Esnek üstyapılarda görülen yüzey bozulmaları ile düzgünsüzlük arasındailişkilerin araştırıldığı çalışmalar incelendiğinde sınırlı sayıda yüzey bozulma türünündikkate alındığı görülmektedir. Literatüre katkı sağlamak amacıyla bu çalışmada, 13adet yüzey bozulma türü ve bozulma şiddetleri ile birlikte toplam 32 adet üstyapıbozulması ile IRI arasındaki ilişkilerin matematiksel modelleme analizi yapılmıştır.Modelleme çalışmalarında doğrusal regresyon, değişkenli uyarlamalı regresyon eğrileri(MARS) ve yapay sinir ağları (YSA) yaklaşımları kullanılmıştır. Oluşturulan modellerintahmin yetenekleri ortalama mutlak hata (OMH), kök ortalama karesel hata (KOKH),ortalama mutlak göreceli hata (OMGH) ve regresyon katsayısı (R2) istatistikselkarşılaştırma yöntemleri kullanılarak değerlendirilmiştir. Tahmin yeteneği en yüksekolan modelin YSA yaklaşımı kullanılarak oluşturulan model olduğu tespit edilmiştir.Ayrıca, YSA yaklaşımında girdi değişkenlerinin çıktı değişkeni üzerindeki etkileribağlantı ağırlıklarına göre değerlendirilmiştir. Bu değerlendirmeye göre, üstyapıbozulmaları oluşma nedenlerine (mekanizmalarına) göre incelendiğinde, IRI üzerinde% 43.8 yük kaynaklı, % 39 diğer sebepler kaynaklı ve % 17.2 iklim kaynaklıbozulmaların etkili olduğu sonucuna ulaşılmıştır.
When studies investigating the relationship between pavement roughness and surface distresses seen in flexible pavements are examined, a limited number of surface distress types are considered to be taken into account. In order to contribute to the literature, in this study, mathematical modeling analysis of relations between IRI and a total of 32 pavement distresses with 13 types of surface distress types and severities were carried out. Linear regression, multivariate adaptive regression splines (MARS) and artificial neural networks (ANN) approaches are used in modeling studies. Estimating capabilities of the analyzed mathematical models were evaluated using statistical comparison methods such as mean absolute error (MAE), root mean squared error (RMSE), mean absolute relative error (MARE) and regression coefficient (R2). The model constructed using the ANN approach was ascertained to be the model with the highest prediction accuracy. In addition, in the ANN approach, the effects on the output variable of the input variables are evaluated according to the connection weights. According to this evaluation, when pavement distresses are examined according to the cause of distress, it is concluded that 43.8 % of IRI is caused by load, 39 % is caused by other causes and 17.2 % is caused by climate.
