ارائه مدل شیارشدگی مخلوط آسفالتی اصلاح‌شده پلیمری با استفاده از شبکه عصبی مصنوعی

شیارشدگی یکی از مهم‌ترین خرابی‌های ایجادشده در روسازی‌های آسفالتی می‌باشد که علاوه بر کاهش عمر خدمت‌دهی روسازی، خطرات جدی را برای استفاده‌کنندگان از راه ایجاد می‌کند. بنابراین مدل‌سازی رفتار شیارشدگی مخلوط‌های آسفالتی اهمیت بالایی دارد و در صورت تعیین مدل مناسب می‌توان از تولید آسفالت با احتمال بالای شیارشدگی در مرحله طراحی جلوگیری کرد. هدف از این تحقیق تعیین تاثیر رده عملکردی قیر پایه، درصد های مختلف پلیمر sbs، دما، تعداد سیکل بارگذاری و درصد فضای خالی بر مقاومت شیارشدگی مخلوط‌های آسفالتی با بررسی رفتار خزشی و استفاده از مدل شبکه عصبی می‌باشد. نتایج این تحقیق نشان داد، استفاده از پلیمر و قیر pg64-22 موجب کاهش کرنش تجمعی و بهبود مقاومت شیارشدگی روسازی می‌شود و با افزایش درصد پلیمر، عملکرد مخلوط آسفالتی در برابر شیارشدگی بهبود می‌یابد و بهترین مقاومت مربوط به نمونه حاوی 6 درصد پلیمر با قیر pg64-22 می‌باشد. همچنین، با افزایش سیکل بارگذاری تغییر شکل‌های دائمی ایجادشده در روسازی به شکل قابل‌توجهی افزایش‌یافته است و از مقاومت مخلوط در برابر شیارشدگی کم می‌شود. این در حالی است که افزودن پلیمر با عملکرد مناسب و مثبت موجب کاهش این نرخ شده است و روند کاهش مقاومت و افزایش خزش مخلوط‌های آسفالتی را بهبود می‌بخشد. نتایج بخش مدل‌سازی نشان داد، مدل شبکه عصبی ازنظر پیش‌بینی رفتار خزشی و مقاومت شیارشدگی مخلوط‌های آسفالتی اصلاح‌شده پلیمری عملکرد بسیار خوبی دارد.

Modelling of rutting behavior of modified polymer asphalt mixture using artificial neural network

rutting is one of the most important distresses in asphalt pavements, which in addition to reducing the service life of the pavement, poses serious risks to road users. Therefore, modeling the rutting behavior of asphalt mixtures is of great importance and if a suitable model is determined, the production of asphalt with a high probability of rutting can be prevented. The aim of this study was to determine the effect of bitumen Performance Grade, different percentages of SBS polymer, temperature, number of loading cycles, and percentage of air void on the rutting strength of asphalt mixtures by examining the creep behavior and using the neural network model. The results of this study showed that the use of polymer and PG64-22 bitumen reduces the cumulative strain and improves the paving resistance of the pavement and the best resistance of the sample contains 6% of polymer with PG64-22 bitumen. Also, by increasing the loading cycle the permanent deformations created in the pavement are significantly increased and the resistance of the mixture to ruttingis reduced. However, the addition of polymer has reduced this rate and improves the process of reducing the resistance and increasing the creep of asphalt mixtures. The results of the modeling showed that the neural network model has a very good performance in terms of predicting creep behavior and rutting strength of modified polymer asphalt mixtures.