بررسی درصدهای مختلف تراشه آسفالت در عملکرد حساسیت رطوبتی مخلوط آسفالتی با استخوان بندی سنگدانه ای SMA گرم با استفاده از سیستم استنتاج عصبی-فازی سازگار (ANFIS)
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 172
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JTIEJO-4-3_002
تاریخ نمایه سازی: 6 شهریور 1403
چکیده مقاله:
در سالهای اخیر، با توجه به کمبود مصالح تازه و اهمیت حفاظت از محیطزیست، میزان استفاده از مصالح بازیافتی، از جمله تراشه آسفالت، در راستای کاهش تولید آلاینده های ناشی از تهیه مخلوط های آسفالتی افزایش یافته است. همچنین، جهت کاهش میزان انرژی مصرفی، فناوری های نوینی در زمینه تولید و اجرای مخلوط های آسفالتی گرم در حال گسترش هستند تا مخلوط های آسفالتی با دمایی بهمراتب کمتر از مخلوط های متداول تولید گردند. در این پژوهش، از تراشه آسفالت بازیافتی در ساخت مخلوط آسفالتی با استخوانبندی سنگدانهای (SMA) جهت انجام آزمایش حساسیت رطوبتی همراه با افزودنیهای گرم زایکوترم و ساسوبیت و همچنین از الیاف TOPCEL در جهت جلوگیری از ریزش قیر این نوع مخلوط آسفالتی، استفاده شده است. هدف از انجام این پژوهش،ارائه یک مدل بر پایه سیستم استنتاج عصبی- فازی سازگار (ANFIS)، برای پیشبینی حساسیت رطوبتی مخلوط آسفالتی با دانهبندی سنگدانهای (SMA) حاوی درصدهای مختلف تراشه آسفالت با داشتن افزودنیهای مختلف گرم میباشد.پارامترهای ورودی به مدل ANFIS شامل درصدهای مختلف تراشه آسفالت حاوی افزودنی گرم و نسبت مقاومت کششی نمونه در حالت اشباع به مقاومت کششی نمونه در حالت خشک به عنوان خروجی مدل میباشد. نتایج بهدست آمده نشاندهنده دقت بالای مدل با ضرایب تعیین ۱ و ۹۸۲/۰ بهترتیب برای مجموعه دادههای آموزش و آزمایشی و ۷۷۴/۰ برای دادههای ارزیابی میباشد. همچنین، مخلوطهای نیمهگرم حاوی ۵۰% تراشه آسفالت رفتار مناسبتری از خود نشان دادند.
کلیدواژه ها:
نویسندگان
نریمان برازی جمور
مربی، بخش فنی و مهندسی، دانشگاه پیام نور، تهران
محمود رضا کی منش
استادیار، بخش فنی و مهندسی، دانشگاه پیام نور، تهران
منصور فخری
دانشیار، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :