پیش بینی خرابی پلکانی شدن در روسازی های بتنی غیرمسلح درزدار و تعیین پارامترهای موثر بر این خرابی با استفاده از شبکه های عصبی مصنوعی
یکی از خرابی های مهم عملکردی در روسازی های بتنی، خرابی پلکانی شدن است. پیش بینی مقدار این خرابی می تواند در طراحی بهینه روسازی بتنی و نیز استقرار سامانه مدیریت تعمیر و نگهداری روسازی ها مورد استفاده قرار گیرد. در این مطالعه از شبکه های عصبی مصنوعی برای پیش بینی مقدار این خرابی بر اساس داده های عملکرد طولانی مدت روسازی (LTPP) استفاده شده است. ابتدا با استفاده از 32 متغیر انتخابی ورودی شامل داده های ترافیکی، آب و هوایی و سازه ای، معماری شبکه عصبی مصنوعی با روش آزمون و خطا تعیین شده و سپس معماری مشخص شده به درستی آموزش داده شده است. علاوه بر متغیرهای مورد استفاده در مطالعات گذشته، متغیرهای ورودی جدیدی نظیر ضریب پواسون و مدول الاستیسیته دال بتنی که تاکنون بررسی نشده اند نیز در بین این 32 متغیر مد نظر قرار گرفته است. سپس با بکارگیری روش جدید NSGA2-MLP، 19 متغیر مهم شناسایی شده و یک مدل شبکه عصبی جدید با این تعداد متغیر ساخته شده است. مقدار ضریب همبستگی، میانگین مربعات خطا و میانگین خطای مطلق برای مدل ساخته شده با 32 متغیر و 19 متغیر به ترتیب برابر 97/0، 45/0، 43/0، 95/0، 54/0 و 6/0 می باشد. در انتها با استفاده از روش جنگل تصادفی میزان اهمیت 19 متغیر بر اساس درصد تعیین گردید. چهار متغیری که بیشترین اهمیت را دارند بر اساس سهم درصد اهمیت متغیر از 100 به ترتیب عبارتند از تعداد تجمعی روزهای با بارش بیشتر از 7/12 میلیمتر با 24%، مدول الاستیسته دال بتنی با 14%، عمر روسازی با 12% و ضخامت اساس با 10% اهمیت.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.