Traducido del inglés al español - www.onlinedoctranslator.

com

matemáticas

Artículo

Análisis comparativo de modelos de aprendizaje automático

para la predicción de la vida útil restante del
pavimento flexible
Narjes Nabipour 1, Nader Karballaeezadeh 2, Adrienn Dineva 3, Amir Mosavi 3,4 ,
Danial Mohammadzadeh S. 5,6 y Shahaboddin Shamshirband 7,8, *
1
Instituto de Investigación y Desarrollo, Universidad Duy Tan, Da Nang 550000, Vietnam;
narjesnabipour@duytan.edu.vn
2
Departamento de Ingeniería Civil, Universidad Tecnológica de Shahrood, Shahrood 3619995161, Irán;
n.karballaeezadeh@gmail.com
3
Instituto de Automatización, Facultad de Ingeniería Eléctrica Kalman Kando, Universidad de Obuda, 1034 Budapest,
Hungría; dineva.adrienn@kvk.uni-obuda.hu (AD); amir.mosavi@kvk.uni-obuda.hu (AM) Universidad de Tecnología de
4
Queensland, 130 Victoria Park Road, Queensland 4059, Departamento de Ingeniería Civil de Australia, Universidad
5
Ferdowsi de Mashhad, Mashhad 9177948974, Irán; dmhz1989@yahoo.com

6
Departamento de Relaciones de Élite con Industrias, Organización de Ingeniería de Construcción de Khorasan,
Mashhad 9185816744, Irán
7
Departamento de Gestión del Desarrollo Científico y Tecnológico, Universidad Ton Duc Thang,
Ciudad de Ho Chi Minh, Vietnam
8
Facultad de Tecnología de la Información, Universidad Ton Duc Thang, Ciudad Ho Chi Minh, Vietnam
* Correspondencia: shahaboddin.shamshirband@tdtu.edu.vn

Recibido: 19 de octubre de 2019; Aprobado: 2 de diciembre de 2019; Publicado: 6 de diciembre de 2019

Abstracto: La predicción de la vida útil restante (RSL) del pavimento es una tarea desafiante para el mantenimiento
de carreteras y la ingeniería de transporte. La predicción de la RSL estima el tiempo en que una reparación o
reconstrucción importante se vuelve esencial. El enfoque convencional para predecir RSL implica el uso de pruebas
no destructivas. Estas pruebas, además de ser costosas, interfieren con tra ffi fluir y comprometer la seguridad
operacional. En este documento, se utilizan los deterioros de la superficie del pavimento para estimar el RSL para
abordar los desafíos antes mencionados. Para implementar la teoría propuesta, se consideran 105 segmentos de
pavimento flexible. Para cada segmento de pavimento, se determinó el tipo, la gravedad y la extensión del daño de
la superficie y el índice de condición del pavimento (PCI). Luego se estimó el RSL del pavimento utilizando pruebas
no destructivas que incluyen el deflectómetro de caída de peso (FWD) y el radar de penetración en el suelo (GPR).
Después de completar el conjunto de datos, se realizó el modelado para predecir RSL utilizando tres técnicas que
incluyen regresión de vector de soporte (SVR), regresión de vector de soporte optimizada por el algoritmo de
optimización de la mosca de la fruta (SVR-FOA) y programación de expresión génica (GEP). Las tres técnicas
estimaron el RSL del pavimento seleccionando el PCI como entrada. ffi cliente (CC), Nash-Sutcli ff ee ffi Los criterios
de eficiencia (NSE), índice disperso (SI) e índice de concordancia de Willmott (WI) se utilizaron para examinar el
rendimiento de las tres técnicas adoptadas en este estudio. Al final, se encontró que GEP con valores de 0.874,
0.598, 0.601 y 0.807 para
Los criterios CC, SI, NSE y WI, respectivamente, tuvieron la mayor precisión para predecir el RSL del pavimento.

Palabras clave: aprendizaje automático; pavimento fl exible; predicción de la vida útil restante; índice de condición del
pavimento; soporte de regresión vectorial (SVR); algoritmo de optimización de la mosca de la fruta (FOA); programación de
expresión génica (GEP)

Matemáticas 2019, 7, 1198; doi: 10.3390 / math7121198 www.mdpi.com/journal/mathematics

Matemáticas 2019, 7, 1198 2 de 22

1. Introducción

Los modelos de predicción del rendimiento del pavimento son una parte esencial de los sistemas de gestión del
pavimento (PMS) [ 1 - 4 ]. Además de estimar la condición futura del pavimento, estos modelos ayudan a los
ingenieros de pavimentos en lo siguiente [ 5 , 6 ]: (1) determinar el tiempo óptimo para las actividades de
mantenimiento, rehabilitación y reconstrucción (MR&R), (2) sugerir las estrategias de MR&R más económicas, (3)
estimar el presupuesto requerido para las actividades de MR&R y (4) anticipar los resultados de varias estrategias.
Hasta finales de la década de 1950, se prestó poca atención al rendimiento del pavimento y los pavimentos a menudo
se clasificaban como satisfactorios o insatisfactorios [ 7 ]. Con el desarrollo de métodos computacionales y la
presentación de métodos ML, muchos investigadores han estudiado y desarrollado modelos de predicción del
rendimiento del pavimento. Estos modelos di ff er en dos aspectos: en primer lugar, el índice que se adoptó como
criterio para el desempeño del pavimento, en segundo lugar, el enfoque seleccionado para el modelado.

Al revisar los modelos de desempeño del pavimento, se encontró que el Índice de Condición del Pavimento (PCI)
[ 8 ], Índice de rugosidad internacional (IRI) [ 3 , 9 - 12 ], Índice de capacidad de servicio actual (PSI) [ 5 , 13 ], Vida útil
restante (RSL) [ 14 ] y Relación de capacidad de servicio actual (PSR) [ 15 ] índices fueron los más utilizados por los
investigadores. En términos del enfoque de modelado, métodos como las redes neuronales artificiales (ANN) [ 5 , 12 ],
máquina de vectores de soporte (SVM) [ 1 , 11 , 14 , 15 ], función de base radial (RBF) [ 11 ], programación de
expresión génica (GEP) [ 10 ], árbol de regresión (RT) [ 13 , dieciséis ], Bosque aleatorio (RF) [ 3 , 17 ] y programación
genética (GP) [ 8 ] se utilizaron en la literatura.
En general, las actividades de gestión de pavimentos se dividen en dos categorías [ 18 ]: gestión a nivel de red y
gestión a nivel de proyecto. La gestión a nivel de proyecto especifica las carreteras que necesitan ser reparadas, el
proceso de reparación y el cronograma de reparación. Por lo tanto, predecir las condiciones futuras del pavimento es
fundamental para la gestión del proyecto [ 18 ]. Pronosticar las condiciones futuras del pavimento requerirá una
evaluación e inspección continuas del pavimento que mejorarán la calidad operativa de las operaciones de
mantenimiento [ 19 , 20 ]. Por otro lado, la administración a nivel de red se enfoca en determinar el presupuesto
requerido para preservar la red de pavimento al nivel estándar. Por tanto, es indispensable determinar el RSL del
pavimento en este nivel de gestión [ 18 ]. Varios factores como tra ffi c, las características de los materiales del
pavimento, las propiedades de la subrasante, las condiciones climáticas y la calidad del mantenimiento tienen un
impacto destructivo en el pavimento de la carretera. Como resultado, la vida útil del pavimento está rodeada de
incertidumbres que complican la predicción de RSL [ 21 ].
Se ha reconocido la necesidad de determinar el RSL en el párrafo anterior. Además de RSL, el otro indicador
común de desempeño del pavimento es PCI, que representa las condiciones generales de la superficie del pavimento
y va desde cero para un pavimento prácticamente inutilizable hasta 100 para un pavimento impecable (según ASTM
D-6433-07) [ 22 ]. El PCI se determina en función de los resultados de la inspección del pavimento en términos de tipo,
gravedad y extensión de las averías [ 23 , 24 ]. Después de una inspección minuciosa de las averías de la superficie del
pavimento por parte de un inspector experimentado, se determinará el PCI de acuerdo con la norma relacionada [ 22
]. PCI es un índice adoptado en el proceso de gestión de pavimentos a nivel de proyecto. Por lo tanto, este índice se
especifica antes de ingresar a la gestión de pavimentos a nivel de red. Por el contrario, el RSL del pavimento, que es
uno de los pilares de la gestión del pavimento a nivel de red, se determina aplicando la prueba no destructiva del
deflectómetro de caída de peso (FWD). En esta prueba, un tra ffi El carril c se bloquea primero. Luego se aplica una
carga impulsiva al pavimento para inducir deformaciones en la superficie del pavimento. Al analizar las desviaciones
de la superficie del pavimento, se calcula el RSL. Además de las características de los materiales de las capas de
pavimento (módulo de Young y relación de Poisson) necesarios para el análisis inverso en los cálculos de tensión y
deformación, un punto clave en el cálculo de la RSL utilizando el método anterior es conocer el espesor de las capas
de pavimento para el análisis de deflexiones. . El espesor de las capas de pavimento se determina mediante la prueba
no destructiva de radar de penetración de suelo (GPR). Como resultado, se requieren dos pruebas no destructivas
para determinar el RSL del pavimento. Tra ffi c tampoco debe olvidarse la interferencia durante las pruebas FWD y
GPR.
A la luz de lo anterior, el método actual para determinar la RSL no solo es costoso, sino que también compromete la seguridad
de los usuarios debido a trabas. ffi c interferencia durante la prueba. Dados los recursos presupuestarios limitados de
Matemáticas 2019, 7, 1198 3 de 22

