توسعه مدل پیش بینی عمق شیارشدگی مخلوط های آسفالتی گرم با استفاده از شبکه عصبی
محققان و مهندسان دایما در تلاش هستند تا عملکرد روسازی های آسفالتی را بهبود بخشند. روسازی ها، به عنوان سطوحی که اغلب توسط محورهای سنگین بارگیری می شوند، باید مقاومت کافی در برابر خستگی ، ترک خوردگی و شیارشدگی داشته باشند. در این مقاله با استفاده از داده های به دست آمده از نتایج آزمایشگاهی مطالعه قبلی که مخلوط های آسفالتی گرم (WMA) اصلاح شده با الیاف شیشه و 0، 20، 40 و 50 درصد آسفالت تراشیده شده بازیافتی (RAP) برای بررسی مقاومت مخلوط در برابر شیارشدگی ساخته شدند، پیش بینی عمق شیارشدگی مخلوط ها توسط شبکه های عصبی مصنوعی چندلایه (MLP) و شعاعی پایه (RBF) انجام شد و نتایج با یکدیگر مقایسه شدند. مدل پیش بینی عمق شیارشدگی و پیش تراکم با نتایج تجربی مطابقت خوبی نشان دادند. برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده هایی که در طول مدل سازی به کار گرفته نشده بودند، شبکه عصبی چندلایه عملکرد بهتری نسبت به شبکه عصبی شعاعی پایه داشت.
- 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.