کاربرد روش ترکیبی شبکه عصبی موجک و الگوریتم بهینه سازیTLBO به منظور مدل سازی مدول برجهندگی مصالح زیراساس سنگدانه ای

مدول برجهندگی مصالح راه سازی یکی از پارامتر های مهم در تحلیل و طراحی روسازی چه در روش های تجربی و چه در روش های مکانیستیک تجربی است. این پارامتر به عنوان اصلی ترین پارامتر برای بیان سختی و رفتار تنش-کرنش مصالح راه سازی تحت اثر تنش های تناوبی مورداستفاده قرار می گیرد. برای تعیین این پارامتر نیاز به انجام آزمایش بارگذاری سه محوری دینامیکی در تنش های محدود کننده و تنش های انحرافی مختلف است که بسیار وقت گیر و پرهزینه است. در این مقاله از روش ترکیبی شبکه عصبی موجک (WNN) و الگوریتم بهینه سازی مبتنی بر آموزش و یادگیری (TLBO) به منظور مدل سازی مدول برجهندگی مصالح زیراساس استفاده شده است. ورودی های مدل شامل حداکثر وزن مخصوص خشک، ضریب یکنواختی، ضریب انحناء، درصد عبوری از الک نمره ۲۰۰، تنش محدودکننده و تنش انحرافی و خروجی مدول برجهندگی در نظر گرفته شده است. نتایج این تحقیق نشان می دهد که افزایش تعداد نرون ها در لایه مخفی به تعداد بیشتر از ۲۰ نرون تاثیر چندانی بر روی افزایش دقت شبکه عصبی موجک ندارد و تابع موجک Mexican Hat بهترین نتیجه را در پیش بینی مدول برجهندگی دارد. همچنین روش WNN-TLBO در مقایسه با روش ANN دارای دقت بیشتری در پیش بینی مدول برجهندگی مصالح زیراساس است. نتایج اعتبار سنجی خارجی نشان می دهد که روش WNN-TLBO همه معیارهای لازم را برآورد می کند که دلالت بر پتانسیل پیش بینی بالای این روش دارد. نتایج تحلیل حساسیت نشان می دهد که درجه اهمیت متغیر تنش محدودکننده نسبت به سایر متغیرها برای پیش بینی مدول برجهندگی بیشتر است. همچنین تحلیل پارامتریک تاثیر هر متغیر ورودی را روی مدول برجهندگی نشان می دهد.

Keywords:

مدول برجهندگی , شبکه عصبی موجک(WNN) , الگوریتم TLBO , زیراساس سنگدانه ای