توسعه مدل پيش‌بيني عمق شيارشدگي مخلوط‌هاي آسفالتي گرم با استفاده از شبكه عصبي

محققان و مهندسان دائماً در تلاش هستند تا عملكرد روسازي هاي آسفالتي را بهبود بخشند. روسازي ها، به عنوان سطوحي كه اغلب توسط محورهاي سنگين بارگيري مي شوند، بايد مقاومت كافي در برابر خستگي ، ترك‌خوردگي و شيارشدگي داشته باشند. در اين مقاله با استفاده از داده‌هاي به دست آمده از نتايج آزمايشگاهي مطالعه قبلي كه مخلوط هاي آسفالتي گرم(WMA) اصلاح شده با الياف شيشه و 0، 20، 40 و 50 درصد آسفالت تراشيده شده بازيافتي (RAP) براي بررسي مقاومت مخلوط در برابر شيارشدگي ساخته شدند، پيش‌بيني عمق شيارشدگي مخلوط‌ها توسط شبكه هاي عصبي مصنوعي چندلايه (MLP) و شعاعي پايه (RBF) انجام شد و نتايج با يكديگر مقايسه شدند. مدل پيش بيني عمق شيارشدگي و پيش‌تراكم با نتايج تجربي مطابقت خوبي نشان دادند. براي بررسي قدرت تعميم شبكه عصبي با استفاده از داده هايي كه در طول مدل‌سازي به كار گرفته نشده بودند، شبكه عصبي چندلايه عملكرد بهتري نسبت به شبكه عصبي شعاعي پايه داشت.