پیش بینی شاخص خودترمیمی مخلوط های آسفالتی با استفاده از شبکه عصبی مصنوعی
جاده ها از سرمایه های مهم هر کشور محسوب می شوند و سالانه بخش زیادی از بودجه کشور صرف عملیات ترمیم و نگهداری برای رفع ترک خوردگی ها می شود. یکی از عواملی که می تواند در افزایش عمر مفید روسازی آسفالتی موثر باشد، پتانسیل خودترمیمی مخلوط های آسفالتی است. در این پژوهش با در نظر گرفتن عوامل موثر بر شاخص خودترمیمی (مانند نوع افزودنی، درصد افزودنی، دانه بندی مخلوط آسفالتی، نوع قیر، چرخه ترمیم ترک، نوع گرمایش و زمان گرمایش)، با استفاده از شبکه عصبی مدلی جهت پیش بینی این شاخص ارایه شده است. بدین منظور از شبکه عصبی چندلایه (MLP)، شبکه عصبی چندلایه بهینه سازی شده با الگوریتم ازدحام ذرات (PSO)، شبکه عصبی شعاعی پایه (RBF) و تجزیه و تحلیل آماری با نرم افزار SPSS استفاده شده و نتایج این روش ها با یکدیگر مقایسه شدند. به منظور صحت سنجی مدل، شاخص خود ترمیمی نمونه آسفالتی حاوی 60 درصد سرباره در آزمایشگاه محاسبه شده و با نتایج بدست آمده از مدل مقایسه و ارزیابی شده است. نتایج نشان داد، شبکه عصبی چندلایه (MLP) با ضریب همبستگی برابر با 0.96 نسبت به دیگر روش ها عملکرد بهتری در زمینه پیش بینی شاخص خودترمیمی دارد و برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده هایی که در طول مدلسازی بکار گرفته نشدند، شبکه های عصبی چندلایه (MLP) و شعاعی پایه (RBF) بهترین عملکرد را دارند.
- 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.