Сайт журнала "Промышленное и гражданское строительство

ПРОЕКТИРОВАНИЕ И СТРОИТЕЛЬСТВО ДОРОГ, АЭРОДРОМОВ, МОСТОВ
Прогнозирование эксплуатационного состояния автомобильных дорог на основе искусственных нейронных сетей
УДК 620.179.18
doi: 10.33622/0869-7019.2026.05.88-95
Артем Николаевич ТИРАТУРЯН, доктор технических наук, доцент, профессор кафедры, tiraturjan@list.ru
Донской государственный технический университет, 344000 Ростов-на-Дону, пл. Гагарина, 1
Аннотация. Цель данной работы - прогнозирование основных эксплуатационных показателей (продольная ровность покрытия, средний балл по визуальной оценке состояния покрытия, общий модуль упругости) состояния автомобильных дорог с высокой интенсивностью движения на основе искусственных нейронных сетей. Для обучения нейронной сети использовались данные, полученные в ходе измерений на различных участках автомобильных дорог. Для измерения эксплуатационных характеристик применялась мобильная диагностическая лаборатория "Трасса" и установка ударного нагружения FWD PRIMAX 1500. На основе полученной экспериментальной выборки были обучены искусственные нейронные сети по типу многослойного персептрона и нейронные сети на основе радиально-базисных функций. Установлено, что нейронная сеть на основе радиально-базисных функций с архитектурой RBF 8-24-3 обеспечивает наилучшую точность и надежность прогнозирования. С применением данной нейронной сети выполнено прогнозирование основных эксплуатационных показателей состояния автодорог с высокой интенсивностью движения и дорожной одеждой с укрепленными и неукрепленными слоями основания. Показаны различия в характере изменения основных эксплуатационных характеристик автомобильных дорог и сделан вывод о возможных направлениях совершенствования представленного в статье подхода.
Ключевые слова: искусственная нейронная сеть, автомобильная дорога, машинное обучение, эксплуатационные показатели, прогнозирование, продольная ровность покрытия
СПИСОК ИСТОЧНИКОВ 1. Koh Y. et al. Performance prediction models for flexible and rigid pavements - state-of-the-practice review for implementation in North America [Модели прогнозирования характеристик нежестких и жестких дорожных покрытий - обзор современных практик для внедрения в Северной Америке]. International Journal of Pavement Engineering, 2025, vol. 26, no. 1, p. 2513454. 2. Тиратурян А. Н. Оценка повреждаемости дорожных одежд с помощью установки ударного нагружения // Промышленное и гражданское строительство. 2025. № 10. C. 55-61. doi: 10.33622/0869-7019.2025.10.55-61 3. Sun Y. et al. Fatigue damage evolution and life prediction of polyurethane concrete considering loading sequence effects [Эволюция усталостных повреждений и прогнозирование срока службы полиуретанбетона с учетом влияния последовательности нагружения]. Construction and Building Materials, 2025, vol. 497, pp. 143912. 4. Famewo B. G., Shokouhian M. A review of pavement performance deterioration modeling: influencing factors and techniques [Обзор моделирования процесса ухудшения характеристик дорожного покрытия: влияющие факторы и методы]. Symmetry, 2025, vol. 17, no. 11, p. 1992. 5. Chan K. M., Zhou F. Estimation of rutting model parameters from ideal rutting test for texas mechanistic-empirical flexible pavement design system [Оценка параметров модели колейности на основе идеализированного испытания на колесообразование для механико-эмпирической системы проектирования гибких дорожных покрытий Техаса]. Journal of Materials in Civil Engineering, 2025, vol. 37, no. 10, p. 04025359. 6. Бобкин А. А., Тиратурян А. Н. Прогнозирование колееобразования на поверхности дорожных одежд на основе механико-эмпирического метода // Инженерный вестник Дона. 2025. № 4(124). С. 508-516. 7. Dong S. et al. Multi-objective maintenance and rehabilitation decision-making modelling for highway networks: balancing economy, environment, and maintenance benefits [Многокритериальное моделирование принятия решений по техническому обслуживанию и восстановлению автомобильных дорог: баланс экономики, экологии и выгод от содержания]. Transportmetrica A: Transport Science, 2025, p. 2507898. 