agencias de transporte, determinar el RSL del pavimento para administrar una red de pavimento representa una de
las preocupaciones actuales de tales agencias [ 20 ]. Teniendo en cuenta la necesidad de la determinación de RSL
para PMS, así como los problemas mencionados en el procedimiento actual de determinación de RSL, en este
documento se propone un nuevo modelo de rendimiento del pavimento. En este estudio, se han aplicado tres
métodos de SVR, SVR-FOA (regresión de vector de soporte optimizado por el algoritmo de optimización de la mosca
de la fruta) y GEP para predecir el RSL de pavimentos de carreteras. Dada la importancia y el uso generalizado de PCI
en PMS, el modelado de RSL se basó en PCI.
El principal objetivo de este estudio fue ahorrar tiempo, reducir costos y aumentar la seguridad en el proceso
de determinación de RSL. Según el cálculo de PCI sobre actividades a nivel de proyecto, el uso de PCI para
operaciones de gestión a nivel de red, la estimación de RSL, contribuirá a la superposición de actividades y al ahorro
de tiempo. Los métodos presentados en este documento, al excluir las pruebas no destructivas del proceso de
determinación del RSL del pavimento, reducen drásticamente los costos. Por otro lado, al eliminar las pruebas no
destructivas, tra ffi c También se eliminan las interferencias durante las pruebas y los posibles peligros para la
seguridad de los usuarios de la carretera.
Los datos necesarios para desarrollar el innovador método SVR-FOA propuesto en este documento se
recopilaron de la carretera Shahrood-Damghan en la provincia de Semnan, Irán. El tipo de pavimento de esta
carretera es flexible. En esta carretera se tomó un tramo de pavimento de 100 m de longitud desde el inicio de
cada kilómetro, y luego de evaluar las fallas superficiales de cada tramo, se calculó su PCI. En el siguiente paso,
se aplicaron pruebas FWD y GPR a los segmentos seleccionados para determinar el RSL. Finalmente, utilizando
tres métodos SVR, SVR-FOA y GEP, se implementó el modelado RSL basado en PCI.
Este documento está organizado de la siguiente manera: Sección 2 o ff ers una revisión de estudios sobre la predicción
de RSL. Sección 3 introduce el método empleado en este estudio. Esta sección consta de cuatro subsecciones tituladas PCI,
RSL, técnicas de aprendizaje automático y estudio de caso. En la sección 5 , se presentan y discuten los resultados de los
análisis. Finalmente, las conclusiones se extraen en la Sección 6 .

2. Revisión de la literatura

PMS es un sistema de gestión de evaluación (AMS) utilizado por los administradores de la red de carreteras para
mantener toda la red en el nivel deseado. La predicción del rendimiento del pavimento es un factor clave en los PMS [ 25 ].
Los modelos de predicción del RSL del pavimento entran en la categoría de los modelos de predicción del rendimiento del
pavimento. En esta sección se revisan los estudios realizados por otros investigadores sobre la predicción de RSL. Mesa 1
enumera los resultados de los estudios que se han esforzado por estimar el RSL hasta la fecha.

Tabla 1. Modelos para la predicción de RSL [ 26 - 33 ].

Categoría Entradas del modelo Ecuación Autor

ε t = Deformación por tracción en la parte inferior de la capa de asfalto,

- F2 ( mi 1) - F 3
mi 1 = Módulo de elasticidad del asfalto, RSL f atigue = F 1 ( ε t) Huang (1993)
F 1, F 2, y F 3 = Coeficiente de regresión ffi clientes.

ε c = Deformación compresiva en la parte superior de la subrasante, -F

RSL en celo = f ε4 C) 5 Huang (1993)
F 4y F 5 = Coeficiente de regresión ffi clientes.
1. Basado en
pavimento ε t = Deformación por tracción en el fondo de la capa de asfalto, METRO R = RSL f atigue = Das y Pandey
respuestas Módulo resiliente. 0,1001 ( ε () -t3.565 ( METRO R ) - 1,4747 (1999)

ε r = Deformación de tracción horizontal en la parte inferior del )

capa de asfalto, en RSL f atigue = Hossain y Wu
mi AC = Módulo de asfalto, a - b ln ε r) - c ln (E C.A) (2002)
a, b, y c = Coe constante ffi clientes de regresión.

ε t = Deformación por tracción en el fondo de la capa de asfalto, -C Park y Kim

RSL f atigue = K ( ε t)
K y c = Coeficiente de regresión ffi clientes. (2003)
Matemáticas 2019, 7, 1198 4 de 22

Tabla 1. Cont.

Categoría Entradas del modelo Ecuación Autor

IRI = índice de rugosidad internacional, ( )
IRI Terminal - ( Edad actual) Al-suleiman &
en
2. Basado en a = IRI inicial (donde la edad es cero), a
RSL = B Shiyab (2003)
calidad del pavimento B = Curvatura de la línea de rendimiento.
índices Setyawan y col.
PCI = Índice de condición del pavimento. en
RSL = 4,1872 (PC I) - 14.728
(2015)

δ = Pavimento sur - curvatura de la cara,

( )β
δ = D0 D 20 RSL f atigue = α 1
0,0023 δ + 0,00002)
Saleh (2016)
3. Basado en el α y β = Constantes materiales.
resultado de la
AUPP = Área bajo perfil de pavimento,
prueba no destructiva ( β
1 Saleh (2016)
AUPP = 5 D 0 - 2 D 30 - 2 D260 - D 90 RSL f atigue = α 0,0000023 AUPP 0,912
α y β = Constantes materiales.
* D yo = Desviación de la superficie del pavimento en la distancia. I cm del centro de la placa de carga en la prueba FWD.

En mesa 1 , los modelos para determinar el RSL del pavimento se dividen en tres categorías basadas en las
sobre entradas del modelo:

• Primera categoría: Modelos que predicen el RSL en función de la respuesta (tensión y deformación) del pavimento a las
cargas aplicadas.
• Segunda categoría: Modelos que predicen el RSL basados en índices de calidad del pavimento.
• Tercera categoría: Modelos que predicen el RSL en función de los resultados de las pruebas no destructivas de pavimentos.

Entre las categorías anteriores, los modelos que predicen el servicio de pavimento restante en función de
los índices cualitativos parecen ser más apropiados. Esto se debe a que tales modelos no requieren el análisis
del comportamiento y la respuesta del pavimento, como en la primera categoría, ni requieren pruebas no
destructivas, como la tercera categoría. En cambio, estiman el RSL del pavimento evaluando el pavimento y
calculando un índice cualitativo de la manera más simple posible. A la luz de los puntos anteriores, en este
documento, PCI se ha adoptado como un índice cualitativo para predecir RSL. Setyawan y col. realizó un
estudio similar en East Line de South Sumatera, cuyos resultados se muestran en la Tabla 1 . Evaluaron el
estado del comportamiento de la carretera y los daños y determinaron el PCI. Luego calcularon el RSL del
pavimento usando los datos de deflexión adquiridos de las mediciones del deflectómetro de peso en caída.
Finalmente, se examinó la relación entre estos dos valores. La investigación involucra cinco tramos de la ruta
con el di ff estado dañado actual. Después de calcular los valores de PCI y RSL, la relación entre estos dos
parámetros se determinó con la ayuda del software Microsoft Excel El modelo presentado en su estudio tiene
dos inconvenientes: (1) El número de datos para construir un modelo confiable es demasiado pequeño, ( 2) en
lugar de usar una regresión simple con Microsoft Excel, se pueden usar métodos más avanzados, como ML,
para lograr mejores resultados. Por el contrario, los métodos propuestos en este documento se basan en los
datos recopilados de 105 segmentos de pavimento utilizando métodos de aprendizaje automático.
En general, PCI o ff Es un índice válido aceptado por todas las agencias de transporte del mundo y se usa
ampliamente en sus evaluaciones. Comparado con el método actual para estimar el RSL de los pavimentos
(usando dos pruebas no destructivas FWD y GPR), el método propuesto proporciona una forma mucho más
simple, segura y menos costosa de estimar el RSL.

3. Metodología

3.1. Índice de condición del pavimento (PCI)

Ampliamente utilizado en carreteras, estacionamientos y aeropuertos, PCI es reconocido como una práctica estándar
por muchas organizaciones en todo el mundo, incluida la Administración Federal de Aviación, la Asociación Estadounidense
de Obras Públicas y la Fuerza Aérea de EE. UU. [ 34 ]. PCI es un índice numérico que expresa la tasa de deterioro de la
superficie del pavimento. PCI exhibe integridad estructural y condiciones operativas de la superficie, pero no puede medir la
capacidad estructural [ 22 ].
Matemáticas 2019, 7, 1198 5 de 22

El primer paso para determinar el PCI de cada segmento de pavimento es determinar el tipo, extensión y
severidad de las fallas de la superficie. El segundo paso es determinar los valores deducidos (DV) con la ayuda de las
curvas específicas para cada tipo de malestar. A continuación, reduzca el número de DV al máximo
número permitido metro I) [ 22 , 34 ]:
( 100 - HDV) × 9
metro yo = 1 + , (1)
98
donde HDV = mayor valor de deducción individual.
A continuación, especifique el número de DV superiores a 2 ( q). En el siguiente paso, el valor de deducción corregido
(CDV) debe especificarse en una curva especial con la ayuda de TDV (suma de DV) y q [ 34 ]. Luego, entre los DV
que sean mayores de 2, disminuya los más pequeños a 2. En este punto, repita el proceso de cálculo
q, calcular CDV y reducir DV hasta q es igual a 1. Al calcular el CDV máximo, PCI puede
ser calculado [ 22 , 34 ]:
PCI = 100 - CDV max (2)

Los lectores pueden consultar [ 22 ] y [ 34 ] para alcanzar más detalles y curvas relacionadas. La clasi fi cación de un

segmento de pavimento basado en PCI sigue la Tabla 2 .

Tabla 2. Escala de calificación PCI [ 22 ].

