ارائه مدل های پیش بینی مشخصات رئولوژیکی قیرهای اصلاح شده حاوی SBS و نانو لوله کربن با استفاده از رگرسیون غیرخطی و شبکه عصبی

باوجود مزایای قابل توجه قیرهای پلیمری اصلاح شده با نانو ذرات، ولی تنها تعداد کمی از مطالعات بر روی پیش بینی عملکرد شیارشدگی آن ها متمرکز شده اند. تخمین و پیش بینی صحیح رفتار شیارشدگی روسازی به عنوان یک رویکرد تاثیرپذیر از متغیرهای عملکردی و محیطی می تواند از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه ای جلوگیری کند. ابن تحقیق به مدل سازی تاثیر هم افزایی SBS و نانولوله های کربنی (CNT) در بهبود خواص رئولوژیکی قیرها با استفاده از هوش مصنوعی و تحلیل های آماری می پردازد. عملکرد شیارشدگی قیرها حاوی ۰، ۰.۶ و ۲/۱ درصد CNT و ۳ و ۶ درصد SBS به صورت جداگانه و ترکیبی با استفاده از آزمایش جاروب دما، تحلیل واریانس و مدل های رگرسیون و شبکه عصبی (ANN) بررسی شده است. نتایج نشان داد که هم افزایی پلیمر و نانوذرات موجب افزایش مقاومت شیارشدگی و بهبود رفتار رئولوژیکی قیر در دماهای بالا می شود. آزمون واریانس نشان داد که افزایش CNT به ۱.۲% بیشترین تاثیر را بر بهبود مقاومت شیارشدگی دارد. مقایسه عملکرد مدل های پیش بینی نشان داد که R² برای مدل های رگرسیون و ANN بالای ۰.۹۰ است. بااین حال، مدل ANN با ضریب همبستگی ۰.۹۷۶ عملکرد بهتری دارد و می تواند به عنوان ابزاری موثر در پیش بینی رفتار رئولوژیکی قیرهای اصلاح شده با نانوکامپوزیت برای جلوگیری از آسفالت با پتانسیل شیارشدگی بالا در مرحله پیش تولید پیشنهاد شود.

کلیدواژه ها:

مشخصات رئولوژیکی ، شبکه عصبی مصنوعی ، رگرسیون چندگانه ، نانو کامپوزیت ، قیر اصلاح شده