مقایسه نتایج مدل‌های رگرسیون خطی و شبکه عصبی مصنوعی برای بررسی نفوذپذیری روسازی بتن نفوذ پذیر

روسازی بتن نفوذ پذیر می تواند به عنوان جایگزینی مناسب برای سایر روسازی ها در ترافیک سبک شهری کاربرد داشته باشد. با هدف توسعه استفاده از این نوع روسازی شناخت ویژگی های آن ضروری و دارای اهمیت است. از آنجا که میزان نفوذپذیری روسازی بتن نفوذ پذیر مهمترین ویژگی عملکردی این نوع روسازی است، شناخت بیشتر این ویژگی و نحوه تاثیرپذیری آن از پارامترهای طرح اختلاط هدف این مطالعه است. به این منظور ترکیب های مناسبی از نمونه های بتن نفوذ پذیر با دانه بندی و نسبت های آب به سیمان متفاوت به تعداد 36 نمونه ساخته شده و مورد آزمایش قرار گرفته است. نسبت آب به سیمان جهت ساخت نمونه های آزمایشی در محدوده 0.28 تا 0.34 در ترکیب با سنگدانه های با حداکثر اندازه اسمی 9.5 میلی متر، 12.5 میلی متر و 19.5 میلی متر انتخاب شده است. به منظور انتخاب مدل مناسب پیش بینی تغییرات نفوذپذیری مقایسه بین تکنیک های شبکه عصبی مصنوعی و رگرسیون خطی صورت گرفته است. با استفاده از داده های به دست آمده از فعالیت آزمایشگاهی و بررسی برازش مدل ها، مدل بهینه پیشنهاد شده است. مقایسه مدل ها نشان داد که رگرسیون خطی در پیش بینی تغییرات نفوذپذیری بتن نفوذ پذیر نتایج نزدیک تری را تولید کرده است. وجود ضرایب 54.5 و 52.5 و 41.5 برای اندازه سنگدانه ها نسبت به ضرایب ثابت حدود نصف اعداد ذکر شده نشان دهنده تاثیر بیشتر این عامل بر نفوذپذیری است.

comparison of the results of linear regression models and artificial neural network to predict the permeability of sponge concrete pavement

foam concrete pavement can be used as a suitable alternative to other pavements in light urban traffic. in order to develop the use of this type of pavement, recognizing its features is necessary and important. since the permeability of spongy concrete pavement is the most important functional feature of this type of pavement, further understanding of this feature and how it is affected by the parameters of the mixing design is the aim of this study. for this purpose, suitable combinations of foam concrete samples with granulation and different water-to-cement ratios of 36 samples have been made and tested. the ratio of water to cement for making experimental samples in the range of 0.28 to 0.34 in combination with aggregates with maximum nominal size of 9.5 mm, 12.5 mm and 19.5 mm has been selected. in order to select the appropriate model for predicting permeability changes, a comparison has been made between artificial neural network techniques and linear regression. using the data obtained from laboratory activities and examining the fit of the models, the optimal model is proposed. comparison of models showed that linear regression produced closer results in predicting changes in the permeability of sponge concrete. the use of linear regression can reduce the number of test specimens to achieve the optimal mixing design for foam concrete.