Escala de valoración 0-10 10-25 25–40 40–55 55–70 70–85 85-100

Descripción Fallido Grave Muy pobre Pobre Justa Satisfactorio Bien

3.2. Vida útil restante (RSL)

El RSL del pavimento en operación es un factor clave en la implementación de PMS. Esto se debe a que conocer las
condiciones futuras de la red de pavimentos es esencial para la toma de decisiones, el análisis de costos del ciclo de vida, la
planificación y la asignación presupuestaria [ 14 , 35 ]. En general, las definiciones de RSL por di ff Las diferentes agencias y
departamentos de transporte se pueden dividir en dos categorías generales [ 36 ]:

• El tiempo restante para alcanzar un nivel de desgaste cuando el pavimento necesita ser rehabilitado o
reconstruido. Por ejemplo, el Departamento de Transporte de Minnesota (MnDOT) define el RSL como el
tiempo hasta la próxima rehabilitación importante.
• El tiempo hasta que las condiciones del pavimento alcanzan un límite de índice de condición específico. Por
ejemplo, el Departamento de Transporte de Michigan (MDOT) de fi ne el RSL basado en el Índice de Calidad de
Viaje de Michigan, asumiendo un RSL de cero cuando dicho índice es 50.

El RSL de los segmentos de pavimento en este documento se ha determinado utilizando el peso de caída pesado
deflectómetro (HWD). El HWD es un FWD, cuya aplicación no está restringida a la carretera y podría usarse
para la evaluación del pavimento del aeropuerto. Figura 1 muestra el dispositivo HWD empleado en este
estudio.

Figura 1. El deflectómetro de caída de peso pesado (HWD) utilizado en este estudio para determinar la vida útil
restante (RSL).
Matemáticas 2019, 7, 1198 6 de 22

El HWD aplica una tensión similar a la carga por eje estándar (8,2 t) sobre la superficie del pavimento durante 10
a 35 ms. Se colocan varios geófonos en la superficie del pavimento a distancias específicas del centro de carga. La
tarea de los geófonos es registrar las desviaciones del pavimento inducidas por la carga aplicada con el dispositivo
HWD. La simulación de carga por eje estándar en HWD se genera mediante una serie de caídas de peso en una placa
de carga colocada en la superficie del pavimento [ 14 ]. Mesa 3 revela los detalles de la
Prueba HWD realizada en este estudio.

Tabla 3. Detalles de la prueba HWD [ 37 ].

Parámetro Valor

Tensión (kPa) 600–900

Número de geófonos 9
Distancia del geófono desde el centro de la placa de carga (cm) 0, 20, 30, 45, 60, 90, 120, 150 y 180
Número de pesos que caen Cuatro veces
Radio de la placa de carga (mm) 150

Las desviaciones registradas por los geófonos se transfieren a la computadora central en HWD. En esta
computadora, el análisis de las deformaciones de la superficie del pavimento se realiza utilizando el software
ELMOD6. ELMOD utiliza la ley de Miner para calcular tensiones y deformaciones críticas. La Ley del Minero se usa para
interactuar con el impacto de las angustias que ocurren durante cada temporada y por cada carga. Con la ayuda del
análisis de retro-cálculo, ELMOD proporciona resultados importantes que incluyen RSL, espesor de superposición y
módulo de elasticidad [ 38 ].
Un requisito previo para estimar el RSL de acuerdo con el proceso descrito en esta sección es conocer el
espesor de las capas de pavimento. Para determinar el espesor de la capa de pavimento, se llevaron a cabo
ensayos no destructivos de GPR para todos los segmentos de pavimento. GPR es capaz de calcular el espesor
del pavimento como un perfil continuo transmitiendo ondas electromagnéticas a través de una antena
transmisora y recibiendo señales recursivas [ 39 ]. El receptor de GPR toma ondas reflejadas y muestra
ellos como una trama de amplitud y tiempo [ 40 ]. El espesor de las capas ( h I) del pavimento se calcula por
la siguiente ecuación [ 41 ]:
C√∆tI
h yo = , (3)
εr
dónde ∆ t yo = tiempo entre amplitudes A I y A yo + 1, c = velocidad de la onda electromagnética a través del vacío,
y ε r = la constante dieléctrica relativa de la capa. Mesa 4 muestra los detalles completos del experimento GPR
llevado a cabo en este estudio.

Cuadro 4. Detalles de la prueba del radar de penetración terrestre (GPR) [ 42 , 43 ].

Parámetro Valor

Tipo de antena 1000 MHz

Velocidad récord (km / h) 10
Número de escaneos (por metro) Profundidad 10
máxima de penetración del pulso (ns) 32

3.3. Técnicas de aprendizaje automático

En este artículo, el objetivo principal es presentar un nuevo enfoque para predecir el RSL de pavimentos fl
exibles basados en PCI utilizando técnicas de aprendizaje automático. El conjunto de datos consistió en la RSL y PCI
de todos los segmentos en estudio, que se analizaron utilizando los métodos GEP, SVR y SVR-FOA. GEP es un
algoritmo evolutivo que investiga la relación entre las variables de entrada y salida mediante el desarrollo de
programas informáticos [ 44 ]. Di ff A diferencia del algoritmo genético (GA) y la programación genética (GP), GEP es
una combinación de ambos introducidos por Ferreira en 2001 [ 45 ]. SVR es una técnica de aprendizaje automático
supervisado que se emplea para resolver problemas de regresión. SVR es especialmente popular debido a su gestión
y rendimiento deseables en el manejo de problemas no lineales [ 46 ].
Matemáticas 2019, 7, 1198 7 de 22

El éxito de una RVS en la resolución de problemas depende de la selección adecuada de sus parámetros básicos. Los
parámetros básicos de SVR incluyen C, ε, y parámetros de la función del kernel [ 14 ]. Los valores incorrectos de los
parámetros básicos en el SVR pueden provocar un ajuste insuficiente o excesivo. Por lo tanto, los valores óptimos de ellos
deben seleccionarse durante el entrenamiento del método SVR [ 47 ]. En otras palabras, di ff Se desarrollaron diferentes
algoritmos de optimización que pueden utilizarse para seleccionar los valores adecuados de RVS. FOA es un algoritmo de
enjambre inteligente introducido por Pan en 2012, que utiliza la estrategia de búsqueda de alimento de una mosca de la fruta
para encontrar los valores óptimos para los parámetros básicos de RVS [ 48 ]. Estos métodos se presentan en las siguientes
subsecciones.

3.3.1. Programación de expresión genética (GEP)

GEP es un método GP desarrollado que resuelve un problema mediante la creación de árboles de expresión
(ET). De hecho, GEP es un algoritmo evolutivo para la creación de programas informáticos. Los programas de
computadora diseñados tienen estructuras de árboles sofisticadas que se entrenan de manera similar a un
organismo vivo al cambiar el tamaño, la forma y la composición, y se adaptan a las condiciones. Al igual que los
organismos vivos, los programas de GEP se codifican como cromosomas lineales simples de longitud fija. Por lo tanto,
GEP es un sistema genotipo-fenotipo que emplea un genoma simple para almacenar y transmitir información
genética y adopta un fenotipo complejo para explorar y adaptarse al medio ambiente. El genoma consta de un
cromosoma o una cadena de longitud fija que combina uno o más genes del mismo tamaño. De hecho, cada
cromosoma contiene uno o más genes conocidos como Sub-ET. En GEP, todos los sub-ET están vinculados a través de
la raíz con funciones de conexión. Las funciones de conexión en GEP incluyen división, multiplicación, resta y suma [ 49
]. Figura 2 muestra una instancia de la estructura genotipo-fenotipo en GEP.

Figura 2. Una muestra de la estructura genotipo-fenotipo en la programación de expresión génica (GEP) [ 50 ].

Estos genes, a pesar de su longitud fija, están codificados para ET de diferentes tamaños y formas. Implica que
el tamaño de la región codificante varía de un gen a otro para permitir una adaptación y evolución progresivas. Cada
gen tiene un área de codificación llamada marco de lectura abierto (ORF), que, después de ser codificado como un
árbol de expresión, proporciona una solución al problema [ 51 ]. Figura 3 demuestra la región codificante (ORF), la
región no codificante y el árbol de expresión de un gen.
Matemáticas 2019, 7, 1198 8 de 22

Figura 3. La región codificante (ORF), la región no codificante y el árbol de expresión en un gen [ 52 ].

Al igual que otros enfoques evolutivos, GEP comienza generando aleatoriamente los cromosomas de la
población inicial. En la primera población, cada cromosoma se evalúa en función de la función de aptitud y recibe un
valor de aptitud. Se han utilizado varias funciones de aptitud en GEP, incluido el error cuadrático relativo de la raíz
(RRSE), el error cuadrático relativo (RSE), el error cuadrático medio (RMSE) y el error cuadrático medio (MSE) [ 44 ]. Es
más probable que se seleccionen los cromosomas adecuados en la próxima generación. Después de ser
seleccionados, los cromosomas son modificados por operadores genéticos (incluida la transposición, inversión,
mutación, recombinación y cruce de genes) y luego reconstruidos. Este proceso se mantiene hasta que se alcanza
una solución adecuada o se alcanza el número máximo de generaciones [ 44 , 53 ].

