رویکرد مدلهای شبکه عصبی و رگرسیون در پیشبینی عمق شیارشدگی قیرها و مخلوط های آسفالت گرم لاستیکی

بررسی رفتار شیارشدگی روسازی بهعنوان یک رویکرد تاثیرپذیر از متغیرهای عملکردی و محیطی میتواند موجب بهبود شرایط اجرایی در زمان طراحی و نگهداری و کاهش هزینه های سنگین آزمایشگاهی شود. در این تحقیق تلاش میشود تا در مرحله اول رفتار شیارشدگی قیرها و مخلوط های آسفالتی حاوی ترکیب همزمان پودر لاستیک (GTR) و ساسوبیت با استفاده از آزمایشهای خزش و بازگشت در چند سطح تنش و خزش دینامیکی ارزیابی شود. سپس بر اساس کرنشهای پلاستیک تجمعی رخداده در روسازی، مقاومت شیارشدگی مخلوط های آسفالتی با استفاده از مدلهای شبکه عصبی مصنوعی (ANN) و رگرسیون پیشرفته تخمین زده شود. نتایج مقاومت شیارشدگی نشان داد به ترتیب نمونه های حاوی قیرهای ۱۲ ۳، ۱۲ ۲ و ۸ ۲ دارای کمترین مقدار نرخ اضمحلال و رشد کرنش تجمعی میباشند و ازنظر مقاومت در برابر تغییر شکلهای پلاستیک عملکرد بهتری را دارند. درحالیکه باوجود تاثیر مثبت GTR و WMA بر مقاومت شیارشدگی قیرها و مخلوط های آسفالتی در درصدها بالا، ولی با در نظر گرفتن همزمان عملکرد فنی روسازی در دماهای بالا و پایین و شرایط اقتصادی قیر حاوی %۱۲ پودر لاستیک و %۲ ساسوبیت به عنوان ترکیب بهینه پیشنهاد میشود. همچنین، نتایج بخش مدلسازی نشان داد باوجود عملکرد مناسب مدلهای رگرسیون و ANN در تخمین مقاومت شیارشدگی، ولی مدل ANN با ضریب همبستگی برابر ۰/۹۳۹ ازنظر دقت و قدرت بهتر از مدل رگرسیون بود. بنابراین میتواند به عنوان ابزاری قدرتمند و مناسب در کاهش زمان و هزینه و جلوگیری از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانهای پیشنهاد شود.

کلیدواژه ها:

آسفالت لاستیکی ، آسفالت گرم (WMA) ، شبکه عصبی ، مدل شیارشدگی ، مدل رگرسیون پیشرفته