محاسبات برگشتی غیرخطی روسازی های مقطع معکوس با روش ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی برخورد اجسام
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 11
This Paper With 22 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTIEJO-5-4_007
تاریخ نمایه سازی: 6 شهریور 1403
Abstract:
یکی از روش های متداول برای تعیین ظرفیت باربری روسازی، بهره گیری از نتایج آزمایش افتوخیزسنج ضربه ای (FWD) است. سیستم روسازی های مقطع معکوس در سال ۱۹۷۰ میلادی در آفریقای جنوبی توسعهیافته است. این روسازی به صورت یک ساختار ساندویچی اجرا می شود. به طوریکه یک لایه اساس سنگدانه ای بین دولایه با مدول برجهندگی بالا (لایه بتن آسفالتی و لایه اساس تثبیت شده با سیمان) قرار می گیرد. هدف از این تحقیق، توسعه روشی به منظور پیش بینی مدول برجهندگی لایه های روسازی بر پایه افت وخیزهای اندازه گیری شده با دستگاه افتوخیزسنج ضربه ای است. با توجه به اینکه مدلسازی غیرخطی مصالح اساس سنگدانه ای در روسازی های مقطع معکوس بسیار حائز اهمیت است، برای ایجاد پایگاه داده افتوخیز از تحلیل غیرخطی حدود ۳۸۰۰۰ مقطع روسازی معکوس توسط برنامه المان محدود غیرخطی MICH-PAVE استفاده شده است. سپس، با بهره گیری از روش ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی برخورد اجسام، روشی به منظور انجام محاسبات معکوس روسازی های مقطع معکوس با فرض رفتار غیرخطی اساس سنگدانه ای توسعه داده شده است. نتایج نشاندهنده انطباق بسیار خوب افتوخیزهای حاصل از برنامه MICH-PAVE با نتایج حاصل از برنامه KENLAYER و داده های میدانی است. همچنین، شبکه عصبی مصنوعی با دقت بسیار زیاد (ضریب رگرسیون بیش از ۹۹/۹۹ درصد) امکان پیش بینی کاسه نشست سطح روسازی های مقطع معکوس با توجه به اطلاعات مدول برجهندگی و ضخامت لایه ها را فراهم می سازد. بهعلاوه، مدل ترکیبی شبکه عصبی و الگوریتم برخورد اجسام در مقایسه با مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم ژنتیک دقت و سرعت بالاتری برای پیش بینی مدولهای برجهندگی لایه های روسازی مقطع معکوس دارد.
Keywords:
Authors
علیرضا غنی زاده
Department of Civil Engineering, Sirjan University of Technology, Sirjan, Iran
مهرداد پاداش
Department of Civil Engineering, Sirjan University of Technology
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 :