به کارگیری الگوریتم های یادگیری ماشین نظارت شده ماشین بردار پشتیبان و جنگل تصادفی به منظور پیش بینی مقاومت و روانی مارشال آسفالت

هدف اصلی این تحقیق استفاده از الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی به منظور پیش بینی مقاومت و روانی مارشال مخلوط آسفالتی می باشد. با این هدف، ۲۱۶ نمونه به روش طرح اختلاط مارشال با شش درصد قیر متفاوت از ۳.۵ تا ۶ و حاوی ۲، ۴، ۶ و ۸ درصد از فیلر رایج بین گرم، خاکستر پوسته برنج و خاکستر بادی به طور جداگانه ساخته شد و نتایج با یکدیگر مقایسه گردید. نتایج نشان داد که جایگزینی فیلر رایج با RHA و FA خواص مارشال را بهبود می بخشد و مقادیر قیر بهینه مخلوط اصلاح شده را کاهش می دهد. در این پژوهش با استفاده از پارامترهای مارشال اندازه گیری شده ی ۷۲ نمونه شامل نوع فیلر، درصد فیلر، درصد قیر، وزن مخصوص، درصد فضای خالی، فضای خالی سنگ دانه و فضای خالی پرشده با قیر و با به کارگیری مدل های SVM و RF، مقاومت و روانی مارشال مدل سازی شد. ۷۰ درصد نمونه ها برای آموزش مدل و ۳۰ درصد نمونه به منظور ارزیابی مدل های ساخته شده مورداستفاده قرار گرفت. نزدیک بودن نتایج حاصل مدل ها و مقادیر واقعی نشان دهنده عملکرد مثبت مدل ها در پیش بینی مقاومت و روانی مارشال آسفالت است. مقدار ضریب تعیین برای مدل سازی مقاومت مارشال برای مدل SVM و RF به ترتیب ۰.۸۷۵ و ۰.۸۲ و برای مدل سازی روانی مارشال به ترتیب ۰.۸۷۱ و ۰.۸۱ به دست آمد. می توان از این روش ها به منظور اجتناب از آزمایش های وقت گیر و مکرر آزمایشگاهی بهره برد.