18037

18037

ارائه مدل پيش بيني عمق شيارشدگي در بتن آسفالتي بر اساس پارامترهاي ويسكو الاستيك با استفاده از شبكه هاي عصبي مصنوعي

دكتري

راه و ترابري

شهريور 1396

پروفسور حميد بهبهاني - پروفسور حسن زياري

عمران

چكيده انجام تحقيقات جامع در زمينه بررسي رفتار عملكردي روسازي هاي آسفالتي تحت تاثير پارامترهاي مختلف محيطي و ساختاري مي تواند مهندسين را در طرح و نگهداري هرچه بهتر روسازي هاي آسفالتي ياري رساند. استفاده از راهكاري كه بتواند هزينه و زمان ارزيابي را كاهش دهد از اهميت بسزايي برخوردار است. بهره‌گيري از شبكه ‌هاي عصبي مصنوعي در بسياري از علوم مهندسي، عمليات روي داده‌ ها را تسهيل مي‌نمايد. شبكه هاي عصبي مصنوعي به عنوان يك ابزار مدلسازي شناخته شده است كه به حل مسائل خطي و غير خطي چند متغيره مي پردازد. مدل هاي حاصل از شبكه عصبي مصنوعي با پردازش بر روي داده هاي تجربي، دانش يا رابطه نهفته بين متغير هاي ورودي و هدف (خروجي) را بدست مي آورند و بر اساس آن قادر به پيش بيني و برآورد مقادير هدف مي باشند. با كاربرد گستره وسيعي از نوع و جنس مصالح مصرفي در ساخت رويه هاي آسفالتي، رفتار عملكردي روسازي ها نيز از نوسانات وسيعي برخوردار است. بنابراين لازم مي نمايد تا مطالعه اي جامع با در نظر گرفتن تمامي و يا اكثر پارامترهاي تاثير گذار بر اين رفتارها انجام شود. هدف از پژوهش حاضر، ارائه مدل آزمايشگاهي تخمين عمق شيارشدگي بتن آسفالتي با بهره گيري از پارامترهاي ويسكو- الاستيك و به كمك شبكه هاي عصبي مصنوعي مي باشد. بدين منظور نمونه هاي بتن آسفالتي حاوي سه سطح فضاي خالي 3، 5 و 7 درصد و با دو نوع مصالح سنگي آهكي و سيليسي و دو نوع قير با درجه عملكردي 22-64 و 28-58 ساخته شد و در محدوده دمايي 50 تا 60 درجه سانتي گراد و محدوده تنش 100 الي 300 كيلوپاسكال تحت آزمون خزش ديناميكي قرار گرفت. سپس پارامترهاي ويسكوالاستيك نمونه هاي آسفالتي از روي نمودارهاي خزش استخراج گرديد و در نهايت مدل پيش بيني عمق شيارشدگي بتن آسفالتي به كمك نرم افزار تصميم گيري شبكه عصبي مصنوعي، تربيت و ارائه گرديد. جهت اعتبارسنجي مدل پيشنهادي ارائه شده به كمك شبكه عصبي مصنوعي، در كنار روش MLP از روش GMDH نيز استفاده گرديد. همچنين از نتايج آزمون بار محوري تكرار شونده (RLA)، با همان مصالح و شرايط آزمايشگاهي مندرج در پايان نامه حاضر، جهت اعتبارسنجي مدل پيشنهادي، استفاده شد. در نهايت نيز يك مدل رگرسيون غير خطي جهت كاليبره نمودن مدل خروجي شبكه عصبي مصنوعي ايجاد و مورد استفاده قرار گرفت. مقايسه نتايج خروجي مدل پيشنهادي با نتايج آزمونهاي آزمايشگاهي نشان مي دهد كه با استفاده از اين مدل ميتوان با كاهش نياز به انجام آزمون هاي پرهزينه و وقت گير، رفتار خزشي و عمق شيارشدگي رويه هاي بتن آسفالتي را با لحاظ پارامترهاي تاثيرگذار به خوبي و با دقت بالا تخمين زد. واژه‌هاي كليدي: بتن آسفالتي، پارامترهاي ويسكوالاستيك، شبكه عصبي مصنوعي، شيار شدگي، خزش ديناميكي

1396/08/20

11/11/2017 12:00:00 AM

Abstract Performing comprehensive research on the functional behavior of asphalt pavements under the influence of various environmental and structural parameters can better assist the engineers in the design and maintenance of asphalt pavements. Using a solution that can reduce the cost and time of assessment is very important. Using artificial neural networks in many facilitates operations on data engineering sciences. Artificial neural networks are known as a modeling tool to solve linear and non-linear multivariate problems. Using a wide range of types and qualities of applied materials in the manufacture of asphalt pavements, pavement functional behavior is also subject to a range of fluctuations. It is therefore necessary to ensure that a comprehensive study is performed through considering all or most of the parameters affecting the behavior. The aim of this study is to provide an experimental model to estimate the rut depth of asphalt concrete by using viscoelastic parameters and artificial neural networks. Accordingly the asphalt concrete specimens containing 3, 5 and 7 percent void with two types of limestone and siliceous aggregates and PG64-22 and PG58-28 bitumens were made and exposed to dynamic creep tests under 50 to 60°C and the stress range of 100 to 300 kPa. Then the viscoelastic parameters of asphalt specimens were extracted from the creep diagrams and eventually the asphalt concrete’s rut depth prediction model was trained and provided by artificial neural network. In order to validate the proposed model with the help of artificial neural network, the GMDH method was used along with the MLP method.Also, the results of the repeated loading axial (RLA) test, with the same materials and laboratory conditions as the present thesis were used to validate the proposed model. Finally, a nonlinear regression model was developed and used to calibrate the artificial neural network outlet model. Comparing the output results with the experimental test results show that by using this model it is possible to estimate the creep behavior and rut depth of asphalt concrete pavements based on the effective parameters without the need for costly and time-consuming tests. Keywords: Asphalt Concrete; Visco-Elastic Parameters; Artificial Neural Network; Rutting Depth; Dynamic Creep