محاسبات برگشتي غيرخطي روسازي‌هاي مقطع معكوس با روش تركيبي شبكه عصبي مصنوعي و الگوريتم بهينه‌سازي برخورد اجسام

Nonlinear Backcalculations of Inverted Pavements Using Hybrid Artificial Neural Network and Colliding Body Optimization Algorithm

يكي از روش‌هاي متداول براي تعيين ظرفيت باربري روسازي، بهره‌گيري از نتايج آزمايش‌ افت­وخيزسنج ضربه‌اي (FWD) است. سيستم‌ روسازي‌هاي مقطع معكوس در سال 1970 ميلادي در آفريقاي جنوبي توسعه يافته است. اين روسازي به‌صورت يك ساختار ساندويچي اجرا مي‌شود. به‌طوريكه يك لايه اساس سنگدانه‌اي بين دولايه با مدول برجهندگي بالا (لايه بتن آسفالتي و لايه اساس تثبيت شده با سيمان) قرار مي‌گيرد. هدف از اين تحقيق، توسعه روشي به‌منظور پيش‌بيني مدول برجهندگي لايه‌هاي روسازي بر پايه افت‌وخيزهاي اندازه‌گيري شده با دستگاه افت­وخيزسنج ضربه‌اي است. با توجه به اينكه مدلسازي غيرخطي مصالح اساس سنگدانه‌اي در روسازي‌هاي مقطع معكوس بسيار حائز اهميت است، براي ايجاد پايگاه داده افت­وخيز از تحليل غيرخطي حدود 38000 مقطع روسازي معكوس توسط برنامه المان محدود غيرخطي MICH-PAVE استفاده شده است. سپس، با بهره‌گيري از روش تركيبي شبكه عصبي مصنوعي و الگوريتم بهينه‌سازي برخورد اجسام، روشي به منظور انجام محاسبات معكوس روسازي‌هاي مقطع معكوس با فرض رفتار غيرخطي اساس سنگدانه‌اي توسعه داده شده است. نتايج نشان­دهنده انطباق بسيار خوب افت­وخيزهاي حاصل از برنامه MICH-PAVE با نتايج حاصل از برنامه KENLAYER و داده‌هاي ميداني است. همچنين، شبكه عصبي مصنوعي با دقت بسيار زياد (ضريب رگرسيون بيش از 99/99 درصد) امكان پيش‌بيني كاسه نشست سطح روسازي‌هاي مقطع معكوس با توجه به اطلاعات مدول برجهندگي و ضخامت لايه‌ها را فراهم مي‌سازد. به­علاوه، مدل تركيبي شبكه عصبي و الگوريتم برخورد اجسام در مقايسه با مدل تركيبي شبكه عصبي مصنوعي و الگوريتم‌ ژنتيك دقت و سرعت بالاتري براي پيش‌بيني مدول­هاي برجهندگي لايه‌هاي روسازي مقطع معكوس دارد.

Falling Weight Deflectometer (FWD) is one of the common methods for determining the bearing capacity of pavement. The inverted pavement system developed in 1970 in South Africa. This type of pavement is constructed as a sandwich structure, so that a crashed stone base layer is placed between two layers with high stiffness (asphalt concrete layer and cement treated base layer). The main purpose of this research is developing a method for predicting the moduli of the inverted pavements based on the measured deflection bowl using the FWD. Since, the nonlinear modeling of aggregate base is very important in case of inverted pavements, to stablish a dataset, about 38,000 inverted pavement sections have been analyzed by the non-linear finite element program, MICHPAVE. Then, using a hybrid artificial neural network and the colliding body optimization algorithms (ANN-CBO) method, a procedure was developed for backcalculation of inverted pavements assuming nonlinear behavior of aggregate base. The results of this study indicate that the results of MICHPAVE program are very close to the results of the KENLAYER program as well as field data. This study also showed that the artificial neural network is able to predicted the surface deflection bowl of the inverted pavements accurately (R2> 99.99%). In addition, it was found that the hybrid ANN-CBO has superior accuracy and speed in comparison with the hybrid ANN-GA for nonlinear backcalculation of inverted pavements.