توسعه مدل پیش بینی مدول برجهندگی خاک های رسی تثبیت شده با استفاده از شبکه عصبی مصنوعی

وحید خلیفه; علیرضا غنی زاده; نوید ندیمی

توسعه مدل پیش بینی مدول برجهندگی خاک های رسی تثبیت شده با استفاده از شبکه عصبی مصنوعی

Publish place: Transportation Research Journal، Vol: 20، Issue: 4

Publish Year: 1402

نوع سند: مقاله ژورنالی

زبان: Persian

This Paper With 14 Page And PDF Format Ready To Download

دریافت فایل کامل Paper

Certificate
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

https://civilica.com/doc/1816730

شناسه ملی سند علمی:

JR_TRJ-20-4_006

تاریخ نمایه سازی: 23 آبان 1402

Abstract:

مدول برجهندگی خاک یکی از شاخص‎های مهم در طراحی روسازی راه‎هاست که نقش بسیار مهمی در تعیین ضخامت روسازی دارد. تعیین مدول برجهندگی خاک‎ها به روش مستقیم و بر اساس نتایج آزمایشگاهی به دلیل هزینه‎های بالای آن از جهت تجهیزات و نیروی انسانی معمولا مقرون به صرفه نیست. لذا بر پایه اطلاعات میدانی گذشته می‎توان بر اساس روش‎های هوش مصنوعی اقدام به پیش‎بینی و تعیین این شاخص بر اساس داده‎های ورودی نمود. هدف از این مقاله توسعه مدلی جهت پیش‎بینی مدول برجهندگی خاک‎های رسی تثبیت شده با استفاده از شبکه عصبی مصنوعی است. بدین منظور ۴ نمونه خاک مختلف تثبیتشده با افزودنی‎هایی نظیر آهک، خاکستر بادی و غبار کوره سیمان مورد بررسی قرار گرفتند. در این مقاله از داده‎های گزارش شده در پیوست طراحی روسازی به روش آشتو ۲۰۰۲ استفاده شد. با مقایسه خروجی‎های بدست آمده با داده‎های واقعی بر اساس شاخص‎های آماری همچون ضریب رگرسیون و جذر میانگین مربعات خطا مشخص شد که در همه موارد نتایج مطلوبی بدست آمد. مقدار ضریب رگرسیون ۹۹/۰ و جذر میانگین مربعات خطا کمتر از ۶ درصد نشان از دقت بالای مدل توسعه داده شده در پیش‎بینی مدول برجهندگی خاک‎های تثبیت شده دارد.

Keywords:

مدول برجهندگی , شبکه عصبی مصنوعی , پیش بینی , روسازی

Authors

وحید خلیفه

استادیار ، دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان، سیرجان، ایران

علیرضا غنی زاده

دانشیار، دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان، سیرجان، ایران

نوید ندیمی

دانشیار، بخش مهندسی عمران، دانشکده فنی- مهندسی، دانشگاه شهید باهنر کرمان، 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 :

Amiri, A. M., Nadimi, N., & Yousefian, A. (۲۰۲۰). Comparing ...
Ardah, A., Chen, Q., & Abu-Farsakh, M. (۲۰۱۷). Evaluating the ...
Dhar, S., & Hussain, M. (۲۰۲۱). The strength and microstructural ...
Ghorbani, B., Arulrajah, A., Narsilio, G., Horpibulsuk, S., & Bo, ...
Hanandeh, S., Ardah, A., & Abu-Farsakh, M. (۲۰۲۰). Using artificial ...
Hanittinan, W. (۲۰۰۷). Resilient modulus prediction using neural network algorithm. ...
Hossain, M. (۲۰۰۸). Characterization of Subgrade Resilient Modulus for Virginia ...
Ikechukwu, A. F., Hassan, M. M., & Moubarak, A. (۲۰۲۱). ...
Jue, L., Junhui, Z., Guoping, Q., Jianlong, Z., & Yuqing, ...
Kim, S.-H., Little, D. N., Masad, E., & Lytton, R. ...
Kim, S.-H., Yang, J., & Jeong, J.-H. (۲۰۱۴). Prediction of ...
Kim, S. (۲۰۰۴). Determination of aggregate physical properties and its ...
Musharraf, Z., Pranshoo, S., Ali, E., & Luther, W. (۲۰۱۰). ...
Nazzal, M. D., & Tatari, O. (۲۰۱۳). Evaluating the use ...
Okeke, C. A. U. (۲۰۲۰). Engineering behaviour of lime- and ...
Pahno, S., Yang, J. J., & Kim, S. S. (۲۰۲۱). ...
Pal, M., & Deswal, S. (۲۰۱۴). Extreme Learning Machine Based ...
Park, H. I., Kweon, G. C., & Lee, S. R. ...
Raju, M. M., Srivastava, R. K., Bisht, D. C. S., ...
Sadrossadat, E., Heidaripanah, A., & Ghorbani, B. (۲۰۱۸). Towards application ...
Sung-Hee, K., Erol, T., N., L. D., & Nakseok, K. ...
Yang, Y. Zhang, Q. (۲۰۰۷). Analysis for the results of ...
Zhang, J., Gu, F., & Zhang, Y. (۲۰۱۹). Use of ...
Zhang, J., Peng, J., Liu, W., & Lu, W. (۲۰۲۱). ...
Zhang, J., Peng, J., Zeng, L., Li, J., & Li, ...

نمایش کامل مراجع