اساس سیمانی در طرح ضخامت روسازی بین 17.4% تا30.6% نسبت به روش شل کاهش می دهد.

منابع و مأخذ:

 

[1] AASHTO (American Association of State Highway and Transportation Officials). (1993). AASHTO Guide for Design of Pavement Structures. AASHTO, Washington, DC, USA.

[2] Pryke, A., Evdorides, H., Ermaileh, R. A. (2006). “Optimization of pavement design using a genetic algorithm.” 2006 IEEE International Conference on Evolutionary Computation, IEEE, Vancouver, BC, Canada, pp. 1095–1098.

 [3] Pereira, P., Pais, J. (2017). Main flexible pavement and mix design methods in Europe and challenges for the development of an European method., Journal of Traffic and Transportation Engineering (English Edition). 4(4), pp. 316-346..

[4] Ghanizadeh, A.R., Fakhri, M. (2009). A Mixed-integer Programming Model to Determine the Optimum Design of Flexible Pavement Structure.” Australian Journal of Basic and Applied Sciences, 3(3), pp. 1652–1660.

[5] Chang, T. H. (2009). Software Development for Flexible Pavement Thickness Design Based on AASTHO and Road Note 31, Ph.D. Thesis, Universiti Teknologi, Johor, Malaysia.

[6] Purvis, J. (2013). Sensitivity analysis of pavement thickness design software for local roads in Iowa.  MS (Master of Science) thesis, University of Iowa.

[7] Fadi M. J., Richard Kim Y., (2012) Calibrating Mechanistic–Empirical Pavement Design Guide for North Carolina Genetic Algorithm and Generalized Reduced Gradient Optimization Methods, Transportation Research Record: Journal of the Transportation Research Board, No. 2305, Transportation Research Board of the National Academies, Washington, D.C., pp. 131–140.

[8] Chang. J-r.(2013)  Particle Swarm Optimization Method for Optimal Prioritization of Pavement Sections for Maintenance and Rehabilitation Activities, Applied Mechanics and Materials. 343, pp. 43-49,

[9] Tayebi, N. R., Moghadas Nejad, F., Mola. M., (2014). Comparison between GA and PSO in Analyzing Pavement Management Activities.” Journal of Transportation Engineering 140(1), pp. 99–104.

[10] Mahmood M. Sh., Mathavan. S, M. Rahman .M. (2016). Pavement Management Maintenance Decision Optimization Using a 2 Novel Discrete Bare-Bones Particle Swarm Algorithm, TRB  Annual Meeting.

[11] Nik, A. A., Nejad, F. M., Zakeri, H. (2016). Hybrid PSO and GA approach foroptimizing surveyed asphalt pavement inspection units in massive network. Automation in Construction, 71(2), pp. 325–345.

[12] Ahmed, K., Al-Khateeb, B., Mahmood, M. (2018). A chaos with discrete multi-objective particle swarm optimization for pavement maintenance. Journal of Theoretical and Applied Information Technology, 96(8), pp. 2317–2326.

[13] Li, S. T., Zhang, B., Xu, S. J., Zhong, Y. H. (2019). Back-analysis of Pavement Thickness Based on PSO-GA Hybrid Algorithms. IOP Conference Series: Earth and Environmental Science, 252(5).

[14]­ Inti, S., Anjan Kumar, S. (2021). Sustainable road design through multi-objective optimization: A case study in Northeast India. Transportation Research Part D: Transport and Environment, 91, 102594.

 [15] Ahmed, K., Al-Khateeb, B., Mahmood, M. (2019). Application of chaos discrete particle swarm optimization algorithm on pavement maintenance scheduling problem. Cluster Computing, 22, pp. 4647–4657.

[16] Abdi, A., Badiany, M., salehfard, R. (2018). A Comparison of AASHTO and SHELL Methods in Flexible Pavement Design Using ABAQUS Software. Journal of Transportation Research, 15(4), pp. 375-389.

[17] Sabzkouhi,A.M., Haghighi,A., (2016), Uncertainty Analysis of Pipe-Network Hydraulics Using a Many-Objectiv Particle Swarm Optimization, j. Hydraul.Eng., 142, 04016030.

[18] آیین نامه روسازی آسفالتی راه های ایران – نشریه شماره 234، سازمان مدیریت و برنامه ریزی، تهران، ایران.

 [19] Shell International Petroleum Company Limited (1978), Shell Pavement Design Manual, London.