پیش بینی مقاومت فشاری و تحلیل اهمیت پارامترهای طرح اختلاط و ساخت در مخلوط های اساس تثبیت شده با سیمان حاوی خرده مصالح آسفالتی با استفاده از یادگیری ماشین

در این پژوهش، با استفاده از روش های یادگیری ماشین، مقاومت فشاری محدود نشده مخلوط های اساس تثبیت شده با سیمان حاوی ۱۰۰٪ خرده مصالح آسفالتی (RAP) مورد پیش بینی و تحلیل قرار گرفت. بدین منظور، پایگاه داده ای حاصل از یک برنامه گسترده آزمایشگاهی شامل ۵۴۰ نمونه فشاری در سنین مختلف عمل آوری تهیه شد. نمونه ها در سه درصد مختلف سیمان (۴، ۵ و ۶ درصد) و سه درصد آب (۵/۵، ۶/۵ و ۷/۵ درصد) و با استفاده از دو روش تراکم مطابق استانداردهای ASTM D۱۵۵۷ و ASTM D۵۵۸ ساخته شدند. همچنین، به منظور بهبود عملکرد مکانیکی مخلوط ها، از افزودنی پلیمری-معدنی نیکوفلاک به میزان ۱۰ درصد وزنی سیمان استفاده گردید. در ادامه، عملکرد الگوریتم های مختلف یادگیری ماشین شامل جنگل تصادفی، رگرسیون خطی، رگرسیون بردار پشتیبان، نزدیک ترین همسایه، پرسپترون چندلایه و توجه به خود در پیش بینی مقاومت فشاری محدود نشده مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل های مبتنی بر یادگیری ماشین قادرند مقاومت فشاری را با دقت قابل قبولی پیش بینی نمایند، به گونه ای که مقادیر پیش بینی شده انطباق مناسبی با داده های واقعی آزمایشگاهی داشتند. همچنین، با استفاده از روشهای تحلیل اهمیت ویژگی ها همچون شاپ، اهمیت جایگشتی و گرادینت بوستینگ میزان تاثیر پارامترهای مختلف طرح اختلاط و ساخت بر مقاومت فشاری تعیین گردید. نتایج بیانگر آن بود که مدت زمان عمل آوری بیشترین تاثیر را بر مقاومت فشاری مخلوط ها داشته و درصد سیمان با فاصله در رتبه دوم تاثیرگذاری قرار دارد و سایر پارامترها از جمله استفاده از افزودنی، درصد رطوبت و روش تراکم به ترتیب در رتبه های بعدی اهمیت بودند. یادگیری ماشینی نه تنها می تواند پیش بینی UCS دقیقی ارائه دهد، بلکه می تواند تفسیر قابل اعتمادی از عوامل حاکم بر عملکرد مکانیکی مخلوط های RAP عمل آوری شده با سیمان نیز ارائه دهد.

کلیدواژه ها:

تراشه آسفالت ، مخلوط اساس تثبیت شده با سیمان حاوی ۱۰۰% تراشه آسفالت ، مقاومت فشاری محدود نشده ، افزودنی پلیمری معدنی نیکوفلاک ، یادگیری ماشین