3.3.2. Regresión vectorial de soporte (SVR)

La SVR se considera una máquina de vectores de soporte (SVM) utilizada para problemas de regresión. SVR se ha
utilizado ampliamente para problemas de ingeniería civil [ 54 , 55 ]. Las técnicas de aprendizaje supervisado, incluida la RVS,
utilizan la minimización de riesgos estructurales (SRM), mientras que las redes neuronales convencionales utilizan la
minimización de riesgos empíricos (ERM). ERM minimiza el error de las muestras de entrenamiento, pero SRM puede
minimizar un mayor nivel de error. Como resultado, SVM es capaz de superar las deficiencias de las redes neuronales
convencionales [ 14 , 46 ]. La idea principal en SVR es mapear información no lineal en un espacio dimensional superior y
luego resolver un problema de regresión lineal en el nuevo espacio [ 46 , 56 , 57 ]. En el nuevo espacio, se adopta una función
de núcleo lineal simple para resolver el problema. Sin embargo, en problemas complejos, un simple lineal
la función del kernel será inadecuada. La función del kernel k (x, z) para todos x, z ∈ X se define de la siguiente manera [ 46 ]:

〈 〉
k (x, z) = ϕ ( X) · ϕ ( z). (4)

Cada función del kernel debe tener dos características [ 46 ]:

1. Simetricidad
〈 〉 〈 〉
k (x, z) = ϕ ( X) ϕ (· z) = ϕ ( z) ϕ ( x) =·k (z, x), (5)

2. Cumplimiento de Cauchy-Sc 〈 criterio de Hwartz

〉 2 ≤ ‖ ϕ ( X) ‖ 2 ‖ ϕ ( z) ‖ 2.
k (x, z) 2 = ϕ ( X) · ϕ ( z) (6)

Estas dos condiciones garantizan que el nuevo espacio sea definido por la función del núcleo. Las
funciones de kernel más famosas son kernel polinomial, kernel funcional de base radial, kernel lineal y kernel
sigmoide [ 57 ]. Dada la explicación anterior, está claro que SVR requiere una función apropiada para explicar
la relación no lineal entre entrada ( X I) y salida ( y I) [ 57 ]:

f (x i) = w · ϕ ( X i) + B, (7)

dónde ϕ ( X i) = función de transformación, w = peso, b = parcialidad. w y B se obtienen minimizando la

siguiente función, que se conoce como función de riesgo regularizado [ 57 ]:
Matemáticas 2019, 7, 1198 9 de 22

∑ norte
1
R (w) = ‖ w ‖ 2 + C L εy,( If( X I)), (8)
2 yo = 1

2
dónde 1 2‖ w ‖ = plazo de regularización, C = penalización coe ffi cient y L (y, εf ∣(x))
i} yo= ε- pérdida insensible fu acción:
{∣
L ε ( y I, f (x i)) = max 0, y I - f ∣∣(x I) - ε, ∣∣ (9)

dónde ε = umbral de error permitido.

Para resolver los límites de optimización, dos factores de ξ a ∑Dakota del Norte ξ ∗ están de fi nidos [ 57 ]:

1
norte

min f (w, ξ, ξ ∗) = ‖ w ‖ 2 + C ( ξ, ξ ∗), (10)

2
yo = 1

sujeto a
{
y I -[ w ϕ ·( X I)] B ε-+≤ξ, ξ≥0
. (11)
[ w·ϕ ( X i)] + B - y ≤ εI + ξ ∗, ξ∗≥ 0

Ahora necesitamos definir una función de Lagrange basada en la función objetivo y Perímetro
conditi (ons [ 57 ]):

norte ∑ ( -
1 ∑ norte )( )( ) ∑(norte
) ∑(-
norte
)
maxH ∂-,I∂+ I
= - ∂ I - ∂I+ ∂-j - ∂ +j K x I , X j + y I ∂ I- - ∂ I - +ε y I ∂I+ ∂+I , (12)
2
yo = 1 j = 1 ∑ norte yo = 1 yo = 1

sometido a
( )
y I ∂-I - ∂+I = 0, ∂ -I , ∂ +I ∈ [ 0, C]. (13)
yo = 1

Por tanto, la función de regresión c ∑ norte

un ser (mostrado a) s f (ollows [ 57 ]:

)
f (x) = ∂ I- - ∂ +I K X I , X j + B, (14)
yo = 1

( )
dónde K x I , X j = función del kernel. Figura 4 resume la estructura general de la RVS.

Figura 4. El proceso de transformación en la regresión de vectores de soporte (RVS) [ 58 ].

En general, el rendimiento de SVR depende de sus parámetros. Los parámetros de SVR son [ 59 , 60 ]:

• ε: este parámetro supervisa el ancho de la ε- zona insensible, utilizada para ajustar los datos de entrenamiento.
El valor ε puede un ff ect el número de vectores de soporte utilizados para construir la función de regresión.
Para los mas grandes ε, las estimaciones son más "planas" y se eligen menos vectores de apoyo. C: este
• parámetro especifica el trade-o ff entre la complejidad del modelo y el grado al que las desviaciones mayores
que ε son soportables en formulación de optimización.
• γ: este parámetro determina la relación entre la minimización de errores y la suavidad de la función
estimada.
Matemáticas 2019, 7, 1198 10 de 22

Estos parámetros los elige el usuario basándose en un conocimiento previo de SVR, por lo que este método no
es adecuado para usuarios no profesionales. Se han desarrollado varios algoritmos para optimizar las cantidades de
parámetros de RVS. En la siguiente subsección, se presenta uno de los algoritmos de optimización utilizados en este
documento.

3.3.3. Algoritmo de optimización de la mosca de la fruta (FOA)

FOA es un algoritmo de optimización desarrollado en base al comportamiento de búsqueda de alimentos del insecto Drosophila
[ 48 ]. La mosca de la fruta tiene un olfato y un sentido de la vista superiores, lo que la distingue de otros insectos. Las moscas de la
fruta rastrean el olor de las fuentes de alimento dispersas por el aire y se dirigen hacia él. Este insecto es incluso capaz de rastrear el
olor desde una distancia de 40 km. Cuando se acerca a la fuente de alimento, la mosca de la fruta emplea un sentido de la vista para
localizar el alimento y otras moscas de la fruta. La mejor información se comparte entre las moscas de la fruta y, finalmente, se
identifica la ruta que conduce a la fuente de alimento [ 61 ]. Figura 5 ilustra el proceso de búsqueda de alimento por una mosca de la
fruta.

Figura 5. Método de optimización del enjambre de moscas de la fruta [ 62 ].

En este artículo, este algoritmo de optimización ha sido seleccionado para encontrar los valores óptimos de los
parámetros de SVR, lo que se conoce como SVR-FOA. Los pasos generales de SVR-FOA se pueden resumir de la
siguiente manera [ 63 , 64 ]. El diagrama de flujo del método SVR-FOA se ilustra en la Figura 6 .
Paso 1. Parámetros de SVR ( ε, C) inicialización y determinación de la función del kernel.
Paso 2. Inicialización de parámetros; incluyendo el número máximo de iteraciones, ubicación de la inicial
población (eje X, eje Y), tamaño de la población y dominio de distancia de vuelo aleatorio:

Eje_X = rands ( 1, 2), (15)

Y_axis = rands ( 1, 2). (dieciséis)

Paso 3. Inicialización de población

A cada mosca de la fruta se le asigna una ubicación aleatoria (Xi, Yi) y una distancia de fundación de alimentos:

X yo = Eje_X + Valor aleatorio, Y (17)

yo = Y eje ++ Valor aleatorio, (18)

dónde: yo = Tamaño de la poblacion.

Paso 4. Evaluación de población

Se calcula la distancia desde el origen hasta la fuente de alimento (D) y el parámetro de concentración de
olor (S):
Matemáticas 2019, 7, 1198 11 de 22

√
D yo = X I 2 + Y I 2, (19)
1
SI= DI . (20)

Paso 5. Reemplazo
El valor S se sustituye por la función de aptitud física o la función de juicio de concentración de olores para que
la concentración de olor para cada ubicación de mosca de la fruta se puede lograr:

Oler yo = Función (S I). (21)

Paso 6. Detecta la concentración máxima de olor.

En este punto, la mosca de la fruta con mayor S I está identi fi cado y ubicado dentro de la población.

[ bestSmellbestIndex] = max ( Oler). (22)

Paso 7. Mantener la concentración de olores

Se establecen las coordenadas de la concentración máxima de olor, y el enjambre de moscas de la fruta fluye en
esa dirección,
X_axis = X (bestIndex), (23)

Y_axis = Y (bestIndex). (24)

Paso 8. Optimización iterativa

Se repiten los pasos 3 a 6 hasta que la concentración de olor no muestre ninguna mejora con respecto a
la anterior o se alcance el número máximo de repeticiones en el paso 2.
Paso 9. Genere el parámetro óptimo de SVR.

Figura 6. El diagrama de flujo de la regresión del vector de soporte optimizado por el método del algoritmo de optimización de la
mosca de la fruta (SVR-FOA) [ 62 ].
Matemáticas 2019, 7, 1198 12 de 22

4. Estudio de caso

Para implementar la teoría propuesta en este documento, se seleccionó e inspeccionó un tramo de 105
km de la carretera Shahrood-Damghan en Irán. Dado que esta carretera forma parte de la ruta entre Teherán
(la capital de Irán) y Mashhad (la segunda ciudad más importante de Irán), constituye una de las carreteras
principales. La carretera consta de dos carriles en cada dirección y utiliza el pavimento fl exible. Un requisito
previo para implementar la teoría propuesta es seleccionar una serie de segmentos de muestra de su
carretera. Para ello, se seleccionaron tramos de 100 m de largo y 7 m de ancho desde el inicio de cada
kilómetro. Al inspeccionar los segmentos seleccionados, los datos de daños superficiales (tipo, gravedad y
extensión) de cada segmento se registraron en los formularios de evaluación. El PCI de cada segmento se
calculó como se describe en la Sección 3.1 . Con PCI conocido, es necesario conocer el RSL de los segmentos de
pavimento. Por lo tanto, se realizaron pruebas HWD y GPR en todos los segmentos y se determinó el RSL de
cada segmento. Figura 7 muestra la ubicación de la autopista Shahrood-Damghan, así como los puntos de
inicio y finalización de los tramos estudiados en este mapa de Google.

Figura 7. Mapa de la Carretera No. 44 (Shahrood-Damghan) utilizado en este estudio.

