تعداد نشریات | 50 |
تعداد شمارهها | 1,876 |
تعداد مقالات | 19,732 |
تعداد مشاهده مقاله | 12,578,938 |
تعداد دریافت فایل اصل مقاله | 7,709,221 |
توسعه مدل پیشبینی عمق شیارشدگی مخلوطهای آسفالتی گرم با استفاده از شبکه عصبی | ||
مهندسی عمران فردوسی | ||
مقاله 1، دوره 35، شماره 4 - شماره پیاپی 40، بهمن 1401، صفحه 1-16 اصل مقاله (1.83 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22067/jfcei.2022.74238.1104 | ||
نویسندگان | ||
مهسا روحی فریمان1؛ سید علی حسینی* 2؛ منصور فخری3 | ||
1دانشکده عمران ، دانشگاه صنعتی شاهرود | ||
2دانشکده عمران، دانشگاه صنعتی شاهرود | ||
3راه و ترابری، دانشکده عمران، دانشگاه صنعتی خواجه نصیر الدین طوسی | ||
چکیده | ||
محققان و مهندسان دائماً در تلاش هستند تا عملکرد روسازیهای آسفالتی را بهبود بخشند. روسازیها، به عنوان سطوحی که اغلب توسط محورهای سنگین بارگیری میشوند، باید مقاومت کافی در برابر خستگی ، ترکخوردگی و شیارشدگی داشته باشند. در این مقاله با استفاده از دادههای به دست آمده از نتایج آزمایشگاهی مطالعه قبلی که مخلوطهای آسفالتی گرم(WMA) اصلاح شده با الیاف شیشه و 0، 20، 40 و 50 درصد آسفالت تراشیده شده بازیافتی (RAP) برای بررسی مقاومت مخلوط در برابر شیارشدگی ساخته شدند، پیشبینی عمق شیارشدگی مخلوطها توسط شبکههای عصبی مصنوعی چندلایه (MLP) و شعاعی پایه (RBF) انجام شد و نتایج با یکدیگر مقایسه شدند. مدل پیشبینی عمق شیارشدگی و پیشتراکم با نتایج تجربی مطابقت خوبی نشان دادند. برای بررسی قدرت تعمیم شبکه عصبی با استفاده از دادههایی که در طول مدلسازی به کار گرفته نشده بودند، شبکه عصبی چندلایه عملکرد بهتری نسبت به شبکه عصبی شعاعی پایه داشت. | ||
کلیدواژهها | ||
آسفالت بازیافتی؛ پیش تراکم شیارشدگی؛ شبکه عصبی مصنوعی چندلایه؛ شبکه عصبی مصنوعی شعاعی پایه | ||
مراجع | ||
[1] M.Fakhri, S.M.Karimi, M. Qorbani Nik,” Estimation of Pavement Roughness Based on Surface Distresses Using Artificial Neural Network (case study: Iran’s arterial roads),” Journal of Transportation Engineering, vol. 12, no. 48, pp. 697-713(2021) (In Persian) [2] M.Fakhri, E. Shahebrahimi, F. Chavoshian nain,” Study Rutting and Effect of Self-healing on Fatigue Behavior of Modified Asphalt Mixtures,” Journal of Transportation Research, vol. 1, no. 67, pp. 143-156(2019) (In Persian) [3] A.Tarek, A. Amr, H. Mahgoub, Asphalt crack detection using thermography,: university of central florida, center for advanced transportation systems simulation (CATSS) infra mation, 2005. [4] S.M.Mirabdolazimi, Gh. Shafabakhsh, "Rutting depth prediction of hot mix asphalts modified with forta fiber using artificial neural networks and genetic programming technique," Construction and Building Materials, 148, pp. 666-674, 2017. [5] M.Fakhri, S.A. Hosseini, "Laboratory evaluation of rutting and moisture damage resistance of glass fiber modified warm mix asphalt incorporating high RAP proportion," Construction and Building Materials, 134, pp. 626-640, 2017. [6] A. Choubdar, A. Farajollahi, A. Ameli,” Experimental Evaluation of Rutting Performance of Polymer Modified Binders and Its Relation to Rutting Resistance of Mixture,” Journal of Transportation Research, vol. 17, no. 64, pp. 91-102(2020) (In Persian) [7] N. Kamboozia, H. Ziari, H. Behbahani, "Artificial neural networks approach to predicting rut depth of asphalt concrete by using of visco-elastic parameters," Construction and Building Materials, 158, pp. 873-882, 2018. [8] G.H. Shafabakhsh, O. Jafari Ani, M. Talebsafa, "Artificial neural network modeling (ANN) for predicting rutting performance of nano-modified hot-mix asphalt mixtures containing steel slag aggregates," Construction and Building Materials, 85, pp. 136-143, 2015. [9] M. Fakhri, R. Shahni Dezfoulian,” Determination of Effective Structural Number based on IRI and Surface Distress Using Regression and Neural Network Model,” Journal of Transportation Research, vol. 15, no. 57, pp. 207-221(2019) (In Persian) [10] H. Ziari, A. Amini, A. Goli, & D. Mirzaiyan, "Predicting rutting performance of carbon nano tube (CNT) asphalt binders using regression models and neural networks," Construction and Building Materials, 160, pp.415-426, 2018. [11] G. Sollazzo, T.F. Fwa, G. Bosurgi, "An ANN model to correlate roughness and structural performance in asphalt pavements," Construction and Building Materials, 134, pp. 684-693, 2017. [12] H. Fizza, A. Yasir, I. Muhammad, A. Murtaza, A. Shafeeq, "A data-driven model for phase angle behaviour of asphalt concrete mixtures based on convolutional neural network," Construction and Building Materials, 269, p.121235, 2020. [13] E. Ozgan, "Artificial neural network based modelling of the Marshall Stability of asphalt concrete," Expert Systems with Applications, 38, pp. 6025-6030, 2011. [14] R.Hecht-Neilsen, Neurocomputing,: Addison-Wesley, Boston, 1989. [15] Gupta, M,. Jin, L,. & Homma, N., Static and Dynamic Neural Network,: Hobokon, New Jersey, 2004. [16] H. Taherkhani, A. Ebrahimimoghadam,” Prediction of the Fatigue Life of Asphalt Mixtures using Artificial Neural Networks ,” Journal of Transportation Research, vol. 4, no. 1, pp. 45-58(2013) (In Persian) [17] M. Saltan, T. Mesut, K. Mustafa, "Artificial neural networks application for flexible pavements thickness modeling," Turkish Journal of Engineering & Environmental Sciences, vol. 26, pp. 243-248. 2002. [18] K. Suzuki, Artificial Neural Networks - Methodological Advances and Biomedical Applications,: Apr. 2011, doi: 10.5772/644.
| ||
آمار تعداد مشاهده مقاله: 250 تعداد دریافت فایل اصل مقاله: 144 |