8. Li J. et al. A streamlined approach for probabilistic pavement life-cycle performance prediction via physics-informed neural networks [Упрощенный подход к вероятностному прогнозированию долгосрочных характеристик дорожного покрытия с использованием нейронных сетей, учитывающих физические принципы]. Computer-Aided Civil and Infrastructure Engineering, 2025, vol. 40, no. 28, pp. 5136-5152. 9. Kou B. et al. Rutting prediction model of asphalt pavement based on RIOHTrack full-scale ring road [Модель прогнозирования колейности асфальтобетонного дорожного покрытия на основе данных полномасштабной кольцевой дороги RIOHTrack]. Measurement, 2025, vol. 242, p. 115915. 10. Topilin I. V., Han M., Feofilova A.A., Beskopylny N. A. Comparative analysis of neural network and machine learning models for short-term traffic flow prediction on shenzhen expressway [Сравнительный анализ нейросетевой и машинной моделей для краткосрочного прогнозирования транспортного потока на скоростной автомагистрали Мэйгуан Шэньчжэня]. Advanced Engineering Research (Rostov-on-Don), 2025, no. 25(4), pp. 350-362. 11. Babushkina N. E., Lyapin A. A. Solving the problem of determining the mechanical properties of road structure materials using neural network technologies [Решение проблемы определения механических свойств материалов дорожных конструкций с использованием технологий нейронных сетей]. Ibid, 2022, vol. 22, no. 3, pp. 285-292. 12. Obukhov A. D., Teselkin D. V. Reconstructing a full-body model from a limited set of upper-limb motion data [Восстановление полной модели тела на основе ограниченного набора данных о движении]. Ibid, 2025, vol. 25, no. 3, pp. 221-232. 13. Резванов В. К., Ромакина О. М., Зайцева Е. В. Прогнозирование сроков доставки товаров в цепях поставок с использованием методов машинного обучения // Advanced Engineering Research (Rostov-on-Don). 2025. Т. 25. № 2. С. 120-128. 14. Елшами М. М. М., Тиратурян А. Н., Углова Е. В. Управление жизненным циклом автомобильных дорог на этапе эксплуатации на основе алгоритмов искусственных нейронных сетей // Инженерный вестник Дона. 2022. № 8(92). С. 282-292. 15. Elshamy M. M. M. et al. Evaluation of pavement condition deterioration using artificial intelligence models [Оценка ухудшения состояния дорожного покрытия с использованием моделей искусственного интеллекта]. Advanced Engineering Research (Rostov-on-Don), 2022, vol. 22, no. 3, pp. 272-284. 16. Elshamy M. M. M., Tiraturyan A. N. Using application of an artificial neural network system to backcalculate pavement elastic modulus [Применение системы искусственной нейронной сети для обратного расчета модуля упругости дорожного покрытия]. Russian Journal of Building Construction and Architecture, 2020, no. 2, pp. 84-93. 17. Zhang T. et al. LSTM+ MA: A time-series model for predicting pavement IRI [LSTM + MA: Временная модель для прогнозирования индекса неровности дорожного покрытия (IRI)]. Infrastructures, 2025, vol. 10, no. 1, pp. 10. 18. Ahmed T., Isied M., Souliman M. I. Leveraging physics with deep learning: physics-informed neural networks (PINN) for IRI prediction in flexible pavements [Использование физических принципов в глубоком обучении: физико-информированные нейронные сети (Physics-Informed Neural Networks, PINN) для прогнозирования индекса ровности (IRI) в гибких дорожных покрытиях]. Canadian Journal of Civil Engineering, 2025, vol. 52, no. 10, pp. 1885-1899. 19. Li J., Zhang S., Wang X. Physics-informed neural network with fuzzy partial differential equation for pavement performance prediction [Физико-информированная нейронная сеть с нечетким дифференциальным уравнением в частных производных для прогнозирования характеристик дорожного покрытия]. Automation in Construction, 2025, vol. 171, p. 105983.
Для цитирования: Тиратурян А. Н. Прогнозирование эксплуатационного состояния автомобильных дорог на основе искусственных нейронных сетей // Промышленное и гражданское строительство. 2026. № 5. С. 88-95. doi: 10.33622/0869-7019.2026.05.88-95