توسعه مدل پیش بینی عمق شیارشدگی مخلوط های آسفالتی گرم با استفاده از شبکه عصبی

محققان و مهندسان دائما 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 ، ترک خوردگی و شیارشدگی داشته باشند. در این مقاله با استفاده از داده های به دست آمده از نتایج آزمایشگاهی مطالعه قبلی که مخلوط­های آسفالتی گرم(WMA) اصلاح شده با الیاف شیشه و ۰، ۲۰، ۴۰ و ۵۰ درصد آسفالت تراشیده شده بازیافتی (RAP) برای بررسی مقاومت مخلوط در برابر شیارشدگی ساخته شدند، پیش بینی عمق شیارشدگی مخلوط ها توسط شبکه­های عصبی مصنوعی چندلایه (MLP) و شعاعی پایه (RBF) انجام شد و نتایج با یکدیگر مقایسه شدند. مدل پیش­بینی عمق شیارشدگی و پیش تراکم با نتایج تجربی مطابقت خوبی نشان دادند. برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده­هایی که در طول مدل سازی به کار گرفته نشده بودند، شبکه عصبی چندلایه عملکرد بهتری نسبت به شبکه عصبی شعاعی پایه داشت.

کلیدواژه ها:

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