استفاده از شبکه عصبی مصنوعی در تخمین قابلیت خودترمیمی مخلوط آسفالتینیمه گرم

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 216

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCOEE02_002

تاریخ نمایه سازی: 6 اسفند 1401

چکیده مقاله:

فناوری هایی مانند مخلوط آسفالت نیمه گرم می توانند مزایای اقتصادی و زیست محیطی متعددی را به همراه داشتهباشند. از طرف دیگر مخلوط های آسفالتی به دلیل خرابی های مختلف مانند شیارشدگی، خستگی، پیرشدگی و ... بهصورت مرتب باید تحت تعمیر و نگهداری قرار گیرد. به همین دلیل استفاده از فرآیند خودترمیمی امکان دارد فرآیندهایتعمیر و نگهداری را کاهش دهد و یا حتی مقدمات حذف آن را مهیا کند. ازاین رو در این پروژه عملکرد خودترمیمیمخلوط آسفالت نیمه گرم مورد بررسی قرار گرفت. به همین منظور از افزودنی ساسوبیت و زایکوترم استفاده شد.نمونه های آسفالتی با دو طول ترک ۱۰ و ۲۰ میلی متر آماده شد و در ادامه نمونه ها تحت گرمایش القایی در دو فرکانس۸۷ و ۸۸ کیلوهرتز و سه زمان القا ۶۰ ، ۹۰ و ۱۲۰ ثانیه قرار گرفتند. سپس با استفاده از آزمون خمش سه نقطه و در دودمای ۲۵ و ۱۶ درجه سانتی گراد نمونه ها تحت آزمایش قرار گرفتند. در ادامه شاخص های چقرمگی شکست، انرژی شکست و بار بحرانی برای هرکدام از حالت ها تعیین شد. برای تخمین از روش شبکه عصبی پرسپترون با دو لایه پنهاناستفاده شد. متغیرهای ورودی در این مطالعه شامل چقرمگی شکست، انرژی شکست بعد از القا، نوع افزودنی، دمایآزمایش، زمان القا، انرژی شکست قبل از القا، طول ناچ، مساحت و فرکانس بود. برای بررسی اثر تغییر متغیرهای ورودی آن ها در چهار مدل مختلف با تعداد و ویژگی های مختلف دسته بندی شدند. نتایج این مطالعه نشان داد که در شبکهعصبی پرسپترون با دو لایه در بخش آزمون مقادیر RMSE از ۱۰/۴۶ در مدل اول با سه متغییر ورودی به ۴/۲۷ درمدل چهارم به نه متغیر ورودی رسیده است. مشاهده شد که دامنه تغیرات آماره NS در شبکه عصبی پرسپترون چند لایه بین ۰/۵۲ تا ۰/۹۸ بود، هرچه مقدار این آماره به یک نزدیک تر باشد نشان دهنده دقت بیشتر مدل تخمین زده شده است.

نویسندگان

اسراء عمر محمدصالح

دانشکده فنی و مهندسی دانشگاه گیلان، رشت

میثم عفتی

دانشکده فنی و مهندسی دانشگاه گیلان، رشت

سیدمحمد میرعبدالعظیمی

دانشکده فنی و مهندسی دانشگاه گیلان، رشت