5. Resultados y discusión

Los resultados del análisis se presentan en esta subsección. Primero, las especificaciones estadísticas de las
variables de modelado de entrada y salida se enumeran en la Tabla 5 . Los datos fueron extraídos de IBM SPSS 23
Versión del software 2015, International Business Machines Corporation (IBM), Armonk, Nueva York, EE. UU.).

Cuadro 5. Características estadísticas de los datos utilizados.

Sig. en
Estándar Correlación
Variable Significar Mínimo Máximo Curtosis Oblicuidad Kolmogorov–
Desviación con RSL
Prueba de Smirnov

PCI 59,97 19.00 100,00 21.51 - 0,03 0,068 0.572

RSL 17,77 0,00 40,00 15.04 - 1.093
1.393 0,50 0.000 1

Como se muestra en la tabla 5 , el PCI medio de todos los segmentos de pavimento es 59,97, que según la Tabla 2 ,
es indicativo del buen estado de todos los segmentos. El RSL medio del pavimento es de 17,77 años. Para interpretar
la RSL media, vale la pena señalar que el software ELMOD6 no sugiere la aplicación de una capa de superposición
para esta RSL. Por lo tanto, el RSL promedio de los segmentos es bastante deseable. Antes de calcular el coeficiente
de correlación ffi ciente de la entrada y salida del modelado, la normalidad de los datos debe ser
Matemáticas 2019, 7, 1198 13 de 22

determinado. Esto está determinado por la curtosis y el coeficiente de asimetría. ffi pacientes, así como los resultados
de la prueba de Kolmogorov-Smirnov. En teoría de probabilidad y estadística, la curtosis es una medida de la "cola" de
la distribución de probabilidad de una variable aleatoria de valor real. Además, la asimetría es una medida de la
asimetría de la distribución de probabilidad de una variable aleatoria de valor real con respecto a su media. El valor de
asimetría puede ser positivo, negativo o indefinido. Un conjunto de datos de asimetría cero tiene una simetría
perfecta (distribución completamente normal). Un valor de sesgo positivo / negativo indica que la cola en el lado
derecho / izquierdo de la distribución es más larga que el lado izquierdo / derecho y la mayor parte de los valores se
encuentran a la izquierda / derecha de la media. La curtosis actúa como una medida del pico de distribución. Para una
distribución perfectamente normal, la curtosis debe ser cero. La curtosis positiva significa una curva de distribución
de picos alta, sesenta y cinco , 66 ]. Es muy di ffi culto para lograr cero asimetría y curtosis, entonces la distribución de
datos es normal cuando los valores de asimetría y curtosis están entre 2 y - 2 [ 67 ]. Entonces, está claro en la Tabla 5
que PCI, con menor valor de curtosis, tuvo mejor distribución normal que RSL. Kolmogorov – Smirnov es una prueba
no paramétrica que ayuda a determinar si los datos son normales o no. Si el nivel de significancia (sig.) En esta prueba
está por encima de 0.05, los datos son normales [ 67 ]. Al elegir una prueba de correlación, incluso si una de las
variables es anormal, se utiliza la prueba de Spearman. Según tabla 5 , dado que las variables de PCI tienen una
distribución normal pero la distribución de RSL es anormal, se debe utilizar la prueba de correlación de Spearman. La
correlación entre PCI y RSL es del 57,2%, lo que representa un valor medio.

Como se señaló en la sección 3.3.2 , SVR consta de tres parámetros básicos (C, ε, y γ), con la calidad del
rendimiento de SVR en función de los valores seleccionados para estos tres parámetros. Mesa 6 muestra los
valores de estos parámetros básicos para el SVR así como los valores optimizados de estos parámetros por el
algoritmo FOA.

Cuadro 6. Parámetros de los modelos SVR y SVR-FOA.

Modelo

SVR SVR-FOA

C 1,0000 1,0022
Parámetro SVR ε 0.0100 0.2561
γ 0,0010 0.0760

En mesa 7 , las características del modelo GEP utilizado en este estudio, incluidos los parámetros del modelo
y operadores genéticos. Cabe señalar que los parámetros predeterminados del software Gene Expro Tools 4.0
(Versión 2.0, Gepsoft Limited, Bartolomeu Messines, Portugal) fueron seleccionados para cálculos posteriores.

Cuadro 7. Características del modelo GEP.

Parámetro Cantidad

Tamaño de la cabeza 8
Número de genes 3
Cromosomas 30
Función de vinculación Suma (+)
Tasa de recombinación de un punto 0,3
Tasa de recombinación de dos puntos 0,3
Tasa de inversión 0,1
Tasa de recombinación genética 0,1
Tasa de mutación 0.044
Tasa de transposición de genes 0,1
Funciones utilizadas + , -, ×, ÷, poder
Matemáticas 2019, 7, 1198 14 de 22

La ecuación (25) muestra la fórmula propuesta del método GEP, extraída de Gene Expro Instrumentos

4.0, para estimar la vida útil restante del pavimento en términos de √ PCI:

√ 0,35035 (3,83258 PCI) - 9.83936)

322.568
RSL = - 6.59964 + PCI - 8,96265 - 2.61881 PCI + PCI - 1.18921 PCI 32 + 9.83936 + PCI
. (25)

Los resultados de la investigación científica generalmente se evalúan con indicadores que muestran la precisión
y el error del análisis. En este estudio, cuatro criterios titulados Coe de correlación ffi cient (CC), disperso
Índice (SI), Nash – Sutcli ff ee ffi eficiencia (NSE) y Willmott Se utilizaron índices de acuerdo (WI) para
norte [RS
determinar la calidad de la salida ∑pone 68 (L
, 69∑]:RSL -) 1 ∑

∑ norte R (S ∑ L Pi
Oi Pi L Oi
CC =
yo = 1 yo = 1 yo = 1
(∑ norte RSL )) , (26)
norte
) ( norte ∑ RS
2 norte RSL
2- 1 norte
RS L 1 norte

yo = 1 Oi norte yo = 1 yo = 1 Pi 2 - norte yo 1=RSL 2Pi

√∑ ( Oi )2
1
- Oi),
yo 1= (RSL Pi RSL
norte

SI =
norte

(27)

∑ RSL Oi 2
I ( RSL
norte
- Pi ) 2,
Oi RSL
-∑
NSE = 1 ∑ norte (28)
norte

I -
( RSL Oi RSL Oi) 2  
yo = 1 RSL pag ∣ I - R Oi
WI = 1 -             ∑ (∣∣∣ RS ∣ SL ∣)∣         (29)
norte 2  ,
yo = 1
L Pi
- RSL ∣∣ + Oi
∣∣ RSL - RSL Oi Oi ∣

donde RSL Oi = RSL ith valor observado, RSL Pi = RSL predicho valor ith, y RSL Oi = promedio de RSL Oi.
El CC es un número en el rango de [ - 1, +1], con valores de +1 y - 1 que indica un completo
correlación entre entradas y salidas del modelo. Los valores positivos representan una correlación directa y los valores
negativos demuestran una correlación inversa. A medida que el valor absoluto de CC se acerca a cero, la fuerza de la
correlación disminuye. SI representa un error y los valores más pequeños indican errores más bajos en el modelado. El valor
más alto de NSE es uno con valores cercanos a uno que indican una mayor precisión de modelado, de modo que NSE = 1
representa la mejor calidad de modelado. WI es un índice entre 0 y 1 con valores cercanos a uno que sugieren una mayor
precisión de modelado.
Mesa 8 revela los cuatro criterios introducidos para los tres métodos empleados en este estudio. Para arrojar
más luz sobre los resultados de la tabla 8 , en la Figura se presenta un histograma de barras tridimensional de los
criterios 8 . Basado en la descripción en el párrafo anterior y los valores en la Tabla 8 , se puede concluir que FOA ha
mejorado los resultados de RVS. Al comparar los resultados de los modelos SVR-FOA y GEP, se puede afirmar que los
resultados de GEP son parcialmente superiores en el modelo propuesto en este documento. Además, aunque los
valores de CC de los métodos estudiados no son tan altos, debido a valores de SI más bajos, pueden usarse con una
precisión aceptable en la estimación de RSL.

Cuadro 8. Índices de evaluación del desempeño para los modelos GEP, SVR y SVR-FOA.

Parámetro GEP SVR SVR-FOA

CC 0,874 0,865 0,879

SI 0.598 0,894 0,616
NSE 0,601 0,110 0.577
Wisconsin 0,807 0.369 0,786
Matemáticas 2019, 7, 1198 15 de 22

Figura 8. Gráficos de barras tridimensionales de los parámetros estadísticos.

No ha habido un método estándar para dividir los datos de entrenamiento y prueba. Por ejemplo, Choubinet al. [
70 ] utilizó un total del 63% de sus datos para el desarrollo de modelos, mientras que Shamshirbandet al. [ 71 ] utilizó
el 67% de los datos, Mohammadzadeh et al. [ 72 ] 70%, y Samadarianfard et al. [ 73 ] implementó el 80% de los datos
totales para desarrollar sus modelos. En este estudio, se utiliza el conjunto de datos que contiene 105 segmentos de
pavimento, donde aproximadamente el 70% de los datos (es decir, 75 segmentos) se utilizan para entrenamiento y
los 30 segmentos restantes se utilizan para pruebas. Figura 9 muestra el RSL predicho por los tres métodos SVR, SVR-
FOA y GEP, así como el RSL medido en la prueba HWD para los segmentos seleccionados como prueba. Como puede
verse en la Figura 9 , los modelos estudiados no predicen con precisión el RSL máximo y mínimo
valores. Por lo tanto, esto puede afectar la programación de las acciones de mantenimiento.

50
Observado SVR SVR-FOA GEP

40
RSL estimado

30

20

10

0
0 5 10 Número 1 o 5 f datos de prueba 20 25 30

Figura 9. Valores observados y estimados de RSL con modelos SVR, SVR-FOA y GEP para datos de prueba.

