تعیین ارتباط پارامترهای فیزیکی مخلوطهای آسفالتی با میزان استحکام مارشال از طریق شبکه های عصبی نوع GMDH و الگوریتم ژنتیک

روش مارشال در طرح بتن آسفالتی نخستین بار توسط Bruce Marshall ابداع شده است . هم اکنون روش مارشال در طرح بتن آسفالتی بعنوان شاخصی ازمقاومت مخلوط آسفالت در برابر تغییر شکلهای پلاستیک مورد استفاده قرار می گیرد که مبانی آن که در استاندارد ASTM:D1559 ارائه گردیده است. مخلوطهای آسفالتی می توانند از قیر خالص، محلول یا قطران و مصالح سنگی با حداکثر اندازه یک اینچ ساخته شوند. معیارهائی از قبیل وزن مخصوص واقعی، درصد حجمی فضای خالی، تغییر شکل نسبی و درصد حجمی فضای خالی آسفالت متراکم شده که بر اساس آنها طرح اختلاط بتن آسفالتی انجام می پذیرد پارامترهای مهمی در رفتار مقاومتی آسفالت به شمار می آیند. همچنین برخی ازخواص سنگدانه ها مانند درصد شکستگی و پارامترهای دانه بندی نیز در خواص مقاومتی مخلوط آسفالتی نقش داشته و قابل بررسی می باشد. با توجه به اهمیت طرح مناسب مخلوطهای آسفالتی بعنوان یک راهکار جهت ارتقاء سطح کیفی روسازیهای انعطاف پذیر و شناخت عوامل موثر در بروز خواص مکانیکی آنها، در این پژوهش با استفاده از مجموعه ای از داده های استخراج شده حاصل از نتایج آزمایشهای انجام شده بر روی مخلوطهای آسفالتی متعدد و بر پایه شبکه های عصبی نوع GMDH و ابزار بهینه سازی الگوریتم ژنتیک، مدلی جهت تعیین نوع و میزان اهمیت پارامترهای مذکور درخواص مکانیکی آسفالت بدست آمده است. برای ارزیابی مدل، از نتایج آزمایشهای واقعی خارج از داده های مورد استفاده در مدل، روابط تقریبی پیشین، روش برازش خطی گام به گام و مجموعه ای از داده های آزمایشگاهی جدید استفاده شده است. شبکه های عصبی مصنوعی ابزارهای قدرتمندی هستند که از انواع پردازشگرهای موازی می باشند و قابلیتهای فراوانی در پردازش و طبقه بندی اطلاعات دارند. روش دسته بندی گروهی داده های عددی (GMDH) یک فناوری آموزش آماری شبکه ای است که حاصل تحقیقات سیبرنیتیکی شامل سیستم های خود سامانده ، تئوری اطلاعات، کنترل و علم کامپیوتر میباشد. این روش یک فرآیند منظم برای غلبه بر ضعفهای آماری و شبکه های عصبی می باشد. امروزه استفاده از الگوریتم ژنتیک بعنوان ابزاری جهت تکامل تدریجی در طراحی بهینه ساختارهای عصبی رایج بوده و تقریبا شبکه های عصبی بدون یک الگوریتم بهینه سازی، دیگر کاربردی در حل مسایل ندارند. به صورت تحلیلی و تجربی اثبات شده است که الگوریتم های ژنتیک ابزاری بسیار قدرتمند در فضاهای جستجوی نامعین می باشند. بر خلاف روشهای بهینه سازی مرسوم که از مشتق تابع برای بهینه سازی استفاده می کنند، الگوریتم های تکاملی فقط از مقدار خود تابع هدف استفاده می کنند و نیازی به مشتقات تابع ندارند و با استفاده از مجموعه ای از جمعیت ها، با تقسیم فضای جستجو، رسیدن به نقطه بهینه جهانی را امکان پذیر میکند. نتایج حاصل از ارزیابی مدل بدست آمده دقت بالای این روش را در تعیین میزان استحکام مخلوطهای آسفالتی از طریق پارامترهای فیزیکی آنها نشان می دهد.

کلیدواژه ها:

آسفالت ، استحکام مارشال ، شبکه های عصبی از نوع GMDH ، الگوریتم ژنتیک