این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی عمران امیرکبیر، جلد ۵۴، شماره ۹، صفحات ۱۸-۱۸
عنوان فارسی پیش‌بینی خرابی شیارشدگی در روسازی های انعطاف‌پذیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
چکیده فارسی مقاله شیارشدگی یکی از خرابی‌های مهم عملکردی در روسازی‌های آسفالتی است. توسعه مدل‌های پیش‌بینی به منظور جلوگیری و کنترل آسیب‌های ناشی از این خرابی در سیستم مدیریت روسازی ضروری است. در این مطالعه با کمک الگوریتم‌ شبکه عصبی مصنوعی، مدل‌هایی برای پیش‌بینی مقدار خرابی شیارشدگی با استفاده از پایگاه داده برنامه بلند مدت روسازی (LTPP) توسعه داده شده است. این مدل‌ها برای اقلیم‌های آب و هوایی سرد و مرطوب، گرم و خشک و سرد و خشک ارائه شده‌اند. از آنجا که دقت مناسب در عین سادگی جزء مهمترین ویژگی‌های یک مدل پیش‌بینی به شمار می‌رود، با استفاده از روش بهینه‌سازی چند‌هدفه NSGA ІІ-MLP متغیرهایی که میزان اهمیت بیشتری در پیش‌بینی خرابی شیارشدگی دارند، مشخص و به عنوان ورودی مدل درنظر گرفته شدند. سپس با استفاده از متغیر‌های ترافیکی، آب و هوایی و سازه‌ای انتخاب شده توسط الگو ریتم ژنتیک، مدل‌های پیش‌بینی خرابی شیارشدگی ساخته شده‌اند. مقدار ضریب تعیین و میانگین مربعات خطا برای مدل ساخته شده در مناطق سرد و مرطوب ومدل مشترک مناطق گرم و خشک و سرد و خشک به ترتیب برابر 96/0، 05/2، 94/0 و 45/3 می‌باشد. همچنین با انجام تحلیل حساسیت، متغیر‌هایی که بیشترین اثرگذاری را بر خرابی شیارشدگی در اقلیم سرد و مرطوب دارند، به ترتیب اهمیت سن و اختلاف دمای حداکثر و حداقل روزانه با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس مشخص گردید. همچنین در اقلیم گرم و سرد خشک به ترتیب متغیر‌های بار ترافیکی و نفوذ‌پذیری قیر با تاثیر مستقیم و ضخامت روسازی با تاثیر معکوس بر خرابی از بیش‌ترین اهمیت برخورداراند.
کلیدواژه‌های فارسی مقاله شیارشدگی، روسازی انعطاف‌پذیر، شبکه عصبی مصنوعی، بهینه‌سازی چندهدفه، الگوریتم ژنتیک،
عنوان انگلیسی Prediction of rutting deterioration in flexible pavements using artificial neural network and genetic algorithm
چکیده انگلیسی مقاله Rutting is one of the major deteriorations of asphalt pavement significantly impact on road safety and service quality. Forecasting models are necessary to prevent and control the damage caused by this deterioration in the pavement management system. In this study, using the artificial neural network algorithm, models have been developed to predict the amount of rutting deterioration using the long-term pavement performance (LTPP) database. These models have been developed for wet freeze, dry freeze, and dry no freeze climates. Since proper accuracy and simplicity are the most important features of a prediction model, using the NSGA ІІ-MLP multi-objective optimization method, the more important variables in predicting rutting deterioration are identified and selected as the model input. Then, using traffic, climatic and structural variables selected from the genetic algorithm, rutting deterioration prediction models were developed. The coefficient of determination and the mean squared error for the model made in the wet freeze zone and the common model of dry freeze and dry no freeze zones are equal to 0. 96, 2.05, 0.94 and 3.45, respectively. Also, by performing sensitivity analysis, the effect of input data of each model on rutting deterioration was determined. Among the variables that have the greatest impact on rutting deterioration are the cumulative maximum and minimum daily temperature difference per year, pavement age, asphalt layer thickness, annual equivalent single axle loads, and bitumen penetration.
کلیدواژه‌های انگلیسی مقاله شیارشدگی, روسازی انعطاف‌پذیر, شبکه عصبی مصنوعی, بهینه‌سازی چندهدفه, الگوریتم ژنتیک
نویسندگان مقاله علیرضا عسکری |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران

پوریا حاجی کریمی |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران

مهرداد احسانی |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران

فریدون مقدس نژاد |
دانشکده مهندسی عمران و محیط زیست، دانشگاه صنعتی امیرکبیر (پلی‌تکنیک تهران)، تهران، ایران

نشانی اینترنتی https://ceej.aut.ac.ir/article_4774_f1e258732091c15813f51db16038611e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات