مهندسی عمران مدرس، جلد ۲۴، شماره ۱، صفحات ۰-۰
عنوان فارسی ارزیابی رفتار خودترمیم شوندگی مخلوط آسفالتی نیمه گرم به کمک مکانیزم شکست و لحاظ ویژگی‌های القا با استفاده از شبکه‌های عصبی مصنوعی
چکیده فارسی مقاله بهبود عملکرد خودترمیمی آسفالت نیمه گرم به عوامل و پارامترهای متعددی وابسته است که به‌شدت وابسته به هم هستند و پیچیدگی قابل‌توجهی دارند. بنابراین، در این مطالعه عملکرد خودترمیمی مخلوط آسفالت نیمه گرم با استفاده از قابلیت‌های یادگیری و پیش‌بینی شبکه عصبی مصنوعی پرسپترون چندلایه و شعاعی پایه مورد بررسی قرار خواهد گرفت. برای انجام این مطالعه از دو افزودنی ساسوبیت  و زایکوترم استفاده شده است. آزمون خمش سه نقطه در دو دمای 25 و 16- درجه سانتی‌گراد و با دو طول ترک 10 و 20 میلی‌متر انجام شد و شاخص‌های چقرمگی شکست، انرژی شکست و بار بحرانی برای هر کدام از حالت‌ها تعیین شد. نمونه‌های آسفالتی تحت گرمایش القایی در دو فرکانس 88 و 89 کیلوهرتز و سه زمان القا 60، 90 و 120 ثانیه قرار گرفتند. متغیرهای ورودی به مدل هوشمند پیشنهادی تحقیق شامل چقرمگی شکست، انرژی شکست بعد از القا، نوع افزودنی، دمای آزمایش، زمان القا، انرژی شکست قبل از القا، طول ناچ، مساحت و فرکانس بود. نتایج تحلیل حساسیت در دو مدل شبکه عصبی مصنوعی نشان داد که در شبکه MLP پارامتر چقرمگی شکست بیشترین تأثیر را بر خروجی داشت. همچنین مشاهده شد که پارامتر دمای آزمایش بالاترین ضریب حساسیت را در شبکه RBF دارد. نتایج نشان داد که در شبکه عصبی پرسپترون با دو لایه در بخش آزمون مقادیر ریشه میانگین مربعات خطا (RMSE) از 46/10 در مدل اول به 27/4 در مدل چهارم خواهد رسید. همچنین نتایج شبکه عصبی مصنوعی شعاعی پایه نشان داد که اضافه شدن پارامترهای ورودی سبب کاهش مقدار ریشه میانگین مربعات خطا (RMSE) بخش آزمون از 56/10 به 35/4 شده است. نتایج تخمین شبکه MLP و RBF نشان داده است که افزودن متغیرهای ورودی به مدل باعث افزایش NS در هر سه بخش آزمون، آموزش و اعتبار سنجی شده است. به این ترتیب در شبکه MLP مقدار NS در قسمت آزمون از 45/0 به 90/0 رسیده و دقت تخمین دو برابر شده است. در شبکه RBF، مشابه MLP، با اضافه شدن پارامتر NS، مقدار NS از 44/0 به 90/0 افزایش یافته است. همچنین، نتایج این مطالعه نشان داد که در هر دو نوع شبکه MLP و RBF، مقدار R2 در گروه دوم در تمامی بخش‌های آزمون، آموزش و اعتبارسنجی بالاتر از گروه اول بود. به­طور کلی نتایج حاصل از این مطالعه نشان داد که شبکه عصبی مصنوعی به دلیل ماهیت یادگیری و قابلیت آموزش از نتایج آزمایشگاهی پیشین در برآورد قابلیت خودترمیمی و مدل‌سازی ارتباط پیچیده متغیرهای تأثیرگذار ورودی دارای عملکرد و دقت مناسب می‌باشد و استفاده از مدل هوشمند پیشنهادی با کاهش تعداد آزمایش‌ها و هزینه می‌تواند در ارزیابی رفتار خودترمیم شوندگی مخلوط آسفالتی نیمه‌گرم مؤثر باشد.
کلیدواژه‌های فارسی مقاله خودترمیمی،ساسوبیت،زایکوترم،شبکه عصبی مصنوعی پرسپترون چند لایه،تابع شعاعی پایه
عنوان انگلیسی Evaluation of the self-healing behavior of warm mix asphalt with the help of failure mechanism and in terms of induction characteristics using Artificial Neural Networks
چکیده انگلیسی مقاله Improving the self-healing performance of warm mix asphalt depends on several factors and parameters that are highly interdependent and have significant complexity. In this study, the self-healing performance of warm mix asphalt was investigated using artificial intelligence and artificial neural network of multi-layer perceptron and radial base with two hidden layers. To conduct this study, two additives Sasobit and Zycotherm were used. The three-point bending test was performed at two temperatures of 25 and -16 degrees Celsius and with two crack lengths of 10 and 20 mm, and the fracture toughness, fracture energy and critical load indices were determined for each of the states. Asphalt samples were subjected to induction heating at two frequencies of 87 and 88 kHz and three induction times of 60, 90 and 120 seconds. The results of sensitivity analysis in two artificial neural network models showed that in the MLP network, the fracture toughness parameter had the greatest impact on the output. It was also observed that the test temperature parameter had the highest sensitivity coefficient in the RBF network. The results showed that in the perceptron neural network with two layers in the test section, the root mean square error (RMSE) values increased from 10.46 in the first model to 4.27 in the fourth model. The results of the basic radial artificial neural network showed that the addition of input parameters reduced the root mean square error (RMSE) value of the test section from 10.56 to 4.35. The results of MLP and RBF network estimation have shown that the addition of input variables to the model has increased NS in all three parts of test, train and validation. In this way, in the MLP network, the value of NS in the test section has reached from 0.45 to 0.90 and the estimation accuracy has doubled. In the RBF network, similarly to MLP, with the addition of the NS parameter, the NS value has increased from 0.44 to 0.90. Also, the results of this study showed that in both types of MLP and RBF networks, the value of R2 in the second group was higher than the first group in all test, train and validation sections. In general, the results of this study showed that the artificial neural network has appropriate performance and accuracy due to the nature of learning and the ability to train from the previous laboratory results in estimating the self-healing ability and modeling the complex relationship of the influential input variables, and the use of the proposed intelligent model by reducing the of experiments and cost can be effective in evaluating the self-healing behavior of warm mix asphalt. 
کلیدواژه‌های انگلیسی مقاله Self-healing,Sasobit,Zycotherm,Multilayer Perceptron Artificial Neural Network,Basis Radial Function
نویسندگان مقاله اسرا عمر محمد صالح | ISRA UMAR MOHAMAD SALEH
Master's student in civil engineering, road and transportation, GUilan University-Rasht
دانشجوی کارشناسی ارشد رشته عمران گرایش راه و ترابری، دانشگاه گیلان-رشت

میثم عفتی | Meysam Effati
Assistant Professor, Department of Civil Engineering, Faculty of Engineering, University of Guilan
استادیار، گروه مهندسی عمران، دانشکده فنی، دانشگاه گیلان

ماهرخ جلالی | Mahrokh Jalali
University of Guilan
دانشگاه گیلان

سید محمد میرعبدالعظیمی | Seyyed Mohammad Mirabdolazimi
Assistant Professor, Department of Civil Engineering, Faculty of Engineering, University of Guilan
استادیار، گروه مهندسی عمران، دانشکده فنی، دانشگاه گیلان

نشانی اینترنتی http://mcej.modares.ac.ir/browse.php?a_code=A-10-74588-1&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی اصیل (کامل)
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات