پیش بینی نقطه نرمی و رئومتر برش دینامیکی قیر بر اساس درجه نفوذ با استفاده از الگوریتمهای یادگیری ماشین

در این مقاله عملکرد دو الگوریتم یادگیری ماشین شامل رگرسیون بردار پشتیبان و رگرسیون جنگلهای تصادفی در پیش بینی خواص رئولوژیکی قیر بر اساس درجه نفوذ مورد بررسی قرار گرفته است. مجموعه ای متشکل از ۴۷۹۴ داده ی آزمایشگاهی طی سالهای ۱۴۰۰ تا ۱۴۰۳، از یک واحد تولید قیر جمع آوری شد و پس از پاکسازی و پیش پردازش، برای مدل سازی مورد استفاده قرار گرفت. دو ویژگی مهم، قیر شامل نقطه نرمی و رئومتر برش دینامیکی در دماهای ۶۴ و ۵۸ درجه سانتی گراد به عنوان متغیرهای هدف در نظر گرفته شدند. پس از ساخت مدلها با استفاده از داده های آموزشی و ارزیابی آنها با دادههای آزمایشی، عملکرد مدلها با معیارهای آماری استاندارد شامل میانگین مربعات خطا، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب تعیین مورد سنجش قرار گرفت. نتایج نشان داد که هر دو الگوریتم توانایی بالایی در مدل سازی روابط بین درجه نفوذ و ویژگیهای مورد نظر دارند. هر دو مدل عملکرد بسیار قابل قبولی از خود نشان دادند و در پیشبینی متغیرهای هدف موفق عمل کردند. یافته ها نشان میدهند که میتوان با بهره گیری از روشهای یادگیری ماشین برخی خواص مهم قیر را با دقت مناسبی پیشبینی کرده و فرآیندهای تولید را جهت تولید محصول با مشخصات مورد نظر تحت کنترل درآورد.

کلیدواژه ها:

یادگیری ، ماشین ، رگرسیون بردار پشتیبان ، رگرسیون جنگلهای تصادفی