مرتضی اویسی فر - دانشجوی کارشناسی ارشد، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی بیرجند، بیرجند، ایران
محمد عابدینی - استادیار، دانشکده فنی و مهندسی دانشگاه آزاد اسلامی بیرجند، بیرجند، ایران

سرعت وسایل نقلیه می تواند بر عملکرد و خرابی روسازی تاثیرگذار باشد، دو معیار مهم در خرابی های ناشی از عبور بار در روسازی انعطاف پذیر، ترک های خستگی و شیارشدگی است. کرنش کششی زیر لایه رویه و کرنش فشاری روی خاک بستر در برابر خستگی و شیارشدگی به عوامل مختلفی مانند خصوصیات بارگذاری وسایل نقلیه نظیر سرعت و مقدار بار عبوری وفشار سطح تماس بستگی دارد. در این پژوهش از الگوریتم های یادگیری ماشین برای مدل پیش بینی خرابی بحرانی روسازی انعطاف پذیر مبتنی بر سرعت وسایل نقلیه استفاده شده است. در فرآیند استفاده از شبکه های عصبی، داده های شبکه عصبی ابتدا یک سری مقادیر تصادفی را به عنوان وزن ها و بایاس های اولیه شبکه انتخاب می کند و این یکی از معایب آن است. در این راستا از الگوریتم بهینه سازی ازدحام ذرات برای بهینه سازی وزن شبکه های عصبی استفاده می شود. در مقایسه با الگوریتم های بهینه سازی، الگوریتم بهینه سازی ازدحام ذرات (PSO) برای پیاده سازی ساده تر است و می تواند نقطه بهینه را به سرعت پیدا کند. با توجه به نتایج در سرعت های پایین وسایل نقلیه، احتمال وجود خرابی های خستگی، شیارشدگی و افت و خیزروسازی بیشتر می شود و هرچه سرعت وسیله نقلیه کمتر شود، تعداد تکرار بار منجر به خرابی نیز کاهش می یابد و افزایش سرعت باعث می شود که خرابی در روسازی کمتر شود.

سرعت وسایل نقلیه, خرابی بحرانی, روسازی انعطاف پذیر, شبکه عصبی-فازی, الگوریتم بهینه سازی ازدحام ذرات