Yapay zeka yöntemleriyle üstyapı performans tahmini

Abstract

Karayolları ağları, ülkemizde aktif olarak kullanılan en çok tercih edilen temel ulaşım yöntemlerinden biridir. Bu yüzden yol ağlarının güvenliği ve konforu sağlaması zorunludur. Güvenliği ve sürüş konforunu sağlayan temel unsur karayolu üstyapısıdır. Artan araç sayısına bağlı olarak karayolu ihtiyacının planlanması, mevcut karayollarının hizmet kabiliyetini koruyabilmesi ve bakım onarımının yapılabilmesi için üstyapı yönetim sistemi kullanılması zorunlu hale gelmektedir. Karayolu Üstyapı Yönetim Sisteminden tam anlamıyla yararlanabilmek için, karayolları ağının geleceği hakkında güvenilir ve doğru tahminler yapması beklenmektedir. Üstyapı Yönetim Sisteminin kurulmasında en önemli ve bir o kadar da zor olan kısım, mevcut üstyapı performansının belirlenmesidir. Üstyapı performansını, yüzey bozulmaları, deformasyonlar ve düzgünsüzlük gibi özellikler belirlemektedir. Bu özelliklerin doğru tahmini kısıtlı kaynakların optimize edilmesini ve mevcut bütçeyle yapılacak yatırımların belirlenmesi noktasında büyük önem arz etmektedir. Herhangi istenmeyen bir durumla karşılaşılmadan zamanında müdahale edilmesi mümkündür. Teknoloji çağıyla birlikte yapay zeka uygulama alanları her alanda gelişme gösterdiği gibi karayolu üstyapı konusunda da yapılan çalışmalar vardır ve devam etmektedir. Genellikle tahmin ve sınıflandırma yapan birçok makine öğrenimine dayalı uygulamalar bulunmaktadır. Bu uygulamalarda veri ön işleme, regresyon, sınıflandırma, gruplandırma, özellik seçimi gibi işlemler yapılabilmektedir. İşlemler için gerekli kütüphanelere açık kaynak olarak kolaylıkla erişilebilmektedir. Üstyapı performans değerlemelerini bu uygulamalar ve ilgili kütüphanelerle yapmak/geliştirmek mümkündür.Bu çalışma ile üstyapı yönetim sistemi için makine öğrenim teknikleri kullanılmıştır. Üstyapı performans modelleri geliştirilmiştir. Modellere girdi olarak, üzerinde araştırma yapılan yollardaki bozulmalara sebep olan etkenler seçilmiştir. Bu etkenler, trafik ve iklim verileri, üstyapı kalınlığı gibi parametrelerdir. Üstyapı performansına etki eden bu verilerin korelasyon matrisi ile birbirleri ile olan ilişkisi araştırılmıştır. Üstyapı düzgünsüzlük değeri tüm dünyada standart haline getirilmesi için adı `Uluslararası Düzgünsüzlük İndeksi (IRI- International Roughness Index)` olarak tanımlanmaktadır. Performans göstergesi olan IRI değişkeninin bozulmaya etki eden değişkenlerden hangisiyle daha yakından ilişkili olduğu korelasyon katsayısına bakılarak ortaya çıkarılmıştır. Bunun için uluslararası düzgünsüzlük indeksinin (IRI) verilerinden yararlanılmıştır. Weka ve MATLAB programları kullanılarak veriler analiz edilmiştir. Düzgünsüzlük değeri olan IRI değerinin tahmini için regresyon analizi, yapay sinir ağları ve sınıflandırma yöntemlerinden olan karar ağaçları kullanılarak üstyapı performans tahmin modelleri geliştirilmiştir. Oluşturulan modellerin çıktı değeri olan IRI değeri gerçek değerlerle kıyaslanıp yakın sonuçlar elde edilmiştir.

Especially in recent years, to determine the variables that can make the performance of the General Directorate of Highways in road networks more efficient and to determine the effect of artificial intelligence models to be created by using these variables on the performance estimation.In the study, the factors causing the deterioration of the researched roads were examined. Based on artificial intelligence models, the main causes of deterioration are investigated and the relationship between IRI data and climate data, which is one of the components that affect performance, with deterioration. In this way, it will be possible to find out which variables that are indicators of performance are more closely related to the variables affecting the deterioration. At the same time, showing the effect of deterioration estimation on the budget with the help of the models to be created is another aim of the research.In this study, the data of the international roughness index (IRI), which is used as a performance indicator, were collected and evaluated, and prediction models were developed using these data. It is aimed to help the models to be created by making use of artificial intelligence methods to help determine when the deteriorations will occur, and how the maintenance and repair works should be done.