پيش بيني عمر خستگي مخلوطهاي آسفالتي با استفاده از شبك ههاي عصبي

Prediction of the Fatigue Life of Asphalt Mixtures using Artificial Neural Networks

براي طرح و مديريت روسازي، پيش بيني عمر خستگي مخلوطهاي آسفالتي، مورد نياز بوده و مورد توجه پژوهشگران مختلف قرارگرفته است. اين تحقيق به دنبال بكارگيري تكنيك شبك ههاي عصبي ) ANN ( براي پيش بيني عمر خستگي مخلوطهاي آسفالتي است. به دليل محدوديت و عدم دسترسي به داد ههاي جامع آزمايشگاهي مربوط به عمر خستگي در داخل كشور، در اين تحقيق از داد ههاي آزمايشگاهي ايالت كانزاس آمريكا براي مدل سازي استفاده شده است. پارامترهاي موثر در عمر خستگي، ويسكوزيته قير )نوع قير و دما(، سطح كرنش كششي، سختي، درصد قير، درصد فضاي خالي و دانه بندي در نظر گرفته شده اند و بر اساس نتايج آزمايشگاهي، مدل سازي با استفاده از شبكه هاي عصبي صورت گرفته است. پيش بيني عمر خستگي مخلوطهاي آسفالتي توسط شبكه هاي عصبي مصنوعي پرسپترون چند لايه پيشرو و الگوريتم آموزش انتشار به عقب، با تكنيك بهينه سازي عددي لونبرگ- ماركواردت، مدل سازي شده است. فرآيند مدل سازي با استفاده از جعبه ابزار شبكه عصبي و همچنين با استفاده از برنامه نويسي در نرم افزار MATLAB صورت پذيرفته و نتايج با يكديگر مقايسه شده اند. نتايج اين تحقيق نشان م يدهد كه تكنيك شبكه هاي عصبي در مقايسه با روشهاي رگرسيوني موجود، به دليل توانايي استفاده از متغيرهاي بيشتر در مدل سازي و نتايج دقيق تر، روشي موثرتر براي پيش بيني عمر خستگي مخلوطهاي آسفالتي است. همچنين مقايسه جعبه ابزارشبكه هاي عصبي بابرنامه نويسي درنرم افزار MATLAB نشان مي دهد كه با برنامه نويسي مي توان به نتايج بهتري براي پيش بيني دست يافت.

Prediction of the fatigue life of asphaltic concrete is required for design and management of pavements. The prediction of the fatigue life of asphaltic concrete using Artificial Neural Network has been investigated in this research. Sufficient experimental data containing fatigue test conducted on asphaltic concrete over a wide range of conditions was needed for modeling. Therefore, reviewing the literature, the results of the fatigue tests on Kansas State asphalt mixtures were found to be appropriate for this research. The parameters of asphalt viscosity, strain level, stiffness of mixture, asphalt content, air voids content and gradation were selected as input variables, while the fatigue life was set as the only output variable. Progressive multilayer perceptron Artificial Neural Network modeling has been used for prediction of the fatigue life, with back propagation training algorithm and numerical optimization technique of Levenberg-Marquardt. Modeling was performed using the neural network tool box and programming in MATLAB, and the results have been compared. It is shown that the programming, can better predict the fatigue life than directly utilizing the tool box. It is also found that Artificial Neural Network can predict the fatigue life of the asphaltic concrete than the regression equation.