Figura 10 muestra los valores RSL previstos frente a los valores RSL calculados por la prueba HWD para las tres técnicas
de aprendizaje automático adoptadas en este documento. En este sentido, el método con la mejor precisión de predicción es
el que tiene una ecuación de línea ajustada de y = x, lo que significa que la pendiente de la recta es igual a uno y su
intersección es igual a cero. Figura 10 se traza para el conjunto de datos de prueba. Se puede comprender en la figura. 10 ,
aunque la pendiente de las líneas de tendencia de todos los métodos estudiados es inferior a 0,5, la precisión de GEP es
mayor que los modelos SVR y SVR-FOA.
do por SVR-FOA
mado por SVR
Matemáticas 2019, 7, 1198 16 de 22

50 50

RSL estimado por SVR-FOA

40 40
RSL estimado por SVR

30 30

20 20

10 10
y = 0.0842 x + 11.885 y = 0.3869 x + 11.176
0 0
0 10 20 30 40 50 0 10 20 30 40 50
RSL calculado por HWD RSL calculado por HWD

50

40
RSL estimado por GEP

30

20

10 y = 0.4125 x + 9.3126

0
0 10 20 30 40 50
RSL calculado por HWD

Figura 10. Los diagramas de dispersión de RSL calculado por HWD y RSL estimado por SVR, SVR-FOA y GEP
modelos para datos de prueba.

Figura 11 representa el diagrama de Taylor utilizado en este estudio. Introducido por Taylor en 2001, el
diagrama de Taylor es un diagrama matemático que permite una comparación gráfica de varios modelos de un
sistema. En este diagrama, hay tres categorías de contornos [ 74 ]:

• Contornos azules

Muestra el coeficiente de correlación de Pearson ffi cient.

• Contornos naranjas

Indica el error RMS que es proporcional a la distancia desde un punto verde en el eje horizontal llamado
observado.
• Contornos negros

Indica la desviación estándar proporcional a la distancia radial desde el centro.

El diagrama de Taylor presentado muestra la precisión superior del modelo GEP debido a la menor
distancia de su punto correspondiente (el punto con color magenta) del punto verde observado. En general, al
examinar las cifras 8 - 11 , se puede concluir que la técnica de RVS o ff ers una precisión promedio para el
propósito de este artículo. El uso del algoritmo FOA para seleccionar los parámetros básicos de esta técnica
mejoró significativamente la precisión de este método. Por otro lado, el método GEP proporciona una fórmula
para la predicción de RSL. Al volver a examinar las cifras 8 - 11 , resultó que los métodos SVR-FOA y GEP
produjeron una precisión deseable para la predicción de RSL. Sin embargo, la precisión del método GEP fue
ligeramente superior a la del método SVR-FOA.
Matemáticas 2019, 7, 1198 17 de 22

Figura 11. Diagramas de Taylor del RSL estimado para todos los modelos.

6. Conclusiones

La gestión del pavimento tanto a nivel de proyecto como de red siempre está asociada con costos sustanciales. Debido a las restricciones presupuestarias impuestas a las

organizaciones a cargo del PMS, optimizar los costos de gestión del pavimento es una de las prioridades de cualquier organización. RSL es un factor crucial para la gestión de pavimentos a

nivel de red. El procedimiento actual para determinar RSL implica el uso de pruebas FWD y GPR. Estos dispositivos no solo son costosos, sino que también interfieren con el tra ffi fluir y

comprometer la seguridad de los usuarios de la carretera. El objetivo del estudio fue presentar un nuevo enfoque para predecir el RSL del pavimento fl exible, que eliminó los

inconvenientes de los métodos actuales. Por lo tanto, el método propuesto puede conducir a menores costos, menor tiempo consumido y también aumentar la seguridad. La idea de

estimar el RSL ha sido seguida por varios investigadores. El mayor di ff Las diferencias entre sus estudios estaban en la metodología y los métodos de análisis. Después de una revisión de

estudios previos sobre la estimación del RSL del pavimento, decidimos utilizar las fallas de la superficie del pavimento como criterio para predecir el RSL. Por lo tanto, el pavimento PCI se

utilizó como variable de entrada en el modelado de RSL del pavimento. El modelado se realizó con la ayuda de técnicas ML, que es la innovación de esta investigación. El conjunto de datos

utilizado para el modelado se seleccionó de la carretera Shahrood-Damghan en Irán. Después de seleccionar 105 segmentos de pavimento de la carretera, se determinaron el PCI y RSL de

todos los segmentos. El modelado se realizó utilizando técnicas de GEP y SVR después de completar el conjunto de datos. Los resultados del modelado con estas técnicas se evaluaron en

base a cuatro criterios que incluyen CC, SI, NSE y WI, determinar la técnica más adecuada para estimar el RSL del pavimento. Después de explorar los cuatro criterios, se encontró que los

resultados de GEP eran mucho más precisos que la RVS. Luego, para mejorar la precisión del método SVR, se empleó el algoritmo de optimización FOA para agregar una tercera técnica,

como un modelo innovador (a saber, SVR-FOA), a los métodos aplicados en este artículo. Nuevamente, los cuatro criterios CC, SI, NSE y WI revelaron una mejora significativa en la precisión

del método SVR-FOA en comparación con el método SVR, sin embargo, el método GEP todavía tenía la mayor precisión de predicción. En resumen, los hallazgos de este trabajo sugirieron

que el método GEP (con valores de 0.874, 0.598, 0.601 y 0.807 para los cuatro criterios Para mejorar la precisión del método SVR, se empleó el algoritmo de optimización FOA para agregar

una tercera técnica, como modelo innovador (a saber, SVR-FOA), a los métodos aplicados en este artículo. Nuevamente, los cuatro criterios CC, SI, NSE y WI revelaron una mejora

significativa en la precisión del método SVR-FOA en comparación con el método SVR, sin embargo, el método GEP todavía tenía la mayor precisión de predicción. En resumen, los hallazgos

de este trabajo sugirieron que el método GEP (con valores de 0.874, 0.598, 0.601 y 0.807 para los cuatro criterios Para mejorar la precisión del método SVR, se empleó el algoritmo de

optimización FOA para agregar una tercera técnica, como modelo innovador (a saber, SVR-FOA), a los métodos aplicados en este artículo. Nuevamente, los cuatro criterios CC, SI, NSE y WI

revelaron una mejora significativa en la precisión del método SVR-FOA en comparación con el método SVR, sin embargo, el método GEP todavía tenía la mayor precisión de predicción. En

resumen, los hallazgos de este trabajo sugirieron que el método GEP (con valores de 0.874, 0.598, 0.601 y 0.807 para los cuatro criterios sin embargo, el método GEP todavía tenía la mayor

precisión de predicción. En resumen, los hallazgos de este trabajo sugirieron que el método GEP (con valores de 0.874, 0.598, 0.601 y 0.807 para los cuatro criterios sin embargo, el método

GEP todavía tenía la mayor precisión de predicción. En resumen, los hallazgos de este trabajo sugirieron que el método GEP (con valores de 0.874, 0.598, 0.601 y 0.807 para los cuatro

criterios

CC, SI, NSE y WI, respectivamente) o ff ered una alternativa a los métodos actuales de predecir el pavimento
Matemáticas 2019, 7, 1198 18 de 22

RSL. Con base en la precisión deseada y el análisis de costo-beneficio, las agencias de transporte pueden usar
el método GEP para optimizar la precisión, solidez y confiabilidad del modelo considerando nuevos proyectos
o para calibrar los modelos anteriores.
En general, este estudio destaca la utilidad del uso de inteligencia artificial en la ingeniería del transporte. Los
resultados muestran que las técnicas de inteligencia artificial se pueden utilizar como una herramienta de
optimización (en tiempo y costo) en los sistemas de gestión de pavimentos. En términos de ingeniería de pavimentos,
este estudio concluyó que el RSL de pavimento, como factor fundamental en la planificación del mantenimiento de la
red de pavimentos, es un factor fl exible y no se limita a los costosos métodos actuales. Con la ayuda de métodos
similares con el método propuesto en este documento, el RSL se puede determinar lo antes posible. Esto facilitará la
planificación futura de las actividades de mantenimiento de carreteras.

Contribuciones de autor: Conceptualización, NK; metodología, NK; software, AD, AM, NN y SS; validación, AD, AM, NN y SS;
análisis formal, AK; investigación, NK, AD, AM, NN y SS; recursos, XX; curación de datos, NK, AD, AM, DMS, NN y SS; redacción:
preparación del borrador original, NK; redacción: revisión y edición, AM; visualización, NK; supervisión, SS; administración de
proyectos, AD y AM; adquisición de financiación, AD

Fondos: Este trabajo ha sido apoyado por el proyecto GINOP-2.3.4-15-2016-00003.

Expresiones de gratitud: Este trabajo ha sido apoyado por el proyecto GINOP-2.3.4-15-2016-00003.

Conflictos de interés: Los autores declaran no tener ningún conflicto de intereses.

