پیش بینی شاخص خودترمیمی مخلوط های آسفالتی با استفاده از شبکه عصبی مصنوعی
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 171
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTE-14-3_006
تاریخ نمایه سازی: 15 خرداد 1402
Abstract:
جادهها از سرمایههای مهم هر کشور محسوب میشوند و سالانه بخش زیادی از بودجه کشور صرف عملیات ترمیم و نگهداری برای رفع ترک خوردگیها میشود. یکی از عواملی که میتواند در افزایش عمر مفید روسازی آسفالتی موثر باشد، پتانسیل خودترمیمی مخلوطهای آسفالتی است. در این پژوهش با در نظر گرفتن عوامل موثر بر شاخص خودترمیمی (مانند نوع افزودنی، درصد افزودنی، دانهبندی مخلوط آسفالتی، نوع قیر، چرخه ترمیم ترک، نوع گرمایش و زمان گرمایش)، با استفاده از شبکه عصبی مدلی جهت پیشبینی این شاخص ارائه شده است. بدین منظور از شبکه عصبی چندلایه (MLP)، شبکه عصبی چندلایه بهینهسازی شده با الگوریتم ازدحام ذرات (PSO)، شبکه عصبی شعاعی پایه (RBF) و تجزیه و تحلیل آماری با نرم افزار SPSS استفاده شده و نتایج این روشها با یکدیگر مقایسه شدند. به منظور صحت سنجی مدل، شاخص خود ترمیمی نمونه آسفالتی حاوی ۶۰ درصد سرباره در آزمایشگاه محاسبه شده و با نتایج بدست آمده از مدل مقایسه و ارزیابی شده است. نتایج نشان داد، شبکه عصبی چندلایه (MLP) با ضریب همبستگی برابر با ۰.۹۶ نسبت به دیگر روشها عملکرد بهتری در زمینه پیشبینی شاخص خودترمیمی دارد و برای بررسی قدرت تعمیم شبکه عصبی با استفاده از دادههایی که در طول مدلسازی بکار گرفته نشدند، شبکههای عصبی چندلایه (MLP) و شعاعی پایه (RBF) بهترین عملکرد را دارند.
Keywords:
Authors
مهسا روحی
دانشجوی کارشناسی ارشد راه و ترابری، دانشکده عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
سید علی حسینی
استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران
عباس محمدی
مربی، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، 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 :