پیش بینی هوشمند عملکرد قیرهای اصلاح شده با شبکه عصبی مصنوعی (ANN) با رویکرد پشتیبانی تصمیم در مدیریت پروژه های روسازی

آزمایش های مربوط به تعیین خواص قیر معمولا زمان بر و پرهزینه اند و در پروژه های عمرانی، به ویژه در حوزه راه سازی، محدودیت های اجرایی و اقتصادی قابل توجهی ایجاد می کنند. از این رو، بهره گیری از روش های هوشمند مانند شبکه عصبی مصنوعی می تواند جایگزینی کارآمد برای پیش بینی برخی ویژگی های قیر باشد. هدف این پژوهش، مدل سازی سه خاصیت مهم قیر شامل حلالیت در تری کلرواتیلن، کشش در آزمایش TFOT و کاهش درجه نفوذ در آزمایش TFOT با استفاده از شبکه عصبی مصنوعی است. داده های مورد استفاده از ۵۲ آزمایش بر روی نمونه های مختلف قیر استخراج شد و به سه مجموعه آموزش، راستی آزمایی و آزمایش با نسبت های ۵۲، ۲۷ و ۲۱ درصد تقسیم گردید. برای ساخت و آموزش مدل از شبکه عصبی سه لایه و نرم افزار MATLAB استفاده شد. نتایج نشان داد که مدل پیشنهادی توانایی مناسبی در پیش بینی خواص قیر دارد؛ به طوری که کمترین خطای نسبی برای حلالیت قیر با میانگین ۰.۰۳ درصد و برای کاهش درجه نفوذ با مقدار ۰.۷۳ گزارش شد. همچنین بیشترین همبستگی و دقت برای متغیرهای خروجی مدل مشاهده گردید. یافته ها نشان می دهد که شبکه عصبی مصنوعی می تواند ضمن کاهش هزینه و زمان آزمایش های آزمایشگاهی، ابزاری مناسب برای تخمین خواص قیر در مطالعات مهندسی عمران باشد.

کلیدواژه ها:

قیر نفتی ، شبکه عصبی مصنوعی ، الگوریتم های شبکه ، مدل سازی ، خواص قیر ، آزمایش TFOT