پیش بینی مقاومت مارشال آسفالت با استفاده از الگوریتم های یادگیری ماشین نظارت شده ماشین بردار پشتیبان و جنگل تصادفی

سازمان‌های مسئول ساخت و نگهداری راه‌ها معمولاً از برخی معیارها برای واجد شرایط بودن مخلوط‌های آسفالتی قبل از استفاده در ساخت‌وساز استفاده می‌کنند. یکی از مهم‌ترین ویژگی‌هایی که در طرح اختلاط و کنترل کیفی آسفالت سنجیده می‌شود مقاومت مارشال آسفالت می‌باشد. این مطالعه استفاده از روش‌های یادگیری ماشین را برای پیش بینی مقاومت مارشال آسفالت را بررسی می‌کند. با توجه به زمان‌بر بودن و هزینه‌بر بودن فرایند تولید و کنترل کیفی آسفالت، استفاده از روش‌های نوین در این فرایند ضرورت دارد. در این پژوهش از دو الگوریتم نظارت شده ماشین بردار پشتیبان و جنگل تصادفی که از الگوریتم‌های یادگیری ماشین محسوب می‌شوند به‌منظور پیش‌بینی مقاومت مارشال آسفالت استفاده شد. برای این منظور، نتایج آزمایشات 2000 نمونه آسفالت کارخانه آسفالت سازمان عمران شهرداری مشهد شامل دانه‌بندی مصالح، درصد شکستگی مصالح، درصد جذب قیر، وزن مخصوص قیر، وزن مخصوص حقیقی مصالح، درصد قیر مصرفی، نسبت درصد وزنی فیلر به قیر موثر و مقاومت مارشال آسفالت برای آموزش و ارزیابی مدل‌ها بکاررفته است. پس ساخت مدل و ارزیابی آن‌ها، مقدار r2 برای روش ماشین بردار پشتیبان برابر 5/87 و برای جنگل تصادفی 69/82 به دست آمده است. همچنین مقادیر mape، rmes و sde برای svm به ترتیب معادل 1073/3، 042/40 و 0208/0 و برای rf به ترتیب معادل 1641/3، 870/41 و 0211/0 محاسبه گشت. نتایج حاصله نشان دهنده کارآمدی مدل‌های استفاده‌شده در برابر روش‌های آزمایشگاهی برای پیش‌بینی مقاومت مارشال آسفالت است که روش svm عملکرد مطلوب‌تری را نسبت به rf داراست. از روش‌های یادگیری ماشین می‌توان برای پیش‌بینی سایر پارامترهای طرح اختلاط آسفالت استفاده و زمان، هزینه و خطای انسانی آزمایشات را کاهش داد.

predicting marshall asphalt stability using supervised machine learning algorithms, support vector machine and random forest

road construction and maintenance organizations usually use certain criteria to qualify asphalt mixtures before use in construction. one of the most important features that is measured in the asphalt mixing and quality control plan is the marshall asphalt stability. this study examines the use of machine learning techniques to predict marshall asphalt stability. due to the time-consuming and costly process of asphalt production and quality control, it is necessary to use new methods in this process. in this research, two supervised support vector machine and random forest algorithms, which are machine learning algorithms, were used to predict the marshal asphalt stability. for this purpose, the test results of 2000 asphalt samples including granulation of aggregate, fracture percentage, bitumen adsorption, bitumen specific gravity, actual specific gravity of materials, bitumen consumption percentage, dust to effective binder ratio and marshall asphalt stability for training and evaluation models were used. after modeling and evaluation, the value of r2 is 87.5 for the support vector machine method and 82.69 for the random forest. also, mape, rmes and sde values for svm were 3.1073, 40.042 and 0.0208, respectively, and for rf were 3.1641, 41.870 and 0.0211, respectively. the results show the efficiency of the models used against laboratory methods for predicting marshal asphalt stability, which svm method has a better performance than rf. machine learning methods can be used to predict other parameters of the asphalt mixing plan and reduce the time, cost and human error of the tests.