پیش‌بینی شاخص خودترمیمی مخلوط‌های آسفالتی با استفاده از شبکه عصبی مصنوعی

روحی, مهسا; حسینی, سید علی; محمدی, عباس

doi:10.22119/jte.2022.303514.2556

پیش‌بینی شاخص خودترمیمی مخلوط‌های آسفالتی با استفاده از شبکه عصبی مصنوعی

نوع مقاله : علمی - پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد راه و ترابری، دانشکده عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

² استادیار، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

³ مربی، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، شاهرود، ایران

10.22119/jte.2022.303514.2556

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.

کلیدواژه‌ها

20.1001.1.20086598.1402.14.3.6.5

عنوان مقاله [English]

Prediction of a Healing Index of Asphalt Concrete Mixture with Artificial Neural Network

نویسندگان [English]

Mahsa Rouhi ¹
Sayyed Ali Hosseini ²
Abbas Mohammadi ³

¹ Postgraduate Student, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

² Assistant Professor, Faculty of Civil Engineering, Shahrood University of Technology, Shahrood, Iran

³ Faculty of Civil Engineering, Shahrood University of Technology

چکیده [English]

Roads are one of the most critical assets of any country, and a large part of the country's budget is spent annually on repair and maintenance operations to eliminate cracks. One of the factors that can effectively increase the useful life of asphalt pavement is the self-healing potential of asphalt mixtures. This study considers the factors affecting the self-healing index (such as type of additive, percentage of additive, gradation of aggregate, type of bitumen, crack repair cycle, type of heating, and heating time), and using a neural network model to predict this index. For this purpose, multilayer perceptron neural network (MLP), m multilayer perceptron neural network with particle swarm optimized algorithm (PSO), radial basis function neural network (RBF), and statistical analysis with SPSS software were used, and the results of these methods were compared. The results showed that the multilayer perceptron neural network (MLP) with a correlation coefficient of 0.96 has a better performance in predicting the self-healing index than other methods and to evaluate the generalization power of the neural network using data that were not used during modelling, multilayer perceptron neural network (MLP) and radial basis function neural network (RBF) work best. Also, three samples were made in the laboratory by replacing 60% of steel slag with coarse aggregates (4.75-9.5 mm), and their self-healing results were evaluated with neural networks.

کلیدواژه‌ها [English]

Self-healing
Artificial neural network
Metal wastes
Microwave heating
Induction heating

مراجع

طاهرخانی، حسن و ابراهیمی مقدم، امیر (1391). پیش بینی عمر خستگی مخلوط های آسفالتی با استفاده از شبکه های عصبی. پایان نامه کارشناسی ارشد. مهندسی عمران گرایش راه و ترابری. دانشگاه بین المللی امام خمینی (ره).

عامری، محمود و ملایم، محمد (1382). تحلیل و طراحی روسازی های انعطاف پذیر با شبکه های عصبی مصنوعی. پایان نامه کارشناسی ارشد. مهندسی عمران گرایش راه و ترابری. دانشگاه علم و صنعت.

فخری، م.، کریمی، م. و قربانی نیک، م. (1398) " تخمین ناهمواری روسازی بر اساس خرابیهای سطحی با استفاده از شبکه عصبی (مطالعه موردی: محورهای شریانی ایران) "، فصلنامه مهندسی حمل و نقل، دوره 12، شماره 3، 697-713.

کاووسی، ا.، امانی، س. و محمد کریمی، م. (1398) " ارزیابی تاثیر کربن فعال در ترمیم القایی مخلوطهای آسفالتی پیرشده تحت امواج مایکروویو "، فصلنامه مهندسی حمل و نقل، دوره 11، شماره 3، 773-792.

EAPA, European Asphalt Pavement (2017, Aug 1). Retrieved from http://www.eapa.org/asphalt.php

Fakhri, M., Baveli Bahmai, B., Javadi, S., Sharafi, M. (2020). "An evaluation of the mechanical and self-healing properties of warm mix asphalt containing scrap metal additives". Journal of Cleaner Production, 253.

González, A., Norambuena-Contreras, J., Storey, L., & Schlangen, E. )2018(. "Self-healing properties of recycled asphalt mixtures containing metal waste: An approach through microwave radiation heating". Journal of Environmental Management, 214, 242-251.

González, A., Norambuena-Contreras, J., Storey, L., & Schlangen, E. (2018). "Effect of RAP and fibers addition on asphalt mixtures with self-healing properties gained by microwave radiation heating", Construction and Building Materials, 159, 164-174.

González, A., Valderrama, J., & Norambuena-Contreras, J. (2019). "Microwave crack healing on conventional and modified asphalt mixtures with different additives: an experimental approach". Road Materials and Pavement Design, 20, 149-S162.

Gupta, M,. Jin, L,. & Homma, N. (2004). Static and Dynamic Neural Network. Hobokon, New Jersey.

Y. (2004). Pavement Analysis and Design. Pearson Prentice Hall, Upper Saddle River, NJ, ISBN-13: 9780131842441

Hecht-Neilsen, R. (1990). Neurocomputing. Addison-Wesley, Boston.

Liu, Z,. et al. (2019). "Induction Heating and Fatigue-Damage Induction Healing of Steel Fiber–Reinforced Asphalt Mixture". J. Mater. Civ. Eng.

Lou, B., Sha, A., Li, Y., Wang, W,. Liu, Z., Jiang, W., Cui, X. (2020). "Effect of metallic-waste aggregates on microwave self-healing performances of asphalt mixtures". Construction and Building Materials.

Mondal, P,. Nandi, A,. & Jana, N. D. (2019). "An Improved Particle Swarm optimization based Neural Network Training for Classification". IEEE Region Symposium (TENSYMP), 681-686.

Norambuena-Contreras, J., et al. (2019). "Mechanical and Self-Healing Properties of Stone Mastic Asphalt Containing Encapsulated Rejuvenators". Journal of Materials in Civil Engineering, 31(5).

Norambuena-Contreras, J., & Garcia, A. (2016). "Self-healing of asphalt mixture by microwave and induction heating". Materials & Design, 106, 404-414.

Norambuena-Contreras, J., & González, A. (2017). "Influence of the Microwave Heating Time on the Self-Healing Properties of Asphalt Mixtures". Applied Sciences, 7(10), 1076.

Norambuena-Contreras, J., Gonzalez, A., Concha, J.L., Gonzalez-Torre, I., & Schlangen, E. (2018). "Effect of metallic waste addition on the electrical, thermophysical and microwave crack-healing properties of asphalt mixtures". Construction and Building Materials, 187, 1039-1050.

Phan, T., Park, D., & Le, T. (2018). "Crack healing performance of hot mix asphalt containing steel slag by microwaves heating". Construction and Building Materials, 180, 503-511.

Suzuki, K. (2011). Artificial Neural Networks - Methodological Advances and Biomedical Applications. ISBN 978-953-307-243-2.

Shafiei Najd, M., Hassanzadeh, Y., Alami, M., & Abdi Kordani, A. (2018). "Meteorological Drought Analysis Using Particle Swarm Optimization Algorithm- Artificial Neural Networks Based on MSPI Index". Water and Soil Science, 28(2), 107-120.