پيش بيني مدول برجهندگي مصالح اساس تثبيت شده تحت اثر سيكل هاي تر و خشك شدن با استفاده از سيستم استنتاج عصبي- فازي تطبيقي

Prediction of Resilient Modulus of Stabilized Aggregate Base Subjected To Wet-Dry Cycles Using Adaptive Neuro-Fuzzy Inference System (ANFIS

يكي از مهم ترين پارامترهاي ورودي براي طراحي روسازي با استفاده از روش مكانيستيك- تجربي، مدول برجهندگي مصالح مختلف روسازي است. مدول برجهندگي معمولاً با انجام آزمايش بارگذاري سه محوري ديناميك تعيين مي شو د كه بسيار پر هزينه و زمانبر است و نياز به امكانات آزمايشگاهي خاصي دارد. هدف از اين مقاله ارائه يك مدل بر پايه به منظور پيش بيني مدول برجهندگي مصالح اساس تثبي تشد ه با (ANFIS) سيستم استنتاج عصبي-فازي تطبيقي افزودني هاي مختلف تحت اثر سيكل هاي تر و خشك شدن است. براي اين منظور از يك پايگاه داده آزمايشگاهي متشكل از شامل تعداد سيكل هاي تر و خشك شدن، ANFIS 704 ركورد استفاده شد. در اين تحقيق پارامترهاي ورودي به مدل نسبت دانسيته خشك حداكثر به ، ( SFA) نسبت آهك آزاد به سيليس، آلومينا و تركيبات اكسيد آهن در مواد سيماني درصد رطوبت بهينه، تنش انحرافي و تنش محدودكننده در نظر گرفته شدند. نتايج نشان دهنده ي دقت بالاي مدل با ضريب رگرسيون 0/9669 ,و 0/9625 به ترتيب براي مجموعه داد ه هاي آموزش و آزمون بوده و 0/9655 0 براي كل داده ها بود. به علاوه نتايج تحليل حساسيت مدل نشان داد كه متغير نسبت دانسيته خشك حداكثر به درصد رطوبت بهينه DMR داراي بيشترين تأثير و متغير تعداد سيكل خشك و تر شدن WDC كمترين تأثير را بر مدول برجهندگي اساس WDC تثبيت شده دارد. در ضمن نتيجه گرفته شد كه مدول برجهندگي وابستگي بيشتري به مقدار تنش انحراف در مقايسه با تنش محدودكننده دارد

One of the most important input parameters for pavement design using empirical mechanistic method is the resilient modulus of various materials. Resilient modulus is commonly determined by dynamic triaxial loading test which is very costly and time-consuming and requires special laboratory facilities.The purpose of this paper is to develop a model based on adaptive Neuro-Fuzzy inference system (ANFIS) for prediction of resilient modulus of stabilized base materials subjected to wet– dry cycles. For this purpose an experimental database consists of 704 records were used. In this study, the number of wet-dry cycles (WDC), the ratio of free lime to SAF (CSAFR), the ratio of maximum dry density (in kN/m3) to the optimum moisture content (in %) (DMR), the confining pressure ( 3 ) and the deviator stress ( d ) were considered as ANFIS input parameters. Results showed high accuracy of model with coefficient of determination (R2) of 0.9669 and 0.9625 for training and testing data sets and 0.9655 for overall data set, respectively. In addition, the result of sensitivity analysis showed that DMR and WDC have the most and least effectiveness on resilient modulus of stabilized bases, respectively. In addition, it was concluded that resilient modulus is more dependent on the value of d variable compared with 3 , and results of parametric studies also confirm this issue