حسن حسین زاده - دانش آموخته کارشناسی ارشد، مهندسی عمران، موسسه آموزش عالی اقبال لاهوری، مشهد، ایران
علیرضا حسنی - دانشجوی کارشناسی ارشد، مهندسی عمران، موسسه آموزش عالی اقبال لاهوری، مشهد، ایران
سینا آرمان - دانش آموخته کارشناسی ارشد، مهندسی عمران، دانشگاه آزاد اسلامی، مشهد، ایران
امیرسیاوش حجازی - دانش آموخته کارشناسی ارشد، مهندسی عمران، دانشگاه آزاد اسلامی، مشهد، ایران

سازمان های مسئول ساخت و نگهداری راه ها معمولا از برخی معیارها برای واجد شرایط بودن مخلوط های آسفالتی قبل از استفاده در ساخت وساز استفاده می کنند. یکی از مهم ترین ویژگی هایی که در طرح اختلاط و کنترل کیفی آسفالت سنجیده می شود مقاومت مارشال آسفالت می باشد. این مطالعه استفاده از روش های یادگیری ماشین را برای پیش بینی مقاومت مارشال آسفالت را بررسی می کند. با توجه به زمان بر بودن و هزینه بر بودن فرایند تولید و کنترل کیفی آسفالت، استفاده از روش های نوین در این فرایند ضرورت دارد. در این پژوهش از دو الگوریتم نظارت شده ماشین بردار پشتیبان و جنگل تصادفی که از الگوریتم های یادگیری ماشین محسوب می شوند به منظور پیش بینی مقاومت مارشال آسفالت استفاده شد. برای این منظور، نتایج آزمایشات ۲۰۰۰ نمونه آسفالت کارخانه آسفالت سازمان عمران شهرداری مشهد شامل دانه بندی مصالح، درصد شکستگی مصالح، درصد جذب قیر، وزن مخصوص قیر، وزن مخصوص حقیقی مصالح، درصد قیر مصرفی، نسبت درصد وزنی فیلر به قیر موثر و مقاومت مارشال آسفالت برای آموزش و ارزیابی مدل ها بکاررفته است. پس ساخت مدل و ارزیابی آن ها، مقدار R۲ برای روش ماشین بردار پشتیبان برابر ۵/۸۷ و برای جنگل تصادفی ۶۹/۸۲ به دست آمده است. همچنین مقادیر MAPE، RMES و SDE برای SVM به ترتیب معادل ۱۰۷۳/۳، ۰۴۲/۴۰ و ۰۲۰۸/۰ و برای RF به ترتیب معادل ۱۶۴۱/۳، ۸۷۰/۴۱ و ۰۲۱۱/۰ محاسبه گشت. نتایج حاصله نشان دهنده کارآمدی مدل های استفاده شده در برابر روش های آزمایشگاهی برای پیش بینی مقاومت مارشال آسفالت است که روش SVM عملکرد مطلوب تری را نسبت به RF داراست. از روش های یادگیری ماشین می توان برای پیش بینی سایر پارامترهای طرح اختلاط آسفالت استفاده و زمان، هزینه و خطای انسانی آزمایشات را کاهش داد.

آسفالت, الگوریتم های یادگیری ماشین, جنگل تصادفی, ماشین بردار پشتیبان, مقاومت مارشال