پیش بینی شاخص خودترمیمی مخلوط های آسفالتی با استفاده از شبکه عصبی مصنوعی

جاده­ها از سرمایه­های مهم هر کشور محسوب می­شوند و سالانه بخش زیادی از بودجه کشور صرف عملیات ترمیم و نگهداری برای رفع ترک خوردگی­ها می­شود. یکی از عواملی که می­تواند در افزایش عمر مفید روسازی آسفالتی موثر باشد، پتانسیل خودترمیمی مخلوط­های آسفالتی است. در این پژوهش با در نظر گرفتن عوامل موثر بر شاخص خودترمیمی (مانند نوع افزودنی، درصد افزودنی، دانه­بندی مخلوط آسفالتی، نوع قیر، چرخه ترمیم ترک، نوع گرمایش و زمان گرمایش)، با استفاده از شبکه عصبی مدلی جهت پیش­­بینی این شاخص ارائه شده است. بدین منظور از شبکه عصبی چندلایه (MLP)، شبکه عصبی چندلایه بهینه­سازی 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 روش­ها با یکدیگر مقایسه شدند. به منظور صحت سنجی مدل،  شاخص خود ترمیمی نمونه آسفالتی حاوی ۶۰ 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 ۰.۹۶ نسبت به دیگر روش­ها عملکرد بهتری در زمینه پیش­بینی شاخص خودترمیمی دارد و برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده­هایی که در طول مدلسازی بکار گرفته نشدند، شبکه­های عصبی چندلایه (MLP) و شعاعی پایه (RBF) بهترین عملکرد را دارند.

کلیدواژه ها:

خود ترمیمی ، شبکه عصبی مصنوعی ، ضایعات فلزی ، گرمایش مایکروویو ، گرمایش القایی