جستجو در مقالات منتشر شده
۱ نتیجه برای تابع شعاعی پایه
اسرا عمر محمد صالح، میثم عفتی، ماهرخ جلالی، سید محمد میرعبدالعظیمی،
دوره ۲۴، شماره ۱ - ( ۲-۱۴۰۳ )
چکیده
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 ۲۵ و ۱۶- درجه سانتی‌گراد و با دو طول ترک ۱۰ و ۲۰ 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 ۸۸ و ۸۹ کیلوهرتز و سه زمان القا ۶۰، ۹۰ و ۱۲۰ 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 ۴۶/۱۰ در مدل اول به ۲۷/۴ 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 ۵۶/۱۰ به ۳۵/۴ 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 ۴۵/۰ به ۹۰/۰ رسیده و دقت تخمین دو برابر شده است. در شبکه RBF، مشابه MLP، با اضافه شدن پارامتر NS، مقدار NS از ۴۴/۰ به ۹۰/۰ افزایش یافته است. همچنین، نتایج این مطالعه نشان داد که در هر دو نوع شبکه MLP و RBF، مقدار R۲ 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.
