حسن حسین زاده - کارشناسی ارشد مهندسی عمران گرایش راه و ترابری، مسئول امور تحقیق و توسعه سازمان عمران شهرداری مشهد

روش آزمایشگاهی برای به دست آوردن درصد بهینه قیر و پارامترهای مربوطه روسازی های آسفالتی مستلزم روشهایآزمایشگاهی زمان بر، پیچیده و پرهزینه است و به پرسنل ماهر نیاز دارد. این مطالعه تحقیقاتی از تکنیک های نوآورانه و پیشرفتهیادگیری ماشین مانند ماشین بردار پشتیبان برای توسعه مدل های پیش بینی تجربی برای پایداری مارشال استفاده می کند.مجموعه ای جامع، قابل اعتماد، گسترده و متنوع از نمونه های کنترل کیفیت آسفالت سازمان عمران شهرداری مشهد که از مصالحمختلف و طبق دو طرح اختلاط متفاوت تولید شده بودند جمع آوری گردید. مجموعه داده شامل ۲۰۰۰ نمونه آسفالت حاویقیر خالص و ۵۲۰ نمونه آسفالت حاوی قیر پودر لاستیکی بود. ۱۳ مقدار ورودی برای پیش بینی پایداری مارشال در نظر گرفتهشد. پس از بهینه کردن مدل SVM با استفاده از روش K-fold cross validation مدل سازی انجام گرفت. پس از ارزیابی مدل با استفاده از دادههای آزمایشی مدل به ضریب تعیین ۰/۸۱ رسید. در ادامه به منظور حل مشکل نامتوازن بودن داده ها، نمونهها با استفاده از روشهای افزایش داده افزوده شدند که پس از ساخت و ارزیابی مدل، ضریب تعیین به ۰/۸۹ رسید. در ادامه با آنالیز حساسیت تاثیر مقادیر ورودی بر روی مدلسازی تعیین گردید. استفاده از روش SVM به همراه روش های افزایش داده می تواند به خوبی روابط پیچیده را شناسایی و از آن برای صرفه جویی در زمان، هزینه و افزایش دقت استفاده کرد.

آسفالت، مقاومت مارشال، یادگیری ماشین، ماشین بردار پشتیبان، افزایش داده