КОМП’ЮТЕРНІ ТЕХНОЛОГІЇ ВИЗНАЧЕННЯ КЛАСИФІКАЦІЙНОГО ПАРАМЕТРА ЖОРСТКОГО АЕРОДРОМНОГО ПОКРИТТЯ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32782/apcmj.2024.4.10Ключові слова:
комп’ютерні технології, класифікаційний параметр літака, класифікаційний параметр аеродромного покриття, штучний інтелект, метод найменших квадратів, жорстке аеродромне покриття.Анотація
Анотація. Стаття присвячена особливостям використання штучного інтелекту для визначення класифікаційного параметра жорстких аеродромних покриттів. Штучний інтелект (ШІ) – це поведінка комп’ютерної системи, що імітує процес прийняття рішення людини. Міжнародна організація цивільної авіації (ICAO) прийняла новий метод Aircraft Classification Rating/Pavement Classification Rating (ACR/PCR), що замінить метод ACN/PCN (Aircraft Classification Number/Pavement Classification Number). ACR – це класифікаційний параметр повітряного судна, що визначається як подвоєне значення допустимого навантаження на колеса, виражене в сотнях кілограмів. PCR – це класифікаційний параметр аеродромного покриття, що визначається як ACR «критичного» або еталонного літака при максимальній допустимій злітній масі. У зв’язку з уведенням у дію нового методу ICAO ACR/PCR виникла необхідність в адаптації вітчизняної методики до нових вимог. За допомогою комп’ютерної програми ICAO ACR визначено класифікаційний параметр ACR для різних значень категорійного нормативного навантаження на чотириколісну опору. Однією зі сфер, де ШІ має глибокий вплив, є регресійний аналіз. Розглянуто спосіб використання ШІ ChatGPT для регресійного аналізу під час визначення класифікаційного параметра жорстких аеродромних покриттів. Отримано емпіричні формули для визначення класифікаційного параметра жорсткого аеродромного покриття PCR для чотирьох категорій міцності ґрунтової основи. Чат-бот зі штучним інтелектом ChatGPT можна використовувати для регресійного аналізу, але він не надає відразу потрібну відповідь у вигляді числових значень, і для подальших розрахунків необхідно використовувати розроблену ChatGPT програму. Комп’ютерні технології моделювання будівельних конструкцій і штучний інтелект мають потенціал для вдосконалення будівництва аеропортів.
Посилання
Advisory Circular No 150/5335-D. Standardized Method of Reporting Airport Pavement Strength-PCR. U.S. Federal Aviation Administration (FAA). Department of Transportation, 2022. 102 p.
Angeliki Armeni, Andreas Loizos. Preliminary evaluation of the ACR-PCR system for reporting the bearing capacity of flexible airfield pavements. Transportation Engineering. 2022. Vol. 8. P. 2–14.
Sun J., Oh E., Chai G., Ma Z., Bell P. Comparison between ACN–PCN and ACR–PCR for rigid airport pavement with case study. Road Materials and Pavement Design. 2024. 1–13.
Armeni Angeliki, Loizos Andreas. Reporting the Bearing Capacity of Airfield Pavements Using PCR Index, 2024. NDT. 2. P. 16–31.
Ali Z. Ashtiani, Thomas Paniagua, Timothy Parsons, Greg Foderaro. Machine Learning Solutions for Top-Down Cracking Design of Airport Rigid Pavement. Final Report DOT/FAA/TC-22/44, Federal Aviation Administration William J. Hughes Technical Center, Aviation Research Division, Atlantic City, International Airport, New Jersey, 2022. 74 p.
Kaya O., Rezaei-Tarahomi A., Ceylan H.İ., Gopalakrishnan K., Kim S., Brill D.R. Neural Network–Based Multiple-Slab Response Models for Top-Down Cracking Mode in Airfield Pavement Design. Journal of Transportation Engineering, Part B: Pavements. 2018. № 144 (2). Р. 04018009. P. 1–9.
Kaya O. Development of Neural Network-Based Asphalt Mix Design Parameters Prediction Tool. Arabian Journal for Science and Engineering. 2002. 48. P. 12793–12804.
Rezaei-Tarahomi A., Kaya O., Ceylan H., Gopalakrishnan K., Kim S., Brill D.R. Sensitivity quantification of airport concrete pavement stress responses associated with top-down and bottom-up cracking. International Journal of Pavement Research and Technology. 2017. № 10. P. 410–420.
Rezaei-Tarahomi A., Kaya O., Ceylan H.İ., Kim S., Gopalakrishnan K., Brill D.R. Development of rapid three-dimensional finite-element based rigid airfield pavement foundation response and moduli prediction models. Transportation geotechnics. 2017. № 13. P. 81–91.
Jing C., Zhang J., Song, B. An innovative evaluation method for performance of in-service asphalt pavement with semi-rigid base. Construction and Building Materials. 2020. Vol. 235. 117376.
Salsilli R., Wahr C., Delgadillo R., Huerta J., Sepúlveda P. Field performance of concrete pavements with short slabs and design procedure calibrated for Chilean conditions. International Journal of Pavement Engineering. 2015. № 16. P. 363–379.
Rezaei Tarahomi A., Kaya O., Ceylan H.İ., Gopalakrishnan K., Kim S., Brill D.R. ANNFAA: artificial neural network-based tool for the analysis of Federal Aviation Administration’s rigid pavement systems. International Journal of Pavement Engineering. 2020. Vol. 23. P. 400–413.
Tarahomi A.R., Kaya O., Ceylan H., Gopalakrishnan K., Sunghwan Kim S., Brill D.R. ANNFAA: artificial neural network-based tool for the analysis of Federal Aviation Administration’s rigid pavement systems. International Journal of Pavement Engineering. 2022. № 23:2. P. 400–413.
Abambres M., Ferreira A. Application of ANN in Pavement Engineering: State-of-Art. Mechanical Engineering eJournal. 2017. P. 1–61.
Abed A., Thom N.H., Campos-Guereta I., Airey G. Improved Multi-Layer Analysis of Pavement Response Using Neural Networks to Optimize Numerical Integration. International Journal of Pavement Research and Technology. 2024. Vol. 17. P. 549–562.
Yang X., Jinchao G., Ling D., You Z., Lee V.C., Hasan M.R., Cheng X. Research and applications of artificial neural network in pavement engineering: a state-of-the-art review. Journal of Traffic and Transportation Engineering. 2021. Vol. 8. № 6. P. 1000–1021.
John Wolberg. Data Analysis Using the Method of Least Squares. Springer, Berlin, Heidelberg, 2006. 250 p.
Karpov V., Stepanchuk O., Dubyk O., Rodchenko O., Prentkovskis O. Improvement of Methodology of Calculation and Assessment of Transport and Operational Condition of Airfield Pavement (on the Example of Airport Pavements of Kyiv and Mykolaiv International Airports). TRANSBALTICA XIII: Transportation Science and Technology. TRANSBALTICA 2022. Lecture Notes in Intelligent Transportation and Infrastructure. Springer, Cham. P. 806–823.
Rodchenko O. Computer technologies for concrete airfield pavement design. Aviation. 2017. № 21 (3). P. 111–117.
