КОМП’ЮТЕРНІ ТЕХНОЛОГІЇ ВИЗНАЧЕННЯ КЛАСИФІКАЦІЙНОГО ПАРАМЕТРА НЕЖОРСТКОГО АЕРОДРОМНОГО ПОКРИТТЯ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32782/apcmj.2025.1.14Ключові слова:
комп’ютерні технології, класифікаційний параметр повітряного судна, класифікаційний параметр аеродромного покриття, нежорстке аеродромне покриття, штучний інтелект, метод найменших квадратів, локальний штучний інтелектАнотація
Стаття присвячена використанню штучного інтелекту для визначення класифікаційного параметра нежорсткого аеродромного покриття. Міжнародна організація цивільної авіації (далі – ICAO) ухвалила новий метод Aircraft Classification Rating / Pavement Classification Rating (далі – ACR/PCR), який замінив метод Aircraft Classification Number / Pavement Classification Number (далі – ACN/PCN). Aircraft Classification Rating – це класифікаційний параметр повітряного судна, що визначається як подвоєне значення допустимого навантаження на колеса та виражається в сотнях кілограмів. Pavement Classification Rating – це класифікаційний параметр аеродромного покриття, що визначається як Aircraft Classification Rating «критичного» або еталонного повітряного судна за максимальної допустимої злітної ваги. У зв’язку з уведенням у дію нового методу ICAO ACR/PCR постала необхідність в адаптації вітчизняної методики до нових вимог. За допомогою комп’ютерної програми ICAO ACR визначено класифікаційний параметр ACR для нежорсткого аеродромного покриття за різних значень категорійного нормативного навантаження. Розглянуто спосіб використання штучного інтелекту ChatGPT та Llama для регресійного аналізу під час визначення класифікаційного параметра нежорсткого аеродромного покриття. Отримано емпіричні формули для визначення класифікаційного параметра нежорсткого аеродромного покриття PCR для чотирьох категорій міцності ґрунтової основи. Чат-бот зі штучним інтелектом ChatGPT і локальний штучний інтелект Llama можна використовувати для регресійного аналізу. Під час визначення невідомих параметрів моделі регресії за допомогою локального штучного інтелекту Meta Llama забезпечується така ж точність результатів, що і за використання OpenAI ChatGPT, натомість локальний штучний інтелект забезпечує конфіденційність і безпеку даних і має незалежність від інтернету, отже, можливість працювати автономно навіть у віддалених локаціях.
Посилання
Doc 9157, Aerodrome Design Manual. Part 3 – Pavements, ICAO 2022. 146 p.
Advisory Circular № 150/5335-D. Standardized Method of Reporting Airport Pavement Strength-PCR. U.S. Federal Aviation Administration (FAA). Department of Transportation, 2022. 102 p.
Armeni A., Loizos A. Preliminary evaluation of the ACR-PCR system for reporting the bearing capacity of flexible airfield pavements. Transportation Engineering. 2022. Vol. 8. P. 2–14.
Armeni A., Loizos A. Reporting the Bearing Capacity of Airfield Pavements Using PCR Index, 2024. NDT. 2. P. 16–31.
Kaya O. Development of Neural Network-Based Asphalt Mix Design Parameters Prediction Tool. Arabian Journal for Science and Engineering. 2002. № 48. P. 12793–12804.
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. P. 117376.
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.
Wolberg J. Data Analysis Using the Method of Least Squares. Berlin ; Heidelberg : Springer, 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.
