مدل‌سازی زوال
مدل‌سازی زوال (به انگلیسی: Deterioration modeling) فرایند مدل‌سازی و پیش‌بینی شرایط فیزیکی سازه ها یا زیرساخت ها است. وضعیت زیرساختها یا با استفاده از یک شاخص شرایط یا احتمال گسیختگی نشان داده می‌شود.[۱] نمونه‌هایی از چنین شاخص‌های عملکردی عبارتند از شاخص وضعیت روسازی برای جاده‌ها یا شاخص وضعیت پل برای پل‌ها. برای محاسبه احتمال گسیختگی، که موضوع تئوری قابلیت اطمینان است، از احتمال گسیختگی یا شاخص قابلیت اطمینان استفاده می‌شود.[۲][۳] مدلهای زوال در مدیریت دارایی زیرساختها از اهمیت بالایی برخوردارند و پایه ای برای تصمیم‌گیری در مورد نگهداری و بهسازی هستند.[۴][۵] معمولاً شرایط اکثر زیرساخت‌های فیزیکی با گذشت زمان بدتر می‌شود. یک مدل زوال می‌تواند به تصمیم گیرندگان کمک کند تا بفهمند که شاخص عملکرد چگونه افت می‌کند یا چه زمانی آستانه خاصی را نقض می‌کند.[۶]
یک مدل شناخته شده برای نشان دادن احتمال گسیختگی یک زیرساخت منحنی وان حمام نامیده می‌شود. این منحنی از سه مرحله اصلی ساخته شده‌است: گسیختگی نارس، گسیختگی مداوم و گسیختگی فرسودگی. در مدیریت دارایی زیرساختها حالت غالب زوال به دلیل پیری، ترافیک و ویژگی‌های اقلیمی است؛ بنابراین، گسیختگی ناشی از فرسودگی معمولاً بیشترین نگرانی را دارد.[۱][۷]
انواع مدلهای زوال
ویرایش
مدلهای زوال یا قطعی هستند یا احتمالی. مدلهای قطعی نمی‌توانند احتمالات را در نظر بگیرند. مدلهای احتمالی می‌توانند نه فقط شرایط آینده بلکه احتمال وقوع آن شرایط خاص را پیش‌بینی کنند.[۸]
مدلهای قطعی
ویرایشمدلهای قطعی معمولاً ساده‌تر و قابل فهم‌تر هستند، اما نمی‌توانند احتمالات را در بیان کنند. منحنی‌های زوال که معمولاً تنها بر اساس سن ساخته می‌شوند، نمونه‌ای از مدلهای زوال قطعی هستند. به‌طور سنتی، اکثر مدلهای مکانیستی و مکانیکی-تجربی با استفاده از رویکردهای قطعی ساخته می‌شوند، اما اخیراً محققان و مهندسان به مدلهای احتمالی علاقه‌مند شده‌اند.
مدلهای احتمالی
ویرایشنمونههایی از مدلهای زوال احتمالی آنهایی هستند که براساس تئوری قابلیت اطمینان، زنجیره مارکوف و یادگیری ماشین ساخته شده‌اند.[۸][۹] برخلاف مدلهای قطعی، یک مدل احتمالی می‌تواند احتمال را در بر بگیرد. به عنوان مثال، می‌تواند بگوید که طی پنج سال یک جاده در وضعیت ضعیف قرار خواهد گرفت و احتمال آن ۷۵٪ است و ۲۵٪ احتمال وجود دارد که در یک وضعیت قابل قبول بماند. چنین احتمالی برای توسعه مدلهای ارزیابی ریسک بسیار مهم است.[۳] اگر به جای عدد حالت یا کلاسی از عملکرد مورد نظر باشد، می‌توان از مدلهای مارکوف و الگوریتم‌های طبقه‌بندی آماری استفاده کرد. اما اگر تصمیم گیرندگان به مقدار عددی شاخص‌های عملکرد علاقه‌مند باشند، باید از الگوریتم‌های یادگیری رگرسیونی استفاده کنند. یک محدودیت مدلهای مارکوف این است که آنها نمی‌توانند تاریخچه بهسازی را در نظر بگیرند،[۳][۹] مدلهای بدتر شدن براساس یادگیری ماشین این محدودیت را ندارند. علاوه بر این، آنها می‌توانند متغیرهای دیگری مانند متغیرهای اقلیمی و ترافیک را به عنوان ورودی را بگیرند.[۱]
منابع
ویرایش- ↑ ۱٫۰ ۱٫۱ ۱٫۲ "Piryonesi, S. M. (2019). The Application of Data Analytics to Asset Management: Deterioration and Climate Change Adaptation in Ontario Roads (Doctoral dissertation)".
{{cite web}}: نگهداری CS1: url-status (link) - ↑ Melchers, R. E. (2002), “Structural Reliability Analysis and Prediction,” 2nd Ed. , John Wiley, Chichester, UK.
- ↑ ۳٫۰ ۳٫۱ ۳٫۲ Piryonesi, Sayed Madeh; Tavakolan, Mehdi (9 January 2017). "A mathematical programming model for solving cost-safety optimization (CSO) problems in the maintenance of structures". KSCE Journal of Civil Engineering. 21 (6): 2226–2234. doi:10.1007/s12205-017-0531-z.
- ↑ Piryonesi, S. M.; El-Diraby, T. E. (2020) [Published online: December 21, 2019]. "Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index". Journal of Infrastructure Systems. 26 (1). doi:10.1061/(ASCE)IS.1943-555X.0000512.
{{cite journal}}: نگهداری CS1: url-status (link) - ↑ "The IAM (Institute of Asset Management): Asset Management - an Anatomy".
{{cite web}}: نگهداری CS1: url-status (link) - ↑ «"El-Diraby, T. E. , Kinawy, S. , & Piryonesi, S. M. (2017). A Comprehensive Review of Approaches Used by Ontario Municipalities to Develop Road Asset Management Plans (No. 17-00281)"». بایگانی‌شده از اصلی در ۱۲ ژوئن ۲۰۱۸. دریافت‌شده در ۱ ژانویه ۲۰۲۰.
- ↑ Ens, A. (2012). Development of a flexible framework for deterioration modelling in infrastructure asset management.
- ↑ ۸٫۰ ۸٫۱ Piryonesi, S. M.; El-Diraby, T. (2018). "Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index:[summary report]". United States. Federal Highway Administration. Office of Research, Development, and Technology. FHWA-HRT-18-065. Archived from the original on 2 February 2019 – via National Transportation Library Repository & Open Science Access Portal.
- ↑ ۹٫۰ ۹٫۱ Ford, K. , Arman, M. , Labi, S. , Sinha, K.C. , Thompson, P.D. , Shirole, A.M. , and Li, Z. 2012. NCHRP Report 713: Estimating life expectancies of highway assets. In Transportation Research Board, National Academy of Sciences, Washington, DC. Transportation Research Board, Washington DC.