مدل‌سازی زوال

مدل‌های زوال یا قطعی هستند یا احتمالی. مدل‌های قطعی نمی‌توانند احتمالات را در نظر بگیرند. مدل‌های احتمالی می‌توانند نه فقط شرایط آینده بلکه احتمال وقوع آن شرایط خاص را پیش‌بینی کنند.

مدل‌های قطعی

مدل‌های قطعی معمولاً ساده‌تر و قابل فهم‌تر هستند، اما نمی‌توانند احتمالات را در بیان کنند. منحنی‌های زوال که معمولاً تنها بر اساس سن ساخته می‌شوند، نمونه‌ای از مدل‌های زوال قطعی هستند. به‌طور سنتی، اکثر مدل‌های مکانیستی و مکانیکی-تجربی با استفاده از رویکردهای قطعی ساخته می‌شوند، اما اخیراً محققان و مهندسان به مدل‌های احتمالی علاقه‌مند شده‌اند.

مدل‌های احتمالی

نمونه‌هایی از مدل‌های زوال احتمالی آنهایی هستند که براساس تئوری قابلیت اطمینان، زنجیره مارکوف و یادگیری ماشین ساخته شده‌اند. برخلاف مدل‌های قطعی، یک مدل احتمالی می‌تواند احتمال را در بر بگیرد. به عنوان مثال، می‌تواند بگوید که طی پنج سال یک جاده در وضعیت ضعیف قرار خواهد گرفت و احتمال آن ۷۵٪ است و ۲۵٪ احتمال وجود دارد که در یک وضعیت قابل قبول بماند. چنین احتمالی برای توسعه مدل‌های ارزیابی ریسک بسیار مهم است. اگر به جای عدد حالت یا کلاسی از عملکرد مورد نظر باشد، می‌توان از مدل‌های مارکوف و الگوریتم‌های طبقه‌بندی آماری استفاده کرد. اما اگر تصمیم گیرندگان به مقدار عددی شاخص‌های عملکرد علاقه‌مند باشند، باید از الگوریتم‌های یادگیری رگرسیونی استفاده کنند. یک محدودیت مدل‌های مارکوف این است که آنها نمی‌توانند تاریخچه بهسازی را در نظر بگیرند، مدلهای بدتر شدن براساس یادگیری ماشین این محدودیت را ندارند. علاوه بر این، آنها می‌توانند متغیرهای دیگری مانند متغیرهای اقلیمی و ترافیک را به عنوان ورودی را بگیرند.

1. ↑ "Piryonesi, S. M. (2019). The Application of Data Analytics to Asset Management: Deterioration and Climate Change Adaptation in Ontario Roads (Doctoral dissertation)".
2. ↑ Melchers, R. E. (2002), “Structural Reliability Analysis and Prediction,” 2nd Ed. , John Wiley, Chichester, UK.
3. ↑ Piryonesi, Sayed Madeh; Tavakolan, Mehdi (9 January 2017). "A mathematical programming model for solving cost-safety optimization (CSO) problems in the maintenance of structures". KSCE Journal of Civil Engineering. 21 (6): 2226–2234. doi:10.1007/s12205-017-0531-z.
4. ↑ Piryonesi, S. M.; El-Diraby, T. E. (2020) [Published online: December 21, 2019]. "Data Analytics in Asset Management: Cost-Effective Prediction of the Pavement Condition Index". Journal of Infrastructure Systems. 26 (1). doi:10.1061/(ASCE)IS.1943-555X.0000512.
5. ↑ "The IAM (Institute of Asset Management): Asset Management - an Anatomy".
6. ↑ «"El-Diraby, T. E. , Kinawy, S. , & Piryonesi, S. M. (2017). A Comprehensive Review of Approaches Used by Ontario Municipalities to Develop Road Asset Management Plans (No. 17-00281)"».
7. ↑ Ens, A. (2012). Development of a flexible framework for deterioration modelling in infrastructure asset management.
8. ↑ Piryonesi, S. M.; El-Diraby, T. (2018). "Using Data Analytics for Cost-Effective Prediction of Road Conditions: Case of The Pavement Condition Index:[summary report]". United States. Federal Highway Administration. Office of Research, Development, and Technology. FHWA-HRT-18-065. Archived from the original on 2 February 2019 – via National Transportation Library Repository & Open Science Access Portal.
9. ↑ Ford, K. , Arman, M. , Labi, S. , Sinha, K.C. , Thompson, P.D. , Shirole, A.M. , and Li, Z. 2012. NCHRP Report 713: Estimating life expectancies of highway assets. In Transportation Research Board, National Academy of Sciences, Washington, DC. Transportation Research Board, Washington DC.