ВведениеОдной из важнейших проблем в строительстве дорог является выбор и обоснование технологических решений дорожного покрытия. Решение такой задачи является чрезвычайно сложной и, в первую очередь, из-за множества взаимосвязанных параметров, факторов, а также неопределенностей характеристик в задаче. Задача значительно усложняется, когда необходимо учесть еще сроки строительства и экономические показатели дорожного покрытия. Но именно в таком виде она и представляет наибольший интерес т. к. в практике эти характеристики зачастую являются важнейшими. Традиционно подобные проблемы решаются путем упрощения, идеализации моделей, усреднения данных и даже обосновывая игнорирование различных  параметров, доказывая их несущественность. Однако все это ведет в конечном итоге, в той или иной мере, к неточности результатов. Наибольшую трудность, можно считать, вызывают  неопределенность, недостаточность и даже отсутствие  данных или нечеткость, как это называется в разделе математики теории нечетких множеств (ТНМ)[8].Обращаясь к задаче определения технологических решений дорожного покрытия, кроме большого количества расчетных параметров сталкиваемся с целым рядом неопределенностей [2]. Именно для такого класса задач используются практические приложенияТНМ — нечеткое моделирование, нечеткая логика, а также продукционные нейронечеткие сети, являющихся математическим аппаратом интеллектуальных систем в самых различных областях человеческой деятельности [1,3,5-10].Таким образом, создание способов оценки технологических решений дорожных покрытий с учетом факторов неопределенности является важной научно-практической проблемой, но отсутствие разработок по этой теме не позволяет эффективно решать проблему и является препятствием дальнейшего совершенствования технологий дорожных работ.Целью исследований являлось совершенствование технологий дорожного строительства с использованием  интеллектуальной системы для оценки технологических решений устройства лесных дорог.Для достижения цели решались следующие задачи:- провести анализ опыта использования приложений теории нечетких множеств, интеллектуальных систем в дорожном строительстве и смежных областях;-провести анализ источников неопределенности в технологиях дорожных работ;- выявить качественные закономерности влияния на стоимость строительства лесных дорог основных параметров дорожного покрытия с учетом неопределенностей и выполнить постановку задачиоценки технологических решений дорожных покрытий;- разработать интеллектуальную системы оценки технологических решений дорожного покрытия в виде нейронечеткой сети в системе MATLAB;- выполнить обучение нейронной сети;- выполнить проверку адекватности модели по тестовым примерам. 1. Методы и средства исследований   В части методологии исследований использована теория проектирования дорожных покрытий и строительства лесных дорог [2]. Для учета факторов неопределенностей в постановке задачи использована теория нечетких множеств [7], а разработка интеллектуальной системы базируется на методах продукционных нейронечетких сетей гибридного типа ANFIS (AdaptiveNeuro-FuzzyInferenceSystem) [6].2. Результаты и обсуждение2.1 Анализ обзора исследований по темеВопросам совершенствования технологий дорожного строительства уделялось внимание многих исследователей. В их числе можно назвать профессоров, докторов техн. наук И.Г. Могилевича, В.Ф. Бабкова, В.П. Носова исследовавших проблему проектирования дорог общего пользования, А.П. Васильева, В.Н. Яромкоизучавшихвопросы эксплуатации, строительства дорог, В.В. Подольского в области технологии строительства и экологических аспектов зимнего содержания дороги других ученых. Совершенствованию лесовозных дорог посвящены работы профессоров, д.т.н.В.В. Сиротюка, Н.П. Вырко, В.К. Кирьянова, Э.О. Салминена, Б.С. Юшкова, Ю.Д. Силукова, И.Н. Кручинина. Проблема проектирования и строительства лесных дорог в систематизированном виде представлена в работах проф. Булдакова С.