پیش بینی مقاومت مارشال آسفالت:کاربرد شبکه های عصبی مصنوعی و ماشین های بردار پشتیبان

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 574

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCA01_010

تاریخ نمایه سازی: 15 اسفند 1393

چکیده مقاله:

بتن آسفالتی ممتازترین، مقاومترین و بادوامترین نوع آسفالت گرم است و یکی از مهمترین ویژگی هایی که طرح و کنترل کیفی آسفالت بر اساس آن صورت می گیرد مقاومت مارشال آسفالت می باشد. بتن آسفالتی مخلوطی از قیر و مصالح سنگی است، مقاومت مارشال آن نیز تابعی ازدانه بندی، ویژگی های مصالح سنگی و همچنین درصد و نوع قیر مصرفی آن می باشد. با توجه به هزینه های سنگین آسفالت و نگهداری آن ضرورت استفاده از روش های جدید و پیشرفته تر در طرح وکنترل کیفی آسفالت روز به روز محسوس تر می شود. در این مطالعه از روش های شبیه سازی از جمله شبکه عصبی مصنوعی و ماشین های بردارپشتیبان جهت پیش بینی مقاومت مارشال آسفالت استفاده شده است. برای آموزش شبکه ها از اطلاعات 521 نمونه آزمایشگاهی و جهت تست کارایی آن ها از اطلاعات 51 نمونه آزمایشگاهی بهره گرفته شده است. نتایج حاصله نشان دهنده کارآمدی روش های پیشنهادی در برابر روش هزینه بر آزمایشگاهی می باشد.

کلیدواژه ها:

مقاومت مارشال آسفالت ، شبکه های عصبی مصنوعی ، ماشین های بردار پشتیبان ، فیلر ، درصد شکستگی مصالح

نویسندگان

نادعلی رمضانپور

عضو هیات علمی دانشگاه آزاد اسلامی واحد قائمشهر

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 :
  • _27ه under varying temperaures and exposure times Advances in Engineering ...
  • Ercan Ozgan Fuzzy logic and statistical -based modelling of the ...
  • Owusu-Ababio , S. "Modeling skid resistance for flexible pavements: A ...
  • Ceylan, H., Guclu, A., Tutumluer, E., Thompson, M.R. and Gomez ...
  • Tigdemir MS, Kalyoncuoglu F, Kalyoncuoglu UY. Application of ultrasonic method ...
  • Tigdemir M, Karasahin M, Sen Z. Investigation of fatigue behavior ...
  • _ Berthelot, C., B. Crockford and R. Lytton. Comparison of ...
  • Menglan Z, Donald HS. Nonlinear thermal expansion and contraction of ...
  • Goodrich JL. Asphalt and polymer- modified asphalt properties related to ...
  • Concrete Using Artificial Neural Networks Transaction A Civil Engineering Vol. ...
  • Ercan Ozgan Artificial neural network based modelling of the Marshal ...
  • Rumelhart, D. E., & McClelland, J. L. (1986). Parallel distributed ...
  • Hsieh C. 1993. Some potential applications of artificial neural networks ...
  • 4] Olden, J.D., Jackson, D.A., 2002. Illuminating the "black box:: ...
  • Vapnik, V.N., (1995), "The nature of statistical learning theory", Springer, ...
  • Deng, C., Wu, J. and Shao, X. (2008). Reliability _ ...
  • Samanta, B., Al-B alushi, K.R. , and Al-Araimi, S.A. (20 ...
  • Bishop, C.M., 20 06. Pattern Recognition and Machine Learning. Springer, ...
  • Webb, A.R., 20 02. Statistical Pattern Recognition. John Wiley and ...
  • M. Safarzadeh and A. Heidaripanah Efect of Asphalt Content on ...
  • Ercan ozgan, Hamit Saruan Modeling of asphalt concrete via simulated ...
  • نمایش کامل مراجع