بررسی اثر متغیرهای طرح اختلاط بر عملکرد تراکم مخلوط آسفالتی با کمک الگوریتم‌های داده کاوی

عوامل یا پارامترهای زیادی بر تراکم میدانی مخلوط آسفالتی، تاثیر می‌گذارد از آنجا که تعداد متغیرهای موثر بر تراکم زیاد و برخی بر یکدیگر اثر می‌گذارند، تعیین یک رابطه‌ی درونیابی ثابت تقریبا غیر ممکن است. داده کاوی و تکنیک های آن راهکاری برای کشف دانش پنهان بین متغیرهای وابسته و مستقل است، همچنین روابط غیر مستقیم و غیر‌خطی را می‌تواند با تقسیم بندی داده‌ها در گروه‌ها یا برگ، در درخت تصمیم شناسایی کند. در این مطالعه، تکنیک‌های رایج داده‌کاوی در مهندسی عمران، شامل شبکه عصبی، رگرسیون خطی و درخت تصمیم، به عنوان ابزار تحلیلی مورد استفاده قرار می‌گیرد. با تاکید بر کاربرد روش درخت تصمیم، با هدف بررسی مدل های کشف دانش و ارائه پیش بینی، سایر ابزار‌های داده کاوی نامبرده برای کمک به ساخت وارزیابی مدل ساخته شده، بکار گرفته می‌شوند. متغیر‌های توضیحی که در سه ابزار آماری این مطالعه مورد استفاده قرار می‌گیرند، شامل: درصدفضای خالی، مقاومت مخلوط آسفالتی، دانه‌بندی سنگدانه‌ها، درصدقیر، نرمی مخلوط آسفالتی می باشد. نتایج نشان می‌دهد متغیرهای درصدفضای خالی مصالح سنگی، درصد عبوری الک شماره‌ی 200 و شماره‌ی4 و درصدقیر تاثیر بیشتری بر نتایج تراکم و چگالی مخلوط آسفالتی داشته‌اند. همچنین مدل رگرسیون خطی چندگانه با ضریب همبستگی نزدیک به یک بین چگالی مخلوط آسفالتی و متغییرهای تاثیرگذار بر آن ارائه شد.

Investigating the Effects of Mixing Design Variables on Performance of Asphalt Compaction Using Data Mining Algorithms

Many factors or parameters influence the field density of asphalt mixes. Since the number of variables affecting a large and somewhat different compacts affects each other, it is almost impossible to determine a constant interpolation relationship. Data mining and its techniques are a way of discovering hidden knowledge between dependent and independent variables, as well as indirect and nonlinear relationships can be identified by dividing the data into groups or leaves in the decision tree method. In this study, commonly used data mining techniques in civil engineering, including the neural network, logistic regression and decision tree. By emphasizing the application of decision tree method, with the aim of exploring knowledge models and providing predictions, other data mining tools are used to assist in constructing and evaluating the developed satistical model. The explanatory variables used in the three models of this study are the percentage of void, asphalt mix strength, aggregate size, bitumen percentage, asphalt mix flow. The results show that the percentage of void content of stone materials, the percentage of passage of sieve 200 and 4, and the bitumen percentage had a greater effect on the density and compaction of asphalt mixture. Also, a multiple linear regression model with a correlation coefficient of nearly one between the density of asphalt mixture and variables were presented.