Siglas

Abreviatura Descripción
RSL Vida útil restante
PCI Índice de condición del pavimento De
FWD fl ectómetro de peso descendente
GPR Radar de penetración en el suelo
SVR Soporte Regresión vectorial
SVR-FOA Regresión vectorial de soporte optimizada por el algoritmo de optimización de la mosca de la
GEP fruta Programación de expresión génica
CC Coe de correlación ffi cient
NSE Nash – Sutcli ff e E ffi índice de
SI eficiencia dispersa
Wisconsin Índice de acuerdo de Willmott
PMS Sistemas de gestión de pavimentos
MR&R Índice internacional de rugosidad de mantenimiento,
IRI rehabilitación y reconstrucción
PSI Índice de capacidad de servicio actual

PSR Relación de capacidad de servicio

ANA actual Máquina de vectores de soporte

SVM de red neuronal artificial

RBF Funcion de base radial

GEP Árbol de regresión de programación de
RT expresión genética
RF Bosque aleatorio
GP Programación genética
AMS Valor de la deducción del sistema de gestión

DV de evaluaciones

CDV Valor de deducción corregido

TDV Suma de DV
MnDOT Departamento de Transporte de Minnesota
MDOT Departamento de Transporte de Michigan
HWD Algoritmo genético del deflectómetro de peso
Georgia de caída pesada
Matemáticas 2019, 7, 1198 19 de 22

ETs Árboles de expresión

ORF Marco de lectura abierto
RRSE Error cuadrático relativo de raíz
RSE Error cuadrático relativo
RMSE Raíz del error cuadrático medio
MSE Error cuadrático medio
SVM Máquinas de vectores soporte
SRM Minimización del riesgo estructural

ERM Minimización del riesgo empírico Algoritmo de

FOA optimización de la mosca de la fruta

Referencias

1. Ziari, H .; Magreb, M .; Ayoubinejad, J .; Waller, ST Predicción del rendimiento del pavimento: Aplicación de la regresión
del vector de soporte con di ff kernels diferentes. Transp. Res. Rec. 2016, 2589, 135-145. [ CrossRef ] Ismail, N .; Ismail,
2. A .; Atiq, R. Una visión general de los sistemas expertos en la gestión de pavimentos. EUR. J. Sci. Res.
2009, 30, 99-111.
3. Marcelino, P .; de Lurdes Antunes, M .; Fortunato, E .; Gomes, MC Enfoque de aprendizaje automático para la predicción del
rendimiento del pavimento. En t. J. Pavement Eng. 2019, 12, 1-14. [ CrossRef ] Butt, AA; Shahin, MI; Feighan, KJ; Carpintero, SH
4. Modelo de predicción del rendimiento del pavimento utilizando el proceso de Markov; Junta de Investigación del Transporte:
Nueva York, NY, EE. UU., 1987.
5. Bianchini, AP Bandini, Predicción del rendimiento del pavimento a través del razonamiento neuro-difuso. Computación. Ayudado
Civ. Infraestructura. Ing. 2010, 25, 39–54. [ CrossRef ] Broten, M. Guía de aplicación de gestión de pavimentos de agencias locales; Wiley:
6. Nueva York, NY, EE. UU., 1997. Prozzi, JA Modelado del rendimiento del pavimento mediante la combinación de datos experimentales y de
7. campo; Universidad de California: Oakland, CA, EE. UU., 2001.

8. Shahnazari, H .; Tutunchian, MA; Mashayekhi, M .; Amini, AA Aplicación de computación suave para la predicción del
índice de condición del pavimento. J. Transp. Ing. 2012, 138, 1495–1506. [ CrossRef ]
9. Ziari, H .; Sobhani, J .; Ayoubinejad, J .; Hartmann, T. Predicción de IRI a corto y largo plazo para pavimentos flexibles:
métodos ANN y GMDH. En t. J. Pavement Eng. 2016, 17, 776–788. [ CrossRef ]
10. Mazari, MDD Rodríguez, Predicción de la rugosidad del pavimento utilizando una técnica de red neuronal de
programación de expresión génica híbrida. J. Tra ffi c Transp. Ing. (Ed. Inglés) 2016, 3, 448–455. [ CrossRef ] Kargah-
11. Ostadi, NSM Sto ff els, Marco para el desarrollo y comparación integral de modelos empíricos de desempeño de
pavimentos. J. Transp. Ing. 2015, 141, 04015012. [ CrossRef ] Kargah-Ostadi, N .; Sto ff els, SM; Tabatabaee, N. Modelo
12. de predicción de la rugosidad del pavimento a nivel de red para recomendaciones de rehabilitación. Transp. Res. Rec.
2010, 2155, 124-133. [ CrossRef ]
13. Terzi, S. Modelando el índice de aptitud de servicio actual del pavimento de pavimentos de carreteras flexibles utilizando
minería de datos. J. Appl. Sci. 2006, 6, 193-197.
14. Karballaeezadeh, N .; Mohammadzadeh, SD; Shamshirband, S .; Hajikhodaverdikhan, P .; Mosavi, A .; Chau, K.-W.
Predicción de la vida útil restante del pavimento utilizando una máquina de vectores de soporte optimizada (estudio de
caso de la carretera Semnan-Firuzkuh). Ing. Apl. Computación. Fluid Mech. 2019, 13, 188–198. [ CrossRef ] Ke-zhen, Y .;
15. Liao, H .; Yin, H .; Huang, L. Predicción de la relación de capacidad de servicio del pavimento fl exible con máquinas de
vectores de soporte. En Caracterización, Modelado y Mantenimiento de Pavimentos y Materiales Viales;
Sociedad Estadounidense de Ingenieros Civiles: Nueva York, NY, EE. UU., 2011; págs. 24–32.
dieciséis. Inkoom, S .; Sobanjo, J .; Barbu, A .; Niu, X. Predicción del estado de las grietas de los pavimentos de carreteras utilizando
modelos de aprendizaje automático. Struct. Infraestructura. Ing. 2019, 15, 940–953. [ CrossRef ]
17. Fathi, A .; Mazari, M .; Sagha fi, M .; Hosseini, A .; Kumar, S. Estudio paramétrico del deterioro del pavimento mediante
algoritmos de aprendizaje automático. En Pavimentos de carreteras y campos de aire 2019: Innovación y sostenibilidad en la
tecnología de pavimentos de carreteras y campos de aire; Sociedad Estadounidense de Ingenieros Civiles Reston: Reston, VA,
EE. UU., 2019; págs. 31–41.
18. Soncim, SP; de Oliveira, ICS; Santos, FB Desarrollo de modelos difusos para el desempeño de pavimentos asfálticos.
Acta Sci. Technol. 2019, 41, e35626. [ CrossRef ]
Matemáticas 2019, 7, 1198 20 de 22

19. Arhin, SA; Williams, LN; Ribbiso, A .; Anderson, MF Predicción del índice de condición del pavimento mediante el índice
internacional de rugosidad en una zona urbana densa. J. Civ. Ing. Res. 2015, 5, 10-17.
20. M fi nanga, DA Procedimiento de muestreo para la evaluación del estado del pavimento de los colectores locales y caminos de acceso.
Tanzan. J. Eng. Technol. 2007, 1, 99–109.
21. Wahyudi, W .; Sandra, PA; Mulyono, AT Análisis del índice de condición del pavimento (PCI) y alternativa de solución para
el manejo de daños en el pavimento debido a la sobrecarga del transporte de mercancías (Estudio de caso: Sección de
carreteras nacionales Frontera de Sumatra occidental-Ciudad de Jambi). En Proceedings of the Eastern Asia Society for
Transportation Studies, Lalkatta, India, 2013.
22. ASTM. ASTMD6433-07 Práctica estándar para encuestas de índice de condición del pavimento de carreteras y estacionamientos;
ASTM International: West Conshohocken, PA, EE. UU., 2009.
23. Marcelino, P .; Antunes, MdL; Fortunato, E. Indicadores integrales de desempeño para la evaluación del estado del
pavimento de carreteras. Struct. Infraestructura. Ing. 2018, 14, 1433-1445. [ CrossRef ]
24. Bryce, J .; Boadi, R .; Groeger, J. Índice de condición del pavimento relativo y clasificación actual de capacidad de servicio para
pavimentos con superficie de asfalto. Transp. Res. Rec. 2019, 2673, 48–59. [ CrossRef ]
25. Luo, Z .; Chou, EY Predicción del estado del pavimento mediante regresión por grupos. Transp. Res. Rec. 2006, 1974,
70–77. [ CrossRef ]
26. Das, A .; Pandey, B. Diseño mecanicista-empírico de carreteras bituminosas: una perspectiva india. J. Transp. Ing.
1999, 125, 463–471. [ CrossRef ]
27. Hossain, M .; Wu, Z. Estimación de la vida útil del pavimento asfáltico; 2002.
28. Park, HM; Kim, YR Predicción de la vida restante del pavimento asfáltico utilizando deflexiones de nivel de carga múltiple de fwd.
Transp. Res. Rec. 2003, 1860, 48–56. [ CrossRef ]
29. Smith, RE Estructuración de un sistema de gestión de pavimentos basado en microcomputadoras para agencias locales. Diss.
Abstr. En t. Parte B Sci. Ing. 1987, 47, 320–329.
30. Al-Suleiman, TI; Shiyab, AM Predicción de la vida útil restante del pavimento utilizando datos de rugosidad — Estudio de
caso en Dubai. En t. J. Pavement Eng. 2003, 4, 121-129. [ CrossRef ]
31. Setyawan, A .; Nainggolan, J .; Budiarto, A. Predecir la vida útil restante de la carretera utilizando el índice de condición del
pavimento. Procedia Eng. 2015, 125, 417–423. [ CrossRef ]
32. Saleh, M. Un enfoque empírico mecanicista para la evaluación de la capacidad estructural y la vida útil restante de
pavimentos fl exibles a nivel de red. Poder. J. Civ. Ing. 2016, 43, 749–758. [ CrossRef ]
33. Huang, YH Análisis y Diseño de Pavimentos; Pearson: Nueva York, NY, EE. UU., 1993.
34. Shahin, MI Gestión de pavimentos para aeropuertos, carreteras y aparcamientos; Springer: Nueva York, NY, EE. UU., 2005;
Volumen 501.
35. Abdel-Khalek, A .; Elsei fi, MA; Codjoe, J .; Fillastre, C. Estimación de la vida útil de pavimentos flexibles in situ en Luisiana
utilizando datos del sistema de gestión de pavimentos. En Proceedings of the Construction Research Congress 2018,
Nueva Orleans, LA, EE. UU., 2 a 4 de abril de 2018.
36. Kumar, R .; Matias de Oliveira, JL; Schultz, A .; Marasteanu, M. Medida de activos de vida útil restante, fase 1;
Departamento de Transporte de Minnesota, Springer: Manhattan / Nueva York, NY, EE. UU., 2018.
37. ASTM. Método de prueba estándar para deflexiones con un dispositivo de carga de impulso del tipo de peso descendente; ASTM: West
Conshohocken, PA, EE. UU., 2009.
38. Drenth, K. ELMOD 6: El paquete de diseño y evaluación estructural para pavimentos de carreteras, aeropuertos e industriales. En
Actas de la 8ª Conferencia Internacional sobre Pavimentación de Bloques de Concreto, San Francisco, CA, EE. UU., 6 a 8 de
noviembre de 2006.
39. ASTM. Guía estándar para el uso del método de radar penetrante de superficie terrestre para la investigación del subsuelo; ASTM:
West Conshohocken, PA, EE. UU., 2011.
40. Benedetto, A .; Tosti, F .; Ciampoli, LB; D'Amico, F. Una descripción general de las técnicas de procesamiento de señales de radar que
penetran en el suelo para inspecciones de carreteras. Proceso de señal. 2017, 132, 201–209. [ CrossRef ]
41. Salvi, R .; Ramdasi, A .; Kolekar, YA; Bhandarkar, LV Uso del radar de penetración terrestre (GPR) como E ff Herramienta
eficaz para evaluar pavimentos: una revisión. En Geotecnia para Infraestructura de Transporte; Springer: Manhattan /
Nueva York, NY, EE. UU., 2019; Volumen 95, pág. 85.
42. Cao, Y .; Labuz, JF; Dai, S .; Pantelis, J. Implementación de radar de penetración terrestre; Springer: Manhattan / Nueva
York, NY, EE. UU., 2007.
43. Designación, AS D4748-87 Método de prueba estándar para determinar el espesor de capas de pavimento unidas utilizando un
radar de pulso corto; Sociedad Estadounidense de Pruebas y Materiales: Filadelfia, PA, EE. UU., 1987.
Matemáticas 2019, 7, 1198 21 de 22

