مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

43
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی شاخص خودترمیمی مخلوط های آسفالتی با استفاده از شبکه عصبی مصنوعی

صفحات

 صفحه شروع 2693 | صفحه پایان 2675

چکیده

 جاده­ها از سرمایه­های مهم هر کشور محسوب می­شوند و سالانه بخش زیادی از بودجه کشور صرف عملیات ترمیم و نگهداری برای رفع ترک خوردگی­ها می­شود. یکی از عواملی که می­تواند در افزایش عمر مفید روسازی آسفالتی مؤثر باشد, پتانسیل خودترمیمی مخلوط­های آسفالتی است. در این پژوهش با در نظر گرفتن عوامل مؤثر بر شاخص خودترمیمی (مانند نوع افزودنی, درصد افزودنی, دانه­بندی مخلوط آسفالتی, نوع قیر, چرخه ترمیم ترک, نوع گرمایش و زمان گرمایش), با استفاده از شبکه عصبی مدلی جهت پیش­­بینی این شاخص ارائه شده است. بدین منظور از شبکه عصبی چندلایه (MLP), شبکه عصبی چندلایه بهینه­سازی شده با الگوریتم ازدحام ذرات (PSO), شبکه عصبی شعاعی پایه (RBF) و تجزیه و تحلیل آماری با نرم افزار SPSS  استفاده شده و نتایج این روش­ها با یکدیگر مقایسه شدند. به منظور صحت سنجی مدل,  شاخص خود ترمیمی نمونه آسفالتی حاوی 60 درصد سرباره در آزمایشگاه محاسبه شده و با نتایج بدست آمده از مدل مقایسه و ارزیابی شده است. نتایج نشان داد, شبکه عصبی چندلایه (MLP) با ضریب همبستگی برابر با 0.96 نسبت به دیگر روش­ها عملکرد بهتری در زمینه پیش­بینی شاخص خودترمیمی دارد و برای بررسی قدرت تعمیم شبکه عصبی با استفاده از داده­هایی که در طول مدلسازی بکار گرفته نشدند, شبکه­های عصبی چندلایه (MLP) و شعاعی پایه (RBF) بهترین عملکرد را دارند.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button