И. [2], в которых изложена методология устройства дорог такого типа. Все теоретические авторские методики подтверждены экспериментальным путем, поэтому дальнейшая теоретическая постановка задачи базировалась на этих работах.В процессе проектирования дорожного покрытия используется большое количество параметров. Значительную сложность вызывает то, что все параметры изменяются в широких пределах. При этом параметры являются противоречивыми, т.е. при улучшении одного сразу несколько других ухудшается. Но наибольшую трудность составляет неопределенность данных, используемых в задаче проектирования. На сегодня эта проблема в строительстве дорог решается статистическими методами, однако в условиях недостаточности данных и нерепрезентативности статистических выборок, необоснованности назначения статистических распределений или просто отсутствия данных, выбор технологических решений остается в полной мере нерешенной проблемой.Для такого класса задач с учетом неопределенностей наиболее успешно используются методы нечеткой логики [7], а также интеллектуальных систем в виде экспертных систем или нейронных сетей[1,4,8,9]. Несмотря на эффективность методов на основе интеллектуальных систем и нечеткой логики, в российской науке в области строительства дорог такие работы практически отсутствуют.   2.2. Постановка задачи оценки технологических решений дорожных покрытийВ практике дорожного строительства важнейшим параметром дороги следует назвать стоимость дорожного покрытия, а учитывая технологические требования, даже не всей дороги, а на длине технологической захватки. В свою очередь длина захватки,l,является важнейшим технологическим параметром проекта. От выбранной ее длины будет зависеть весь процесс строительства. Поэтому она рассчитывается, в первую очередь, в зависимости от длины всей дороги, продолжительности периода строительства и объема материала на конструкцию дорожной одежды. Другим значимым параметром следует принять расстояние доставки материалов, L. С последним связаны параметры числа машин,N, и стоимость машино-смены, С. Обязательно следует включить в модель величину стоимости материалов(тонна асфальтобетона), М, что позволит в целом рассчитать стоимость конструкции дорожной одежды,R, в пределах технологической захватки.Таким образом, сформулированная постановка задачи будет выглядеть следующимобразомR = f(l, L, C, M).Для решения задачи с использованием нейронной сети следует определить обучающие выборки входных и выходного параметров. Рекомендуемое количество примеров обучающего множестваQ может быть рассчитано по формуле [3]Q = 7Nx+ 15,       (1)где Nx- количество входных переменных сети.В отношении формулы (1) автором [10] отмечается, что она приемлема для построения регрессионных моделей, а для нейронных сетей эмпирически определено достаточное количество примеров в 2-4 раза меньше. В нашем случае обучение, т.е. обеспечение приемлемой точности,было достигнуто на 6 примерах.Исходные данные, которые были приняты по реальным проектам устройства дорог в лесных районах Свердловской области приведены в таблице.Таким образом, входными данными были определены длина захватки l(от 100 до 300 м), стоимость машино-смены С (от 10400 до 12000 руб.), стоимость материалов М (от 2450 до 3500 руб), расстояние доставки материалов L (от 11 до 38 км),  численность парка машин N (от 34 до 83 ед.). Выходной переменной является стоимость дороги Rubl (от 7198,55 до 17217,76 тыс. руб.) В проектах марка или грузоподъемность машин принимается не варьируемой, т.к. парк техники на практике большей частью бывает однотипный. В данном случае во всех проектах грузоподъемность принималась равной 33 т.2.3. Разработка нейронной сетиИнтеллектуальную систему в данном случае строим в виде адаптивной нейронечеткой продукционнойсети типа ANFIS (Adaptive Network-based Fuzzy Inference System). Ее преимущество перед простой нейронной сетью в том, что она обладает свойствамикак продукционных нечетких систем, основанных на правилах, так и простых сетей. По этому признаку она относится к гибридным системам.Для реализации модели использована среда anfisedit- один из Toolboxсистемы MATLAB[6]. Процесс создания сети ANFISпоказан на рис. 1а-е. Вначале создается файл формата .datс исходными данными в виде матрицы (рис. 1а) и загружается в систему (рис. 1б). Затем определяется структура сети, основанной на правилах с нечетким выводом по методу Сугено (рис. 1в) и выполняется корректировка лингвистических переменных для всех входных параметров (рис. 1г). Запускается генерация сети, выводится ее структура (рис. 1д) и созданная база правил (рис. 1е). После создания сети выполняется ее обучение (тренировка, как указано в меню интерфейса). В данном случае обучение обеспечило точность, если смотреть на примере первой выборки, то до второго знака после запятой (рис. 2а,б). Физически -это определена стоимость дорожного покрытия с точность до 100 руб. (см. рис. 2б).Таким образом, сеть настроена и для оценки ее адекватности была выполнена проверка на тестовых примерах. Параметры тестовых примеров задавались в рабочей области MATLAB(рис. 2в-д),(на рис. 2д результаты считываются из процедуры нечеткого вывода по базе правил). Так для выборки l=100 м, L=22 км, N=50 ед., С =10400 руб., М=3400 руб, Rubl = 4551,8 тыс. руб. получено по модели значение Rubl = 4551,1 тыс. руб, что совпадает с исходным значением в обучающем примере. Задавая другие тестовые примеры (рис. 2в,г)l=250 м, L=15 км, N=34 ед., С =10400 руб., М=3400 руб, получаем Rubl = 12712 тыс. руб, а с исходными данными (рис.2г) l=250 м, L=15 км, N=37 ед., С =10400 руб., М=3300 руб, получаем Rubl = 13848 тыс. руб. Для выборки (рис.2д) l=200 м, L=13 км, N=71 ед., С =11700 руб., М=2820 руб, получено по модели значение Rubl = 2230 тыс. руб, что также согласуется результатами проектирования.Результаты проверки по тестовым примерам, взятых также из реальных проектов устройства дорожных покрытий, показали расхождение не более 1%, что говорит о достаточной адекватности интеллектуальной системы. Но такая точность обеспечивается в области значений близких к значениям обучающей выборки. По мере большего отклонения тестовых значений от обучающих, погрешность увеличивается до 8-12 %.Этот факт объясняется малым количеством обучающих примеров. В данном случае их оказалось несколько меньше необходимого.  Но в практике решение этой проблемы не вызовет трудностей, т.е. потребуется только повторить  обучение с большим количеством примеров.Подытоживая, можно заключить следующее.- при проектировании дорожных покрытий неопределенности данных встречаются в большинстве процедур, но учитываются они не вполне корректно, что приводит к недостаточно обоснованным решениям;- предложенная интеллектуальная система в виде нейронечеткой сети для оценки технологических решений является достаточно адекватной, учитывает наиболее важные параметры, позволяет принимать оперативные решения без выполнения длительного процесса разработки проектов, поэтому может быть рекомендована для использования в практике дорожного строительства.    ТаблицаИсходные данные для обучения нейронной сети№Длина зах-ватки lz, мРасстояние доставки материалов L, кмЧисло машинN, ед.Стоимость машиносмены С, рубСтоимость материалов М, руб.Стоимость конструкции дор. Одежды Rubl, тыс.р.110022501040034004 551,112250153410400320012 711,73315020371040033507198,554300207310400335017217,765200118312000245010257,796250387312000350012938,31(Собственная разработка авторов)   а) б)  в)  г)  д)  е)   Рис. 1.Создание нейронечеткой сети ANFIS:а) создание файла с исходными данными; б)загрузка данных в систему; в) – задание структуры сети и метода нечеткого вывода (Сугено); г)корректировка лингвистических переменных для всех входных параметров; д) – генерация нейронной сети; е) генерация базы правил нечеткой продукции(Собственная разработка авторов в среде MATLAB)  а) б) в) г) д) Рис. 2.Обучение нейронной сети и проверка на тестовых примерах:а)обучение (тренировка) сети и настройка под допустимое значение ошибки; б)тестовый контроль обученной сети с исходными выборками данных;в,г,д) проверка адекватности по тестовым примерам(Собственная разработка авторов в среде MATLAB)