مدل سازی تأثیر درصد مصالح سنگی شکسته در مقاومت مارشال آسفالت با بکارگیری شبکه های عصبی مصنوعی

نویسندگان

1 دانشیار، دانشکدﺓ فنی و مهندسی، دانشگاه تربیت مدرس، تهران، ایران

2 دانشجوی دکتری، دانشکدﺓ فنی- مهندسی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

درصد مصالح سنگی شکسته یکی از مهم ترین عوامل مؤثّر در مقاومت فشاری آسفالت و عملکرد آن است. تأثیر آن در مقاومت مارشال آسفالت به کمک آزمایش مارشال قابل ارزیابی است و به نظر می رسد که تاکنون مدل سازی ریاضی خاصی برای آن انجام نشده است. در این تحقیق تأثیر درصد مصالح سنگی شکسته در مقاومت فشاری بتن آسفالتی توسط شبکه های عصبی مصنوعی پرسپترون چند لایه پیشرو و الگوریتم آموزش انتشار به عقب، با تکنیک بهینه سازی عددی لونبرگ- مارکوات، مدل سازی شده است.به این منظور در صدهای عبوری از الک های شماره 200،50 ، 30 ،8 ،4، و2/1 اینچ، درصد مصالح سنگی شکسته و درصد قیر به عنوان ورودی های شبکه و مقاومت مارشال، خروجی شبکه در نظر گرفته شده است. سپس حداکثر توان تعمیم پذیری هر شبکه با تعداد مشخص نرون (3،6،8،10) در لایه پنهان برای شبیه سازی داده های جدید تعیین شده است. بررسی های انجام شده نشان می دهند که توان شبیه سازی شبکه ها به میزان آموزش بسیار حساس بوده و با افزایش آموزش از یک حد معین، شبکه دچار آموزش بیش از حد شده و توان تعمیم پذیری آن به شدت کاهش می یابد، بنابر این دستیابی به بیشترین توان شبیه سازی، مستلزم تلاش فراوان خواهد بود.مقایسه این مقادیر بیشینه نشان می دهد که با افزایش تعداد نرونهای لایه پنهان تا 8 عدد، توان شبیه سازی شبکه ها به حداکثر رسیده و افزایش بیشتر نرونهای لایه پنهان تأثیر قابل توجهی بر توان شبیه سازی شبکه ندارد. در مرحله بعد با انجام تحلیل حساسیت توسط شبکه ای که بیشترین توان شبیه سازی را داراست، روند تغییرات مقاومت مارشال نسبت به درصد مصالح شکسته مدل سازی شده است. نتایج به دست آمده نشان می دهندکه مقاومت مارشال آسفالت با افزایش درصد مصالح شکسته، افزایش می یابد که با روند نظری مطابقت دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Effect of Crushed Aggregates Percentage on Marshal Stability of Asphalt Concrete, Using Artificial Neural Networks

نویسندگان [English]

  • <P>A. Hasani 1
  • A. Heidaripanah 2
1 Associate Professor, Department of Engineering, Tarbiat Modares University, Tehran, Iran
2 Ph.D. Student, Department of Engineering, Tarbiat Modares University, Terhan, Iran
چکیده [English]

In this research the variation of Marshal stability with percentage of crushed aggregates is simulated using Artificial Neural Networks (ANNs) with Levenberg-Marquardt Back Propagation (LMBP) training algorithm. To develop the model, the percentage of crushed aggregates, percentage passing through sieves 50, 20, 4, 8, 30 and 1/2 inch and percentage of asphalt content considered as network inputs and Marshal stability as network output so the number of input layer neurons is eight and the output layer neuron is one. The tangent sigmoid transfer function is selected for hidden layer neurons and linear transfer function for output layer. The inputs and outputs are normalized between -1 and 1, to improve the performance of the networks. At the first stage, the maximum generalization ability of each network with specified number of neurons (3, 5, 8, and 10) in hidden layer is determined. Comparing these maximum values reveals that the network with 8 neurons in the hidden layer has the maximum generalization ability. At the second stage, the variation of Marshal stability with percentage of crushed aggregates is simulated by applying sensitivity analysis on the network with maximum generalization ability. MATLAB 7 has been used as main software in this research. In order to collect the required data needed to design networks and evaluate the generalization ability of them, a database of 110 Asphalt concrete specimens are selected before compaction from the road surface. The specimens include Binder and Topeka with 0-19 mm gradation. The Binder Type is asphalt cement with the penetration grade 60/70. Having done the Marshal stability, extraction, percentage of crushed aggregate tests, the Marshal stability, the asphalt content, the gradation curve, the percent of crushed aggregates are derived. The optimum number of hidden layer neurons is determined based on 85 data for training and 25 data to assess the generalization ability of the networks.

کلیدواژه‌ها [English]

  • Asphalt concrete
  • Marshal Stability
  • Artificial Neural Networks
  • Crushed Aggregates

فایل ها

هم رسانی

ارجاع به این مقاله

آمار