پيش‌بيني شاخص خودترميمي مخلوط‌ هاي آسفالتي با استفاده از شبكه عصبي مصنوعي

جاده ها از سرمايه هاي مهم هر كشور محسوب مي شوند و سالانه بخش زيادي از بودجه كشور صرف عمليات ترميم و نگهداري براي رفع ترك خوردگي ها مي شود. يكي از عواملي كه مي تواند در افزايش عمر مفيد روسازي آسفالتي مؤثر باشد، پتانسيل خودترميمي مخلوط هاي آسفالتي است. در اين پژوهش با در نظر گرفتن عوامل مؤثر بر شاخص خودترميمي (مانند نوع افزودني، درصد افزودني، دانه بندي مخلوط آسفالتي، نوع قير، چرخه ترميم ترك، نوع گرمايش و زمان گرمايش)، با استفاده از شبكه عصبي مدلي جهت پيش بيني اين شاخص ارائه شده است. بدين منظور از شبكه عصبي چندلايه (MLP)، شبكه عصبي چندلايه بهينه سازي شده با الگوريتم ازدحام ذرات (PSO)، شبكه عصبي شعاعي پايه (RBF) و تجزيه و تحليل آماري با نرم افزار SPSS  استفاده شده و نتايج اين روش ها با يكديگر مقايسه شدند. به منظور صحت سنجي مدل،  شاخص خود ترميمي نمونه آسفالتي حاوي 60 درصد سرباره در آزمايشگاه محاسبه شده و با نتايج بدست آمده از مدل مقايسه و ارزيابي شده است. نتايج نشان داد، شبكه عصبي چندلايه (MLP) با ضريب همبستگي برابر با 0.96 نسبت به ديگر روش ها عملكرد بهتري در زمينه پيش بيني شاخص خودترميمي دارد و براي بررسي قدرت تعميم شبكه عصبي با استفاده از داده هايي كه در طول مدلسازي بكار گرفته نشدند، شبكه هاي عصبي چندلايه (MLP) و شعاعي پايه (RBF) بهترين عملكرد را دارند.