پژوهشگاه حمل و نقل طراحان پارسه فصلنامه مهندسی حمل و نقل 2008-6598 17 2 2025 12 22 Prediction of Air Voids in Asphalt Mixtures on In-Service Roads Using Artificial Neural Networks پیش­بینی فضای خالی مخلوط­های آسفالتی در جاده­های تحت سرویس با استفاده از شبکه­های عصبی مصنوعی 5359 5371 221070 10.22119/jte.2025.506203.2732 FA علی حیدری پناه استادیار، پژوهشکده مواد، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران 0000-0003-1248-2740 Journal Article 2025 02 14 <span lang="EN">The void of the asphalt mixtures is a crucial parameter in design and performance of asphalt mixes. Changes in this parameter after road construction under traffic and over time, cause changes in the performance of asphalt mixtures. Therefore, predicting the void of asphalt mixes in the roads under service is an essential requirement for assessing asphalt performance. In this research, an AAN-based model with the high accuracy of </span><span>R²</span>^{<span dir="RTL"> </span>}<span dir="RTL" lang="AR-SA">=</span><span lang="EN">0.97</span><span lang="EN"> has been developed to predict the void of asphalt mixes using feed-forward Artificial Neural Networks (ANNs) with the Levernberg-Marquardt Back Propagation (LMBP) training algorithm. The LMBP algorithm is a dynamic technique that combines the speed of the Gauss-Newton method with the convergence guarantee of the Steepest Decent method. Furthermore, the method of adjusting the training parameters of the ANN models is presented to increase the possibility of achieving higher accuracies in the process of reinitializing the weights and retraining the ANN models.</span> <span lang="AR-SA">فضای خالی مخلوط آسفالتی یکی از مهمترین پارامترها در طراحی و عملکرد آسفالت در فرایند طراحی، ساخت<span> </span>و تعمیر روسازیها<span> </span>می باشد. تغییرات این پارامتر پس از ساخت جاده، تحت ترافیک و در طول زمان، باعث تغییر در عملکرد مخلوط های آسفالتی می شود. از این رو پیش بینی فضای خالی</span><span dir="LTR" lang="AR-SA"> </span><span lang="FA">آسفالت</span><span lang="AR-SA"> در جاده تحت سرویس،<span> </span>نیازی اساسی برای پیش بینی تغییرات عملکرد آسفالت به شمار می رود. در این تحقیق، </span><span lang="FA">اولین مدل</span><span lang="AR-SA"> پیش بینی برای تخمین فضای خالی آسفالت، با استفاده از شبکه های عصبی مصنوعی </span><span dir="LTR">(ANNs)</span><span lang="AR-SA"> پیشرو ، با الگوریتم آموزش انتشار به عقب لونبرگ-مارکواد</span><span dir="LTR" lang="AR-SA"> </span><span dir="LTR">(LMBP)</span><span dir="LTR"> </span><span lang="AR-SA"><span> </span>، با موفقیت و دقت بالای <span> </span></span><span lang="FA">97/0 </span><span dir="LTR">=</span><span> </span><span dir="LTR">R²</span>^{<span> </span>}<span lang="AR-SA"><span> </span>ارائه شده است. الگوریتم </span><span dir="LTR">LMBP</span><span> <span> </span><span lang="AR-SA">یک روش دینامیک است که سرعت</span></span><span lang="FA"> تکنیک</span><span lang="AR-SA"> گوس- نیوتن را با تضمین همگرایی تکنیک </span><span dir="LTR">SD</span><span lang="AR-SA"> همراه می کند. همچنین، نحوه طراحی و تنظیم پارامتر های</span><span lang="FA"> آموزش</span><span lang="FA"> </span><span dir="LTR">LMBP</span><span> <span lang="AR-SA">، برای افزایش امکان دستیابی به دقت بالاتر ارائه شده است.</span></span> https://jte.sinaweb.net/article_221070_509a471069b200f0ae01092c5001d50e.pdf