مقایسه نتایج مدل های رگرسیون خطی و شبکه عصبی مصنوعی برای بررسی نفوذپذیری روسازی بتن نفوذ پذیر
Publish place: Road Journal، Vol: 31، Issue: 114
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 165
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ROAD-31-114_015
تاریخ نمایه سازی: 24 بهمن 1401
Abstract:
روسازی بتن نفوذ پذیر میتواند به عنوان جایگزینی مناسب برای سایر روسازیها در ترافیک سبک شهری کاربرد داشته باشد. با هدف توسعه استفاده از این نوع روسازی شناخت ویژگیهای آن ضروری و دارای اهمیت است. از آنجا که میزان نفوذپذیری روسازی بتن نفوذ پذیر مهمترین ویژگی عملکردی این نوع روسازی است، شناخت بیشتر این ویژگی و نحوه تاثیرپذیری آن از پارامترهای طرح اختلاط هدف این مطالعه است. به این منظور ترکیبهای مناسبی از نمونههای بتن نفوذ پذیر با دانهبندی و نسبتهای آب به سیمان متفاوت به تعداد ۳۶ نمونه ساخته شده و مورد آزمایش قرار گرفته است. نسبت آب به سیمان جهت ساخت نمونههای آزمایشی در محدوده ۲۸/۰ تا ۳۴/۰ در ترکیب با سنگدانههای با حداکثر اندازه اسمی ۵/۹ میلیمتر، ۵/۱۲ میلیمتر و ۵/۱۹ میلیمتر انتخاب شده است. به منظور انتخاب مدل مناسب پیش بینی تغییرات نفوذپذیری مقایسه بین تکنیکهای شبکه عصبی مصنوعی و رگرسیون خطی صورت گرفته است. با استفاده از دادههای به دست آمده از فعالیت آزمایشگاهی و بررسی برازش مدلها، مدل بهینه پیشنهاد شده است. مقایسه مدلها نشان داد که رگرسیون خطی در پیشبینی تغییرات نفوذپذیری بتن نفوذ پذیر نتایج نزدیکتری را تولید کرده است. وجود ضرایب ۵۴.۵ و ۵۲.۵ و ۴۱.۵ برای اندازه سنگدانهها نسبت به ضرایب ثابت حدود نصف اعداد ذکر شده نشان دهنده تاثیر بیشتر این عامل بر نفوذپذیری است.
Keywords:
Authors
حسن تاجیک قشقائی
استادیار، گروه مهندسی عمران، واحد پرند، دانشگاه آزاد اسلامی، پرند، ایران
امیراسماعیل فروهید
استادیار، گروه مهندسی عمران، واحد پرند، دانشگاه آزاد اسلامی، پرند، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :