تطوير نموذج تنبؤي قائم على الذكاء الاصطناعي للأرصفة المرنة واستجابتها لتغيّر المناخ في المناطق الجافة وشبه الجافة
DOI:
https://doi.org/10.63359/wneskv24الكلمات المفتاحية:
نماذج التوقع، الذكاء الاصطناعي، العنتاصر المناخيةالملخص
تغيّر المناخ يفرض مخاطر كبيرة على أداء الأرصفة، خصوصًا في المناطق الجافة وشبه الجافة حيث تؤدي درجات الحرارة القصوى، وتفاوت معدلات الأمطار، وأحمال المرور الثقيلة إلى تسريع التدهور. النماذج التقليدية مثل إطار الأداء طويل الأمد للأرصفة (LTPP) غالبًا ما تعتمد على قواعد بيانات متمركزة في الولايات المتحدة وافتراضات ميكانيكية-إمبريقية قد لا تعكس بدقة الظروف المحلية في مناطق مثل ليبيا. لمعالجة هذه الفجوة، قمنا بتطوير أداة التنبؤ بعمر الأرصفة (PLPT)، وهي نظام دعم قرار قائم على الذكاء الاصطناعي صُمّم لتصنيف مستويات مخاطر فشل الأرصفة المرنة (منخفضة، متوسطة، عالية) باستخدام متغيرات مناخية وبنيوية تشمل عمر الطريق، معدل الأمطار، حجم المرور، نوع التربة، خليط الأسفلت، ودرجة الحرارة القصوى. يعتمد النموذج على تقنيات التعلم الآلي الموجّه، تحديدًا مصنّف شجرة القرار والانحدار اللوجستي، للتنبؤ بانخفاض مؤشر حالة الأرصفة (PCI) خلال أفق زمني يتراوح بين 5–30 سنة دون صيانة. أظهرت النتائج أداءً ثابتًا في التصنيف عبر كلا الخوارزميتين، حيث برزت خصائص التربة، حجم المرور، ودرجة الحرارة القصوى كعوامل رئيسية للتنبؤ بعمر الأرصفة. تتماشى هذه النتائج مع دراسات حديثة تؤكد موثوقية الأساليب المعتمدة على الذكاء الاصطناعي في نمذجة حالة الأرصفة وأهمية استراتيجيات التكيّف الحساسة للمناخ في تخطيط البنية التحتية. ومن خلال توطين النمذجة التنبؤية في السياق المناخي لليبيا، تقدّم أداة PLPT لصنّاع القرار والسلطات المعنية بالنقل وسيلة عملية للتنبؤ بمخاطر التدهور، تحسين جداول الصيانة، وتعزيز مرونة شبكات الطرق في مواجهة تقلبات المناخ.
المراجع
Al-Mukhtar, H. (2010). Mathematical models for pavement temperature prediction in Libya. University of Tripoli.
Amhadi, T. S., & Assaf, G. J. (2019). Improvement of pavement subgrade by adding cement and fly ash to natural desert sand. Construction and Building Materials, 215, 437–445. https://doi.org/10.1016/j.conbuildmat.2019.04.145
Awidat, H. A., Matic, B., & Uzelac, D. (2017). Temperature zoning of Libyan desert for asphalt mix design. International Journal of Pavement Engineering, 18(6), 523–532. https://doi.org/10.1080/10298436.2015.1121770
Chen, X., Zhang, Z., & Wang, Y. (2019). Local calibration of mechanistic–empirical pavement performance models considering climate and traffic conditions. Transportation Research Part D: Transport and Environment, 67, 1–12. https://doi.org/10.1016/j.trd.2018.10.012
Gopalakrishnan, K. (2020). Applications of artificial intelligence and machine learning in pavement engineering: A state-of-the-art review. Journal of Transportation Engineering, Part B: Pavements, 146(2), 03120001. https://doi.org/10.1061/JPEODX.0000178
Gulen, S., Zhu, K., & Weaver, J. (2001). Development of improved pavement performance prediction models for Indiana. Journal of Transportation Engineering, 127(5), 364–372.
Haider, H. S., & Ahmed, L. A. (2018). Subgrade soil properties and their impact on asphalt road performance. Journal of Materials in Civil Engineering, 30(9), 04018205.
Mallick, R. B., Radzicki, M., Zaumanis, M., & Frank, R. (2014). Use of system dynamics for proper conservation and recycling of aggregates for sustainable road construction. Transportation Research Record, 2409(1), 1–10. https://doi.org/10.3141/2409-01
Piryonesi, S. M., & El-Diraby, T. E. (2021). Data analytics in asset management: Cost-effective prediction of the pavement condition index. Journal of Infrastructure Systems, 27(1), 04020049. https://doi.org/10.1061/(ASCE)IS.1943-555X.0000586
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 المجلة الليبية لعلوم وتكنولوجيا البيئة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial 4.0 International License.
