بررسی اثر متغیرهای طرح اختلاط بر عملکرد تراکم مخلوط آسفالتی با کمک الگوریتم‌های داده کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

2 دانشیار، دانشکده مهندسی عمران، دانشگاه یزد، یزد، ایران

3 استادیار، دانشگاه آزاد اسلامی، واحد استهبان، استهبان، ایران

چکیده

عوامل یا پارامترهای زیادی بر تراکم میدانی مخلوط آسفالتی، تاثیر می‌گذارد از آنجا که تعداد متغیرهای موثر بر تراکم زیاد و برخی بر یکدیگر اثر می‌گذارند، تعیین یک رابطه‌ی درونیابی ثابت تقریبا غیر ممکن است. داده کاوی و تکنیک­های آن راهکاری برای کشف دانش پنهان بین متغیرهای وابسته و مستقل است، همچنین روابط غیر مستقیم و غیر‌خطی را می‌تواند با تقسیم بندی داده‌ها در گروه‌ها یا برگ، در درخت تصمیم شناسایی کند. در این مطالعه، تکنیک‌های رایج داده‌کاوی در مهندسی عمران، شامل شبکه عصبی، رگرسیون خطی و درخت تصمیم، به عنوان ابزار تحلیلی مورد استفاده قرار می‌گیرد. با تاکید بر کاربرد روش درخت تصمیم، با هدف بررسی مدل­های کشف دانش و ارائه پیش بینی، سایر ابزار‌های داده کاوی نامبرده برای کمک به ساخت وارزیابی مدل ساخته شده، بکار گرفته می‌شوند. متغیر‌های توضیحی که در سه ابزار آماری این مطالعه مورد استفاده قرار می‌گیرند، شامل: درصدفضای خالی، مقاومت مخلوط آسفالتی، دانه‌بندی سنگدانه‌ها، درصدقیر، نرمی مخلوط آسفالتی می­باشد. نتایج نشان می‌دهد متغیرهای درصدفضای خالی مصالح سنگی، درصد عبوری الک شماره‌ی 200 و شماره‌ی4 و درصدقیر تاثیر بیشتری بر نتایج تراکم و چگالی مخلوط آسفالتی داشته‌اند. همچنین مدل رگرسیون خطی چندگانه با ضریب همبستگی نزدیک به یک بین چگالی مخلوط آسفالتی و متغییرهای تاثیرگذار بر آن ارائه شد.

کلیدواژه‌ها

عنوان مقاله [English]

Investigating the Effects of Mixing Design Variables on Performance of Asphalt Compaction Using Data Mining Algorithms

نویسندگان [English]

  • Mohammad Hamidinia 1
  • Mohammad Mehdi Khabiri 2
  • Mehdi Mokhberi 3
1 M.Sc., Student, Engineering Faculty, Yazd University, Yazd, Iran.
2 Associate Professor, Engineering Faculty, Yazd University, Yazd, Iran.
3 Department of Civil Engineering, Estahban Branch, Islamic Azad University, Estahban, Iran.
چکیده [English]

Many factors or parameters influence the field density of asphalt mixes. Since the number of variables affecting a large and somewhat different compacts affects each other, it is almost impossible to determine a constant interpolation relationship. Data mining and its techniques are a way of discovering hidden knowledge between dependent and independent variables, as well as indirect and nonlinear relationships can be identified by dividing the data into groups or leaves in the decision tree method. In this study, commonly used data mining techniques in civil engineering, including the neural network, logistic regression and decision tree. By emphasizing the application of decision tree method, with the aim of exploring knowledge models and providing predictions, other data mining tools are used to assist in constructing and evaluating the developed satistical model. The explanatory variables used in the three models of this study are the percentage of void, asphalt mix strength, aggregate size, bitumen percentage, asphalt mix flow. The results show that the percentage of void content of stone materials, the percentage of passage of sieve 200 and 4, and the bitumen percentage had a greater effect on the density and compaction of asphalt mixture. Also, a multiple linear regression model with a correlation coefficient of nearly one between the density of asphalt mixture and variables were presented.

