شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی

محمد حمیدی نیا; محمدمهدی خبیری; مهدی مخبری

شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی

محل انتشار: دو فصلنامه پژوهش های زیرساخت های عمرانی، دوره: 6، شماره: 1

سال انتشار: 1399

نوع سند: مقاله ژورنالی

زبان: فارسی

مشاهده: 400

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

دریافت فایل کامل مقاله

صدور گواهی نمایه سازی
من نویسنده این مقاله هستم

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

https://civilica.com/doc/1155194

شناسه ملی سند علمی:

JR_CER-6-1_001

تاریخ نمایه سازی: 2 اسفند 1399

چکیده مقاله:

اجرای آسفالت یکی از مهم‌ترین پارامترهای کیفیت روسازی آسفالت بوده که همواره در هر پروژه پخش آسفالت باید به آن دقت نمود. هدف از این پژوهش، بررسی عملکرد شبکه عصبی مصنوعی و الگوریتم درخت تصمیم و پیش‌بینی پارامترهای طرح اختلاط و میدانی مؤثر بر تراکم روسازی بوده تا با شناسایی و کنترل این پارامترها بتوان مقدار پارامتر تراکم را کنترل نمود. در این تحقیق، با استفاده از داده‌های جمع‌آوری شده از گزارش تعیین تراکم نسبی آسفالت، گزارش منحنی دانه‌بندی و نتایج آزمایش‌های آسفالت گرم و گزارش طرح اختلاط آسفالت همچنین با به‌کارگیری الگوریتم درخت تصمیم و شبکه عصبی مصنوعی به پیش‌بینی پارامترهای مؤثر بر تراکم پرداخته شده است. نتایج نشان می‌دهد داده‌هایی که دارای دمای پخش بین 126 تا 155 درجه سانتی‌گراد، درصد شکستگی در دو جبهه بیشتر از 95.5%، استحکام (مقاومت مارشال) کمتر از 1417.5 کیلوگرم- نیرو و فضای خالی کمتر از 5.45% بودند، تراکم در آنها دارای مقدار مناسب (بیشتراز 97%) بود. در نتیجه، این پارامترها مؤثرترین پارامترها در طرح اختلاط آسفالت معرفی شد.

کلیدواژه ها:

روسازی آسفالتی ، تراکم ، داده‌کاوی ، درخت تصمیم ، شبکه عصبی مصنوعی

نویسندگان

محمد حمیدی نیا

پردیس فنی و مهندسی، دانشکده مهندسی عمران،

محمدمهدی خبیری

دانشیار، پردیس فنی و مهندسی، دانشکده مهندسی

مهدی مخبری

دانشکده فنی و مهندسی، دانشگاه استهبان.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

[1] Bijleveld, F., Miller, S., De Bondt, A., & Dorée, ...
[2] Chang, C. M., Chang, Y. J., & Chen, J. ...
[3] Nabiun, N., & Khabiri, M. M. (2016). “Mechanical and ...
[4] Gao, Y., Huang, X., & Yu, W. (2014). “The ...
[5] TransTech Systems. (2018). “Non-Nuclear Pavement Quality Indicator (PQI 380) ...
[6] Kassem, E., Awed, A., & Masad, E. (2016). “Effect ...
[7] Kök, B. V., Yilmaz, M., & Alataş, T. (2013). ...
[8] Plati, C., Georgiou, P., & Loizos, A. (2014). “Use ...
[9] Ghazanfari, M., Alizade, S., & Taymourpour, B. (2008). Data ...
[10] Chang, L. Y., & Chen, W. C. (2005). “Data ...
[11] Rivas, T., Paz, M., Martín, J. E., Matías, J. ...
[12] Shariati Mahimani, A., & Tavakoli Kashani, E. (2010). “Intensity ...
[13] Xiawi, H., Michelin, K., & Jean, Pae. (2012). Data ...
[14] Von Quintus, H. L., Schmitt, R., & Rao, C. ...
[15] Androjić, I., & Dimter, S. (2015). “Influence of compaction ...
[16] Kassem, E., Scullion, T., Masad, E., & Chowdhury, A. ...

نمایش کامل مراجع