مدل شبکه عصبی مصنوعی برای همبستگی ناهمواری و عملکرد ساختاری در روسازی های آسفالت

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

مدل شبکه عصبی مصنوعی برای همبستگی ناهمواری و عملکرد ساختاری در روسازی های آسفالت

عنوان لاتین

An ANN model to correlate roughness and structural performance in asphalt pavements

در این مقاله، نویسندگان با استفاده از یک پایگاه داده بزرگ از برنامه بلندمدت عملکرد روسازی ، یک مدل شبکه عصبی مصنوعی (ANN) را برای تخمین و برآورد عملکرد ساختاری روسازی های آسفالت از داده های ناهمواری ، توسعه و گسترش دادند. با توجه به مزایای استفاده از ابزارها و دستگاه های سنجش (برآورد) مدرن با عملکرد بالا در دستیابی به پارامترهای عملکردی روسازی جاده، در صورتیکه وضعیت ساختاری یک روسازی از شرایط عملیاتی آن قابل تخمین باشد این دستگاه ها اهمیت چشمگیری خواهند داشت. برای تمایز شرایط مختلف بخش جاده، چندین پارامترورودی قابل توجه مرتبط با ترافیک، آب و هوا، و جنبه های ساختاری، در تجزیه و تحلیل ها گنجانده شده اند. نتایج بسیار جالب هستند و ثابت می کنند که شبکه عصبی مصنوعی یک مدل مناسب و کارامد را برای اثبات این رابطه، ارائه می دهد. مقالات، اثربخشی و کارآمدی اتخاذ یک پایگاه داده بزرگ برای تجزیه و تحلیل همبستگی را نشان می دهند. همچنین، شبکه عصبی مصنوعی در مقایسه با رگرسیون خطی، نتایج بهتری را ارائه می دهد. علاوه بر این، نویسندگان، سه مدل شبکه عصبی مصنوعی مختلف را برای تجزیه و تحلیل تاثیرات پایگاه داده اصلاح شده و متغیرهای مختلف آموزش دادند. نتایج عددی تائید می کند که با استفاده از این رویکرد، بین ناهمواری و عملکرد ساختاری همبستگی با دقت خوب امکان پذیر است که به آژانس های جاده ای اجازه می دهد تا فرکانس تست خیز را بطور دقیق کاهش دهند زیرا، آنها نسبت به برآورد (سنجش) های عملیاتی، معمولاً پرهزینه، زمان بر و مخل (مختل کننده) ترافیک هستند.

In this paper, using a large database from the Long Term Pavement Performance program, the authors developed an Artificial Neural Network (ANN) to estimate the structural performance of asphalt pavements from roughness data. Considering advantages of modern high-performance survey devices in the acquisition of road pavement functional parameters, it would be of practical significance if the structural state of a pavement could be estimated from its functional conditions. To differentiate various road section conditions, several significant input parameters, related to traffic, weather, and structural aspects, have been included in the analysis. The results are very interesting and prove that the ANN represents an adequate model to evidence this relation. The papers shows the effectiveness of the adoption of a large database for the analysis of the correlation. ANN provides also better results in comparison with Linear Regression. Further, the authors trained three different ANNs to analyse the effects of modified datasets and different variables. The numerical outcomes confirm that, by using this approach, it is possible to correlate with good accuracy roughness and structural performance, allowing road agencies to actually reduce the deflection test frequency, since they are generally more costly, time consuming, and disruptive to traffic than functional surveys.