تخمین عمق شیارشدگی مخلوط های آسفالتی حاوی قیر گرم لاستیکی با استفاده از شبکه عصبی و مدل رگرسیون غیرخطی

استفاده از قیرهای اصلاح‌شده موجب افزایش تعدد متغیرهای موثر بر مقاومت شیارشدگی روسازی شده است. بر همین اساس، بررسی رفتار شیارشدگی روسازی به‌عنوان یک رویکرد تاثیرپذیر از متغیرهای عملکردی و محیطی می‌تواند موجب بهبود شرایط اجرایی در زمان طراحی و نگهداری و کاهش هزینه‌های سنگین آزمایشگاهی شود. در این تحقیق تلاش می‌شود تا در مرحله اول رفتار شیارشدگی قیرها و مخلوط‌های آسفالتی حاوی ترکیب هم‌زمان پودر لاستیک و ساسوبیت با استفاده از آزمایش‌های خزش و بازگشت در چند سطح تنش (mscr) و خزش دینامیکی ارزیابی شود. سپس بر اساس کرنش‌های پلاستیک تجمعی رخ‌داده در روسازی، مقاومت شیارشدگی مخلوط‌های آسفالتی با استفاده از مدل‌های شبکه عصبی مصنوعی و رگرسیون چندگانه تخمین زده شود تا در صورت تعیین مدل مناسب با دقت بالا و خطای کم از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه‌ای جلوگیری شود. نتایج بخش آزمایشگاهی حاکی از آن بود که باوجود تاثیر مثبت gtr و wma بر مقاومت شیارشدگی قیرها و مخلوط‌های آسفالتی در درصدها بالا، ولی با در نظر گرفتن هم‌زمان عملکرد فنی روسازی در دماهای بالا و پایین و شرایط اقتصادی قیر حاوی 12% پودر لاستیک و 2% ساسوبیت به‌عنوان ترکیب بهینه پیشنهاد می‌شود. همچنین، نتایج بخش مدل‌سازی نشان داد باوجود عملکرد مناسب مدل‌های رگرسیون و ann در تخمین مقاومت شیارشدگی، ولی مدل ann با ضریب همبستگی برابر 0.939 ازنظر دقت و قدرت بهتر از مدل رگرسیون بود. بنابراین می‌تواند به‌عنوان ابزاری قدرتمند و مناسب در کاهش زمان و هزینه و جلوگیری از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه‌ای پیشنهاد شود.

estimation of rutting depth of asphalt mixtures containing wma rubberized binder using neural network and nonlinear regression model

the use of modified bitumens has increased the number of variables affecting pavement rutting resistance. based on this, investigating pavement rutting behavior as an effective approach of functional and environmental variables can improve operational conditions during design and maintenance and reduce heavy laboratory costs. in this research, an attempt is made to evaluate the rutting behavior of bitumen and asphalt mixtures containing the simultaneous combination of rubber powder and sasobit using multiple stress creep recovery (mscr) and dynamic creep tests. then, based on the cumulative plastic strains occurring in the pavement, the rutting resistance of asphalt mixtures will be estimated using artificial neural network models and multiple regression, so that if a suitable model is determined with high accuracy and low error, the production of asphalt with high rutting potential in the laboratory stage and prevent before factory production. the results of the laboratory section indicated that despite the positive effect of gtr and wma on the rutting resistance of bitumen and asphalt mixtures in high percentages, but taking into account the technical performance of the pavement at high and low temperatures and the economic conditions of bitumen containing 12% rubber powder and 2 % sasobit is suggested as the optimal combination. also, the results of the modeling section showed that despite the appropriate performance of the regression and ann models in estimating the rutting resistance, the ann model with a correlation coefficient of 0.939 was better than the regression model in terms of accuracy and power. therefore, it can be suggested as a powerful and appropriate tool in reducing time and cost and preventing the production of asphalt with high rutting potential in the laboratory stage and before factory production.