کلیدواژه‌ها [English]

  • Mixing Design
  • Asphalt Mix
  • Data Mining
  • Concentration Quality Control
  • Pavement Failure
  • Decision Tree

مراجع

-Breiman, L., Friedman J., Olshen R., and Stone. C., (1984), "Classification and Regression Trees', Chapman & Hall/CRC Press, Boca Raton, FL. Development of a decision tree modeling approach, Geoderma 139, pp.227-287.
-Chang, L. Y., & Chen, and W. C., (2005), "Data mining of tree-based models to analyze freeway accident frequency'. Journal of safety research, 36(4), pp.365-375. https://doi.org/10.1016/j.jsr.2005.06.013
-Chowdhury, Ch., Deb Nath, R.,Lee, H.,  and Chang, J., (2009), "Development of an Effective Travel Time -Predication Method Using Modified Moving Average Approach", Proceedings of the 13th International conference on Knowledge-Based and Intelligent Information and Engineering systems, pp. 430-437.
-Cook, M. D., Ghaeezadah, A., and Ley, M. T., (2017), "Impacts of coarse-aggregate gradation on the workability of slip-formed concrete". Journal of Materials in Civil Engineering, 30(2), 04017265.https://doi.org/10.1061/(ASCE)MT.1943-5533.0002126.
-Dasturani, M. T., Habibipour, A. Proprietary M. R. Talabi A.A.,and Johari J., (2011), "Evaluation of the efficiency of decision tree model in prediction of precipitation (Case study of cytopathic station in Yazd)", International Journal of Research, Vol. 8, No. 3, pp. 14-23.
-Ismail, S., Hassan, N. A., Yaacob, H., Hainin, M. R., Ismail, C. R., Mohamed, A., and Satar, M. K. I. M., (2019), "Properties of dense-graded asphalt mixture compacted at different temperatures". In IOP Conference Series: Earth and Environmental Science, Vol. 220, No. 1, pp. 120-130. https://doi.org/10.1088/1755-1315/220/1/012010/meta.
-Gao, Y., Huang, X., and Yu, W. 2014. "The compaction characteristics of hot mixed asphalt mixtures". Journal of Wuhan University of Technology-Mater. Sci. Ed., 29(5), pp.956-959.
https://doi.org/10.1007/s11595-014-1027-z.
-Hoang, N. D., and Nguyen, Q. L., (2019), "A novel method for asphalt pavement crack classification based on image processing and machine learning". Engineering with Computers, 35(2), pp.487-498. https://doi.org/10.1007/s00366-018-0611-9.
-Kassem, E., Scullion, T., Masad, E., and Chowdhury, A., (2012), "Comprehensive evaluation of compaction of asphalt pavements and a practical approach for density predictions". Transportation Research Record, 2268(1),
pp.98-107, https://doi.org/10.3141/2268-12.
-Khabiri, M.M.and Elahizadeh, M., (2015), "Evaluation of the effect of pavement failure on the probability of accidents using decision tree method (case study: pavement unevenness)", Transportation Engineering Journal, Vol. 7, Issue 4, summer, pp. 579-605.
-Liu, P., Wang, D., Otto, F., Hu, J., and Oeser, M. 2018. "Application of semi-analytical finite element method to evaluate asphalt pavement bearing capacity'. International Journal of Pavement Engineering, 19(6), pp. 479-488.
-Moslemi Najkarlaei,F., Meysam Efati M., Farzin Naseri F., Rajabi A., (2015), "Prediction of travel time in outbound routes using spatial data mining techniques Case Study: Ghaemshahr Route to Babylon and Sari to Qaemshahr", Scientific and Research Journal of Soft Computing and Information Technology JDL 4, Issue 3, Vol. 43, pp.3-15.
-Mozafari,G. Omidavr,K.2015, "Evaluation of the efficiency of regression decision tree model in drought prediction Case Study: Sanandaj synoptic station", Environmental hazards journal, year 4, issue 6, winter­, pp.1-19.
-Mousa, M., Elseifi, M. A., and Abdel-Khalek, A. 2019." Development of Tree-Based Algorithm for Prediction of Field Performance of Asphalt Concrete Overlays". Journal of Transportation Engineering, Part B: Pavements, 145(2), 04019011. https://scelibrary.org/doi/abs/10.1061/JPEODX.0000112.
-Nath,D. R., Lee, H., Chowdhury, N., Chang, J., (2010), "Modified K-Means Clustering for Travel Time -Prediction Based on Historical Traffic Data", Proceedings of the 14th international conference on Knowledge-based and intelligent information and engineering systems,
pp. 524-544.
-Pakgohara,R., and Sadeghikia, A., (2008), "Analysis of Statistical Data on Driving Accidents by Decision tree", Journal of Traffic Management Studies, Third Issue, Vol.3, No. 8, spring 2008, pp. 27-57.
-Zhao, S., & Al-Qadi, I. L., (2019), "Algorithm development for real-time thin asphalt concrete overlay compaction monitoring using ground-penetrating radar". NDT & E International, Volume 104, pp. 114-123.
https://doi.org/10.1016/j.ndteint.2019.04.008.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار