تعیین ضریب بار هم‌ارز مبتنی بر الگوریتم شبکه عصبی مصنوعی

یکی از مشکلات اصلی در زمینه روسازی راه‌ها، عدم شناخت دقیق رفتار روسازی تحت بارهای عبوری و در نتیجه عدم امکان تعیین ضریب بار هم‌ارز در تبدیل بارها به بار معادل است. تحقیقات بسیاری در این زمینه انجام شده که کامل‌ترین آن‌ها، روش مبتنی بر آزمایشات جامع اشتو است. ضعف اصلی ضرایب بار هم‌ارز در این روش، محدودیت نتایج به محورهای بررسی شده بوده که باعث عدم امکان تعیین دقیق ضرایب بار هم‌ارز برای تمامی محورهای موجود است. این علت را می‌توان یکی از دلایل بروز خرابی‌های زودرس و صرف هزینه‌های بالای تعمیر و نگهداری راه‌ها دانست. امروزه، با پیشرفت علم نرم‌افزارهای بسیاری در زمینه تحلیل روسازی‌ها ایجاد شد که می‌توان از آن‌ها در تعیین این ضریب استفاده کرد. مشکل اصلی موجود در تمامی آنان، نیاز به داده‌های ورودی متعدد، زمان‌بر بودن فرایند شبیه‌سازی و امکان بررسی تنها یک مقطع در هر زمان می‌باشد. از طرف دیگر شبکه‌های عصبی مصنوعی، به عنوان یکی از شاخه‌های علم هوش مصنوعی دارای مزایای زیادی است که از آن جمله می‌توان محدود کردن تعداد داده‌های ورودی، سرعت بالای فرایند مدل‌سازی، توانایی مدل‌سازی هم‌زمان چندین روسازی با شرایط مختلف را نام برد. لذا در این پژوهش پس از اطمینان از صحت نحوه مدل‌سازی روسازی‌های انعطاف‌پذیر با استفاده از نرم‌افزار اجزای محدود آباکوس، به طرح شبکه عصبی مصنوعی جهت تعیین ضریب بار هم‌ارز پرداخته شده است. در نهایت شبکه بهینه از نوع انتشار برگشتی پیش‌خور با آرایش 1137 و تابع انتقال سیگموید بعنوان شبکه بهینه انتخاب گردیده است.

Equivalent Axle Load Factor Prediction Based on Artificial Neural Networks

Lack of accurate knowledge of pavement behavior under moving loads is the one of the most important disadvantages in calculation of Equivalent Axle Load Factor (EALF) in roads pavement. Among the many researches, the most comprehensive method is based on the AASHTO road test. As the main weakness of this method, the results are limited to the experimented axles, which makes it impossible to determine the EALF for all existing axles, hence reducing the accuracy of the results, causing premature failure, and leading to higher maintenance costs. Today, although numerous software packages are available for EALF calculation, they require various parameters, are timeconsuming, and can only simulate one section at a time . On the other hand, artificial neural networks, as an artificial intelligence subcategory, have many advantages such as reduced input data, increased modeling process speed, ability of parallel modeling of several pavements with different conditions, etc. In this paper, after verifying the simulation of flexible pavements in ABAQUS, a model based on Artificial Neural Network (ANN) was presented to calculate EALF using the backpropagation architecture. Finally, from among the reviewed ANN configurations, the network with the 7131 architecture incorporating the sigmoid function was selected as the optimum network.