Resumen de Deep neural networks for sensitivity assessment of design variables on the structural design parameters of flexible pavements for low-traffic volume roads

Brayan Velasquez, María José Páez Arenas, Allex Eduardo Álvarez Lugo, Vladimir E. Merchan Jaimes, Carlos Augusto Fajardo Ariza, Gustavo Chio Cho

• español

  Resumen: El objetivo de este estudio es implementar redes neuronales profundas (RNPs) para evaluar la sensibilidad de parámetros de diseño en pavimentos flexibles de carreteras con bajo volumen de tráfico. Ciento ocho estructuras fueron modeladas utilizando el programa Pitra Pave® (modelo de teoría elástica multicapa (TEM) para análisis estructural de pavimentos) para generar la base de datos requerida para desarrollar las RNPs. Estas redes, a través de pesos de conexión, permitieron la comparación con TEM para evaluar la sensibilidad de las variables de diseño (módulo resiliente y espesor de capa) sobre los parámetros de diseño estructural. Los resultados sugieren el impacto significativo de los espesores de capa. Adicionalmente, las predicciones de los parámetros de diseño estructural obtenidos mediante las RNPs variaron entre 0,03% y 10,87% respecto a TEM. Para futuras investigaciones, se sugiere ampliar la base de datos y desarrollar una red multi-predictiva.

• English

  This study aims to implement deep neural networks (DNNs) to assess the sensitivity level of design parameters in flexible pavements for roads with low traffic volume. One hundred eight structures were modeled using the Pitra Pave® software (i.e., multilayer elastic theory (MET) model for pavement structural analysis) to generate a database to develop the DNN models. The DNN models, through connection weights, allowed the comparison with MET to evaluate the sensitivity of the selected design variables (resilient modulus and layer thickness) on the structural design parameters. The results suggest the significant impact of layer thicknesses. In addition, the predictions of structural design parameters from these initial DNN models showed variations ranging from 0,03% to 10,87% compared to MET. Expanding the database and developing a multi-predictive network is recommended for future research.