مروری بر پیش بینی اثر افزودنی‌ها بر عملکرد مخلوط آسفالتی با استفاده از شبکه عصبی مصنوعی

نویسندگان

1 دانشیار، دانشکده فنی مهندسی، دانشگاه بین المللی امام خمینی(ره) قزوین، قزوین، ایران

2 دانش آموخته کارشناسی ارشد، دانشکده فنی مهندسی، دانشگاه رازی، کرمانشاه، ایران

چکیده

مقاومت پایین مخلوط­های آسفالتی در برابر بارهای دینامیکی موجب بروز ترک­های خستگی، شیارشدگی و در نهایت کاهش عمر سرویس دهی روسازی می شود. از این رو کشورهای پیشرفته به دنبال روش های جدید برای ساخت و نگهداری و تعمیر راه­ها بوده و همچنین تلاش هایی را در زمینه استفاده از تکنولوژی­های جدید جهت ارتقاء روسازی های قدیمی انجام داده­اند که این امر نشان دهنده توجه این کشورها به حفظ وضعیت راهها در حد مطلوب می باشد. یکی از روش­های اصلاح خصوصیات قیر و مخلوط آسفالتی، استفاده از انواع افزودنی­ها می باشد. افزودنی ­ها به این دلیل که قیر نمی­تواند در همه آب و هواها و شرایط بارگذاری عملکردی مناسب داشته باشد، استفاده می­شود. ایران نیز با داشتن اقلیم چهار فصل، تاثیرات آب و هوایی خاصی بر اغلب پروژه­های عمرانی را تجربه می­کند. روسازی راه­ها نیز یکی از تاثیرپذیرترین پروژه­ها از این حیث می باشند. در کنار آزمایش، استفاده از شبکه عصبی مصنوعی می تواند یک راه حل مناسب در کاهش هزینه و زمان ارزیابی نتایج باشد. در این مقاله در کنار بررسی تاثیر انواع افزودنی­ها بر خصوصیات عملکردی مخلوط آسفالتی به استفاده از شبکه عصبی مصنوعی برای پیش بینی خصوصیات مختلف مخلوط آسفالتی نیز پرداخته شده است.

کلیدواژه‌ها


-بهبهانی، ح.، ایازی، م. ج.، و شجاعی، م. ح.، (1395)، "ارزیابی آزمایشگاهی حساسیت رطوبتی و پتانسیل شیار شدگی مخلوطهای آسفالتی نیمه گرم"، مهندسی حمل و نقل­، سال هفتم­، بهار، ص.418-405.
 
- McCulloch, D. and K, Vukadinovic, (2012), "Trafiic Control and Transport Planning: A Fuzzy Sets and Neural Networks Approach",
­Vol. 13, Springer Science & Business Media.
 
-­M. Lazarevska, M. Knezevic, M. Cvetkovska, A.G. Trombeva, (2014), “Application of artificial neural networks in civil engineering”, Tech. Gazette 21 (6),
 pp. 1353-1359.
 
-­I. Flood, (1990), “Simulating the construction process using neural networks, in: Proceedings of the 7th ISARC – International Association for Automation and Rrobotics in Construction/Bristol”,
pp. 374-382.
 
-­D.S. Jeng, D.H. Cha, m. Blumenstein, (2003), “Application of neural networks in civil engineering problems, in: Proceeding of the International Conference on Advance in the Internet, Processing, Systems and Interdisciplinary Research”.
 
S.M. Mirabdolazimi, Gh.Shafabakhsh, (2017), “Rutting depth prediction of hot mix asphalts modified with forta fiber using artificial neural networks and genetic programming technique, Construction and Building Materials, Vol. 148, 1 September, pp. 666-674.
-­E. Ozgan, (2011), “Artificial neural network based modelling of the Marshall Stability of asphalt concrete, Expert Systems with Applications”, 38(2011), pp.6025-6030.
Gh.Shafabakhsh, O. Jafari Ani, M. Talebsafa,  (2015), “artificial neural network modeling (ANN) for predicring rutting performance of nano-modified hot-mix asphalt mixtures containing Steel slag aggregates, Construction and Building Materials”, pp.­136-143.
-­F. Xiao, S. Amirkhanian, C. Hsein, (2009), “prediction of fatigue life of rubberized asphalt concrete mixtures containing reclaimed asphalt pavement using artificial neural network, J. Master. Civ. Eng. 21 (6),  pp.253-261.
- F. Xiao, S., (2015), “Amirkhanian, artificial neural network approach to estimating stiffness behaviour of rubberized asphalt concrete mixtures containing reclaimed asphalt pavement,, J. Transp. Eng. 59 (3),
pp. 249-264.
-­M. Firouzinia, Gh. Shafabakhsh, (2018), “Investigation of the effect of nano-silica on thermal sensitivity of HMA using artificial neural network, Construction and Building Materials 170, pp.527–53.
- Serkan Tapkın, Abdulkadir Çevik, Ün Usar, (2010), “Prediction of Marshall test results for polypropylene modified dense bituminous mixtures using neural networks, Expert Systems with Applications 37,
pp. 4660–4670
- Halil Ceylan , Alper Guclu , Erol Tutumluer & Marshall R. Thompson, (2005), “Back calculation of full-depth asphalt pavement layer moduli considering nonlinear
stress-dependent subgrade behaviour”, International Journal of Pavement Engineering, 6:3, pp.171-182.
-­Eldin, N. N., & Senouci, A. B., (1995), “A pavement condition rating model using back propagation neural network. Microcomputers in Civil Engineering, 10(6), pp.433-441.
-­Ivica Androjic, Zlata Dolacˇek-Alduk, (2018), “Artificial neural network model for forecasting energy consumption in hot mix asphalt (HMA) production”, Construction and Building Materials 170, pp.424–43.
-­Golzar, K., A. Jalali.arami, and M., (2012), “Nematollahi, Statistical investigation on physical-mechanical properties of base and polymer modified bitumen using Artificial Neural Network’, Construction and Building Materials, 37, pp. 822-831.
- Shi, X., et al., (2011), “Exploring the interactions of chloride deicer solutions with nanomodified and micromodified asphalt mixtures using artificial neural networks”, Journal of Materials in Civil Engineering, 24(7): pp. 805-815.