ارزیابی رفتار خودترمیم شوندگی مخلوط آسفالتی نیمه گرم به کمک مکانیزم شکست و لحاظ ویژگی های القا با استفاده از شبکه های عصبی مصنوعی

بهبود عملکرد خودترمیمی آسفالت نیمه گرم به عوامل و پارامترهای متعددی وابسته است که به شدت وابسته به هم هستند و پیچیدگی قابل توجهی دارند. بنابراین، در این مطالعه عملکرد خودترمیمی مخلوط آسفالت نیمه گرم با استفاده از قابلیت های یادگیری و پیش بینی شبکه عصبی مصنوعی پرسپترون چندلایه و شعاعی پایه مورد بررسی قرار خواهد گرفت. برای انجام این مطالعه از دو افزودنی ساسوبیت  و زایکوترم استفاده شده است. آزمون خمش سه نقطه در دو دمای ۲۵ و ۱۶- درجه سانتی گراد و با دو طول ترک ۱۰ و ۲۰ میلی متر انجام شد و شاخص های چقرمگی شکست، انرژی شکست و بار بحرانی برای هر کدام از حالت ها تعیین شد. نمونه های آسفالتی تحت گرمایش القایی در دو فرکانس ۸۸ و ۸۹ کیلوهرتز و سه زمان القا ۶۰، ۹۰ و ۱۲۰ ثانیه قرار گرفتند. متغیرهای ورودی به مدل هوشمند پیشنهادی تحقیق شامل چقرمگی شکست، انرژی شکست بعد از القا، نوع افزودنی، دمای آزمایش، زمان القا، انرژی شکست قبل از القا، طول ناچ، مساحت و فرکانس بود. نتایج تحلیل حساسیت در دو مدل شبکه عصبی مصنوعی نشان داد که در شبکه MLP پارامتر چقرمگی شکست بیشترین تاثیر را بر خروجی داشت. همچنین مشاهده شد که پارامتر دمای آزمایش بالاترین ضریب حساسیت را در شبکه RBF دارد. نتایج نشان داد که در شبکه عصبی پرسپترون با دو لایه در بخش آزمون مقادیر ریشه میانگین مربعات خطا (RMSE) از ۴۶/۱۰ در مدل اول به ۲۷/۴ در مدل چهارم خواهد رسید. همچنین نتایج شبکه عصبی مصنوعی شعاعی پایه نشان داد که اضافه شدن پارامترهای ورودی سبب کاهش مقدار ریشه میانگین مربعات خطا (RMSE) بخش آزمون از ۵۶/۱۰ به ۳۵/۴ شده است. نتایج تخمین شبکه MLP و RBF نشان داده است که افزودن متغیرهای ورودی به مدل باعث افزایش NS در هر سه بخش آزمون، آموزش و اعتبار سنجی شده است. به این ترتیب در شبکه MLP مقدار NS در قسمت آزمون از ۴۵/۰ به ۹۰/۰ رسیده و دقت تخمین دو برابر شده است. در شبکه RBF، مشابه MLP، با اضافه شدن پارامتر NS، مقدار NS از ۴۴/۰ به ۹۰/۰ افزایش یافته است. همچنین، نتایج این مطالعه نشان داد که در هر دو نوع شبکه MLP و RBF، مقدار R۲ در گروه دوم در تمامی بخش های آزمون، آموزش و اعتبارسنجی بالاتر از گروه اول بود. به­طور کلی نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی به دلیل ماهیت یادگیری و قابلیت آموزش از نتایج آزمایشگاهی پیشین در برآورد قابلیت خودترمیمی و مدل سازی ارتباط پیچیده متغیرهای تاثیرگذار ورودی دارای عملکرد و دقت مناسب می باشد و استفاده از مدل هوشمند پیشنهادی با کاهش تعداد آزمایش ها و هزینه می تواند در ارزیابی رفتار خودترمیم شوندگی مخلوط آسفالتی نیمه گرم موثر باشد.

کلیدواژه ها:

Self-healing ، Sasobit ، Zycotherm ، Multilayer Perceptron Artificial Neural Network ، Basis Radial Function ، خودترمیمی ، ساسوبیت ، زایکوترم ، شبکه عصبی مصنوعی پرسپترون چند لایه ، تابع شعاعی پایه