شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی

اجرای آسفالت یکی از مهم‌ترین پارامترهای کیفیت روسازی آسفالت بوده که همواره در هر پروژه پخش آسفالت باید به آن دقت نمود. هدف از این پژوهش، بررسی عملکرد شبکه عصبی مصنوعی و الگوریتم درخت تصمیم و پیش‌بینی پارامترهای طرح اختلاط و میدانی موثر بر تراکم روسازی بوده تا با شناسایی و کنترل این پارامترها بتوان مقدار پارامتر تراکم را کنترل نمود. در این تحقیق، با استفاده از داده‌های جمع‌آوری شده از گزارش تعیین تراکم نسبی آسفالت، گزارش منحنی دانه‌بندی و نتایج آزمایش‌های آسفالت گرم و گزارش طرح اختلاط آسفالت همچنین با به‌کارگیری الگوریتم درخت تصمیم و شبکه عصبی مصنوعی به پیش‌بینی پارامترهای موثر بر تراکم پرداخته شده است. نتایج نشان می‌دهد داده‌هایی که دارای دمای پخش بین 126 تا 155 درجه سانتی‌گراد، درصد شکستگی در دو جبهه بیشتر از 95.5%، استحکام (مقاومت مارشال) کمتر از 1417.5 کیلوگرم نیرو و فضای خالی کمتر از 5.45% بودند، تراکم در آنها دارای مقدار مناسب (بیشتراز 97%) بود. در نتیجه، این پارامترها موثرترین پارامترها در طرح اختلاط آسفالت معرفی شد.

Identification and Presentation of Asphalt Pavement Construction Quality Control Algorithm by Data Classification Method and Artificial Neural Network

Asphalt construction is one of the most important parameters of asphalt pavement quality that should always be carefully considered in any asphalt pavement project. The purpose of this study was to evaluate the performance of the decision tree algorithm and artificial neural network in predicting mixture and field design parameters affecting pavement compaction in order to identify and control these parameters to control the compaction parameter value. In this study, we used data collected from relative asphalt compaction determination report, grain curve report and results of hot asphalt experiments and asphalt mix design report recovered from soil mechanics laboratory and using decision tree and artificial neural network algorithm have been proposed to predict the parameters affecting compaction. The results show that data with a distribution temperature between 126 and 155°C, fracture rates in two sides greater than 95.5%, strength (Marshall Resistance) less than 1417.5 kgforce, and Asphalt Void less than 5.45 had a good compaction rate (more than 97%). Also, three parameters of thickness, distribution temperature, and void were introduced as influence variables affecting compaction in the software.