توسعه مدل پیش‌بینی عمق شیارشدگی مخلوط‌های آسفالتی گرم با استفاده از شبکه عصبی

Abstract

محققان و مهندسان دائماً در تلاش هستند تا عملکرد روسازی­های آسفالتی را بهبود بخشند. روسازی­ها، به عنوان سطوحی که اغلب توسط محورهای سنگین بارگیری می­شوند، باید مقاومت کافی در برابر خستگی ، ترک‌خوردگی و شیارشدگی داشته باشند. در این مقاله با استفاده از داده‌های به دست آمده از نتایج آزمایشگاهی مطالعه قبلی که مخلوط­های 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، پیش‌بینی عمق شیارشدگی مخلوط‌ها توسط شبکه­های عصبی مصنوعی چندلایه (MLP) و شعاعی پایه (RBF) انجام شد و نتایج با یکدیگر مقایسه شدند. مدل پیش­بینی عمق شیارشدگی و پیش‌تراکم با نتایج تجربی مطابقت خوبی نشان دادند. برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده­هایی که در طول مدل‌سازی به کار گرفته نشده بودند، شبکه عصبی چندلایه عملکرد بهتری نسبت به شبکه عصبی شعاعی پایه داشت.

Keywords

• آسفالت بازیافتی
• پیش تراکم شیارشدگی
• شبکه عصبی مصنوعی چندلایه
• شبکه عصبی مصنوعی شعاعی پایه