پیش بینی نقطه نرمی و رئومتر برش دینامیکی قیر بر اساس درجه نفوذ با استفاده از الگوریتم‌های یادگیری ماشین

در این مقاله، عملکرد دو الگوریتم یادگیری ماشین، شامل رگرسیون بردار پشتیبان و رگرسیون جنگل‌های تصادفی، در پیش‌بینی خواص رئولوژیکی قیر بر اساس درجه نفوذ مورد بررسی قرار گرفته است. مجموعه‌ای متشکل از 4794 داده‌ی آزمایشگاهی، طی سال‌های 1400 تا 1403، از یک واحد تولید قیر جمع‌آوری شد و پس از پاک‌سازی و پیش‌پردازش، برای مدل‌سازی مورد استفاده قرار گرفت. دو ویژگی مهم قیر، شامل نقطه نرمی و رئومتر برش دینامیکی در دماهای 64 و 58 درجه سانتی‌گراد، به‌عنوان متغیرهای هدف در نظر گرفته شدند. پس از ساخت مدل‌ها با استفاده از داده‌های آموزشی و ارزیابی آن‌ها با داده‌های آزمایشی، عملکرد مدل‌ها با معیارهای آماری استاندارد، شامل میانگین مربعات خطا، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا، و ضریب تعیین مورد سنجش قرار گرفت. نتایج نشان داد که هر دو الگوریتم توانایی بالایی در مدل‌سازی روابط بین درجه نفوذ و ویژگی‌های مورد نظر دارند. هر دو مدل عملکرد بسیار قابل قبولی از خود نشان دادند و در پیش‌بینی متغیرهای هدف موفق عمل کردند. یافته‌ها نشان می‌دهند که می‌توان با بهره‌گیری از روش‌های یادگیری ماشین، برخی خواص مهم قیر را با دقت مناسبی پیش‌بینی کرده و فرآیندهای تولید را جهت تولید محصول با مشخصات مورد نظر تحت کنترل درآورد.