44. Ferreira, C. Programación de expresión genética en resolución de problemas, informática e industria; Springer:
Manhattan / Nueva York, NY, EE. UU., 2002; págs. 635–653.
45. Ferreira, C. Programación de expresión génica: un nuevo algoritmo adaptativo para resolver problemas. arXiv 2001,
arXiv: cs / 0102027.
46. Suykens, JA; Vandewalle, J. Los mínimos cuadrados admiten clasificadores de máquinas vectoriales. Proceso neuronal. Letón. 1999, 9,
293–300. [ CrossRef ]
47. Cherkassky, V .; Ma, Y. Selección práctica de parámetros SVM y estimación de ruido para regresión SVM.
Neural Netw. 2004, 17, 113–126. [ CrossRef ]
48. Pan, W.-T. Un nuevo algoritmo de optimización de la mosca de la fruta: tomando como ejemplo el modelo de angustia financiera.
Knowl. Syst basado. 2012, 26, 69–74. [ CrossRef ]
49. Ebtehaj, I .; Bonakdari, H .; Zaji, AH; Azimi, H .; Shari fi, A. Programación de expresión génica para predecir el coeficiente de
descarga ffi ciente en vertederos laterales rectangulares. Apl. Soft Comput. 2015, 35, 618–628. [ CrossRef ]
50. Yassin, MA; Alazba, A .; Mattar, MA Redes neuronales artificiales versus programación de expresión génica para estimar la
evapotranspiración de referencia en climas áridos. Agric. Water Manag. 2016, 163, 110-124. [ CrossRef ]
51. Lopes, HS; Weinert, WR EGIPSYS: Un enfoque de programación de expresión génica mejorada para problemas de regresión
simbólica. En t. J. Appl. Matemáticas. Computación. Sci. 2004, 14, 375–384.
52. Faradonbeh, RS; Salimi, A .; Monjezi, M .; Ebrahimabadi, A .; Moormann, C. Predicción del rendimiento de Roadheader
utilizando técnicas de programación genética (GP) y programación de expresión génica (GEP).
Reinar. Earth Sci. 2017, 76, 584. [ CrossRef ]
53. Ferreira, C. Programación de expresión genética: modelado matemático por una inteligencia artificial; Springer:
Manhattan / Nueva York, NY, EE. UU., 2006; Volumen 21.
54. Choubin, B .; Moradi, E .; Golshan, M .; Adamowski, J .; Sajedi-Hosseini, F .; Mosavi, A. Una predicción de conjunto de la
susceptibilidad a las inundaciones mediante análisis discriminante multivariante, árboles de clasificación y regresión y
máquinas de vectores de apoyo. Sci. Entorno total. 2019, 651, 2087–2096. [ CrossRef ]
55. Dehghani, M .; Riahi-Madvar, H .; Hooshyaripor, F .; Mosavi, A .; Shamshirband, S .; Zavadskas, EK; Chau, K.-W. Predicción de la
generación de energía hidroeléctrica utilizando el sistema de inferencia neuro-difuso adaptativo de optimización de lobo gris.
Energias 2019, 12, 289. [ CrossRef ]
56. Dibike, YB; Velickov, S .; Solomatine, D. Máquinas vectoriales de soporte: Revisión y aplicaciones en ingeniería civil. En
Actas del segundo taller conjunto sobre la aplicación de la IA en la ingeniería civil, Cottbus, Alemania, 20 de marzo de
2000.
57. Cortes, C .; Vapnik, V. Redes de vectores de soporte. Mach. Aprender. 1995, 20, 273-297. [ CrossRef ]
58. Cheng, K .; Lu, Z .; Wei, Y .; Shi, Y .; Zhou, Y. La función de kernel mixta admite la regresión vectorial para el análisis de
sensibilidad global. Mech. Syst. Proceso de señal. 2017, 96, 201–214. [ CrossRef ]
59. Cherkassky, V .; Mulier, FM Aprender de los datos: conceptos, teoría y métodos; John Wiley & Sons: Nueva York, NY, EE.
UU., 2007.
60. Vapnik, V. La naturaleza de la teoría del aprendizaje estadístico; Springer Science & Business Media: Berlín, Alemania, 2013.
61. Xiao, C .; Hao, K .; Ding, Y. Un algoritmo mejorado de optimización de la mosca de la fruta inspirado en el mecanismo de
comunicación celular. Matemáticas. Probl. Ing. 2015, 2015, 492195. [ CrossRef ]
62. Chu, D .; Él, Q .; Mao, X. Diagnóstico de fallas de rodamientos mediante una máquina de vectores de soporte optimizada con un algoritmo de

optimización de la mosca de la fruta novedosa. J. Vibroingeniería 2016, 18, 151-164.

63. Yu, Y .; Li, Y .; Li, J .; Gu, X. Algoritmo autoadaptativo de la mosca de la fruta, modelo optimizado de regresión de vectores de soporte para la
predicción de la respuesta dinámica del aislador de base de elastómero magnetorreológico. Neurocomputación 2016, 211,
41–52. [ CrossRef ]
64. Cong, Y .; Wang, J .; Li, X. Tra ffi predicción de fl ujo mediante una máquina de vectores de soporte de mínimos cuadrados con un algoritmo
de optimización de la mosca de la fruta. Procedia Eng. 2016, 137, 59–68. [ CrossRef ]
65. West, SG; Finch, JF; Curran, PJ Modelos de ecuaciones estructurales con variables no normales: problemas y soluciones;
Asociación Americana de Psicología: Washington, DC, EE. UU., 1995.
66. Joanes, D .; Gill, C. Comparación de medidas de asimetría de la muestra y curtosis. JR Stat. Soc. Ser. D (Stat.) 1998,
47, 183–189. [ CrossRef ]
67. George, D. SPSS para Windows paso a paso: una guía de estudio y una referencia sencillas, actualización 17.0, 10 / e; Pearson
Education India: Kolkata, India, 2011.
68. Mehr, AD Un modelo mejorado de programación de expresión génica para la predicción de flujo de corriente en corrientes
intermitentes. J. Hydrol. 2018, 563, 669–678. [ CrossRef ]
Matemáticas 2019, 7, 1198 22 de 22

69. Willmott, CJ; Robeson, SM; Matsuura, K. Un índice refinado de desempeño del modelo. En t. J. Climatol. 2012, 32,
2088–2094. [ CrossRef ]
70. Choubin, B .; Abdolshahnejad, M .; Moradi, E .; Querol, X .; Mosavi, A .; Shamshirband, S .; Ghamisi, P. Evaluación de peligros
espaciales del PM10 utilizando modelos de aprendizaje automático en Barcelona, España. Sci. Entorno total. 2020,
701, 134474. [ CrossRef ]
71. Shamshirband, S .; Hadipoor, M .; Baghban, A .; Mosavi, A .; Bukor, J .; V a rkonyi-K ó czy, AR Desarrollo de un modelo
ANFIS-PSOM para predecir las emisiones de mercurio en los gases de combustión. Matemáticas 2019, 7, 965. [ CrossRef
]
72. Mohammadzadeh, D .; Kazemi, S.-F .; Mosavi, A .; Nasseralshariati, E. Predicción del índice de compresión de suelos de
grano fino utilizando un modelo de programación de expresión genética. Infraestructuras 2019, 4, 26. [ CrossRef ]
73. Samadianfard, S .; Jarhan, S .; Salwana, E .; Mosavi, A .; Shamshirband, S. Regresión de vectores de soporte integrada con algoritmo de
optimización de la mosca de la fruta para la predicción del caudal de los ríos en la cuenca del lago Urmia. Agua 2019, 11, 1934. [ CrossRef ]

74. Taylor, KE Resumiendo múltiples aspectos del desempeño del modelo en un solo diagrama. J. Geophys. Res. Atmos.
2001, 106, 7183–7192. [ CrossRef ]

© 2019 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de acceso
abierto distribuido bajo los términos y condiciones de la licencia Creative Commons Attribution (CC
BY) (http://creativecommons.org/licenses/by/4.0/).