Selection of Genetic Algorithm Parameters for Backcalculation of Layer Moduli of Asphalt Concrete Pavement
โดย จักรพงษ์ นามหาไชย
ปี 2556
บทคัดย่อ
ในปัจจุบันการประเมินกำลังรับน้ำหนักของโครงสร้างทาง ด้วยวิธีการคำนวณย้อนกลับจากค่าการยุบตัวของผิวทาง มักพบกับปัญหาจุดต่ำสุดเฉพาะที่ของพื้นผิวคำตอบในช่วงหลายปีที่ผ่านมา ระเบียบขั้นตอนวิธีเชิงพันธุกรรมถูกนำมาประยุกต์ใช้ในการแก้ปัญหานี้ได้อย่างประสบความสำเร็จ ในขณะที่การใช้เทคนิคแบบใหม่ของระเบียบขั้นตอนวิธีเชิงพันธุกรรมซึ่งเป็นส่วนสำคัญในการช่วยเพิ่มประสิทธิภาพของการค้นหาคา ตอบกลับก่อให้เกิดการเพิ่มของตัวแปรที่มากขึ้น
ดังนั้นงานวิจัยนี้จึงมุ่งเน้นที่จะศึกษาการคัดเลือกชุดพารามิเตอร์ที่เหมาะสมในการคำนวณย้อนกลับเพื่อหาค่าโมดูลัสชั้นทางแอสฟัลต์คอนกรีต โดยในการศึกษาได้มีการกำหนดและสุ่มชุดตัวอย่างของชุดพารามิเตอร์นี้ด้วยหลักการทางสถิติ และทำการวิเคราะห์เพื่อประเมินความเหมาะสมทั้งจากแบบจำลองโครงสร้างทางที่สมมุติขึ้นและจากข้อมูลการทดสอบจริงในสนาม โดยใช้ระดับความถูกต้องของผลคำตอบที่ต้องการและภาระการคำนวณของคอมพิวเตอร์เป็นเกณฑ์ตัดสินเพื่อคัดเลือกชุดพารามิเตอร์
ผลการศึกษาพบว่าชุดพารามิเตอร์ที่เลือกให้ค่าความคลาดเคลื่อนของผลคำตอบส่วนใหญ่น้อยกว่าร้อยละ 3 ซึ่งอยู่ในเกณฑ์ที่ยอมรับได้ โดยชุดพารามิเตอร์ที่เหมาะสมคือ มีจำนวนรุ่นสูงสุด 100 รุ่น ขนาดประชากรเท่ากับ 40 ใช้อัตราการผสมข้ามแบบสม่ำเสมอ การกลายพันธุ์แบบกระโดดและการกลายพันธุ์แบบคืบ เท่ากับ 0.77, 0.016 และ 0.140 ตามลำดับ รวมถึงมีการเปิดใช้การคัดเลือกผู้นำและวิธีกลุ่มเฉพาะ
Recently, backcalculation from pavement surface deflections has been used to evaluate layer moduli of asphalt concrete road structure. It was found that the local minima occur from the process mentioned. Genetic algorithms (GAs) have been used successfully in the past for backcalculation program by showing the capability to overcome the local minima problem. While the introduction of new GA techniques are of importance for improvement of solution accuracy, this makes selection of GA parameters more complicate.
Hence, this research focuses on the selection of optimal GA parameters to be adopted for backcalculation of layer moduli of asphalt concrete pavement. A number of parameter sets have been randomly generated using statistical method. The generated parameter sets have been evaluated by the level of accuracy desired and the corresponding computational effort. The selected parameters have been evaluated using some hypothetical and field problems.
The results show that the optimal GA parameter set could, in most of the cases, decrease the root mean square error to less than 3% which is considered as acceptable. The optimal GA parameter set found in this study are as follow: number of generations: 100, number of population: 40, uniform crossover probability: 0.77, jump mutation probability: 0.016, creep mutation probability: 0.140 with elitism and niching.