طراحی مدل سرعت وسایل نقلیه بر خرابی بحرانی روسازی ‌انعطاف‌پذیر

سرعت وسایل نقلیه می‌تواند بر عملکرد و خرابی روسازی ‌تاثیرگذار باشد، دو معیار مهم در خرابی‌های ناشی از عبور بار در روسازی انعطاف‌پذیر، ترک‌های خستگی و شیارشدگی است. کرنش کششی زیر لایه رویه و کرنش فشاری روی خاک بستر در برابر خستگی و شیارشدگی به عوامل مختلفی مانند خصوصیات بارگذاری وسایل نقلیه نظیر سرعت و مقدار بار عبوری وفشار سطح تماس بستگی دارد. در این پژوهش از الگوریتم‌های یادگیری ماشین برای مدل پیش‌بینی خرابی بحرانی روسازی انعطاف‌پذیر مبتنی بر سرعت وسایل نقلیه استفاده شده است. در ‌فرآیند استفاده از شبکه‌های عصبی، داده‌های شبکه عصبی ابتدا یک سری مقادیر تصادفی را به عنوان وزن‌ها و بایاس‌های اولیه شبکه انتخاب می‌کند و این یکی از معایب آن است. در این راستا از الگوریتم بهینه‌سازی ازدحام ذرات برای بهینه‌سازی وزن شبکه‌های عصبی استفاده می‌شود. در مقایسه با الگوریتم‌های بهینه‌سازی، الگوریتم بهینه‌سازی ازدحام ذرات (pso) برای پیاده‌سازی ساده‌تر است و می‌تواند نقطه بهینه را به سرعت پیدا کند. با توجه به نتایج در سرعت‌های پایین وسایل نقلیه، احتمال وجود خرابی‌های خستگی، شیارشدگی و افت و خیزروسازی بیشتر می‌شود و هرچه سرعت وسیله نقلیه کمتر شود، تعداد تکرار بار منجر به خرابی نیز کاهش می‌یابد و افزایش سرعت باعث می‌شود که خرابی در روسازی کمتر شود.

designing a vehicle speed model on critical failure of flexible pavement

the speed of vehicles can affect the performance and damage of the pavement, the two major failures in flexible pavements are fatigue cracks and rutting. the tensile stress under overlay and the compressive stress on the subgrade depend on various factors such as the speed and amount of passing load and contact surface pressure. in this research, machine learning algorithms have been used to predict the critical failure of flexible pavement based on vehicle speed. in the process of using neural networks, the data of neural networks first selects a series of random values as the primary weights and biases of the network which is one of its deficiencies. therefore, particle swarm optimization (pso) algorithm is used to optimize the weight of neural networks. in comparison with optimization algorithms, pso is simpler for implementation and can rapidly find optimal point. according to the modeling results, at low vehicle speeds, the probability of fatigue failures, rutting, and  settling increases, while the lower the speed of the vehicle, the number of repetitions is reduced, and the increase in speed causes that less damage to the pavement.