پیش بینی شیارشدگی قیر اصلاح شده با sbs با استفاده از الگوریتم شبکه های عصبی مصنوعی (ann)

پژوهشگران زیادی به دنبال یافتن قیر مناسب برای روسازی از افزودنی‌های اصلاح‌کننده برای بهبود رفتار قیر در برابر شیارشدگی استفاده نموده‌اند. با این حال برای آزمون‌های آزمایشگاهی شیارشدگی قیر به تجهیزات پیشرفته نیاز است که در بسیاری از کشورهای در حال توسعه به‌راحتی در دسترس نیست. از این رو پژوهشگران سعی در استفاده از مدل‌های پیش‌بینی براساس داده واقعی حاصل از آزمایش داشته‌اند تا بتوانند در آینده به جای آزمون‌های آزمایشگاهی از این مدل‌ها استفاده کنند. اگرچه مدلهای آماری نیز توسط بسیاری از پژوهشگران استفاده شده، با این حال امروزه به دلیل کارایی الگوریتم های یادگیری ماشین در رسیدگی به روابط پیچیده بین متغیرها، تمایل بیشتری به استفاده از این نوع مدلها در مسائل مختلف از جمله مسائل مربوط به روسازی مانند پیش‌بینی رفتار قیر وجود دارد. از این رو در این تحقیق سعی شده تا با استفاده از الگوریتم شبکه‌های عصبی مصنوعی (ann) و داده های واقعی حاصل از آزمایش تجربی، شیارشدگی قیر اصلاح شده با استایرن بوتادین استایرن (sbs) در دو حالت پیرنشده و پیرشده کوتاه مدت پیش‌بینی شود. برای پیش‌بینی رفتار قیر اصلاح شده، نرم افزار پایتون که دارای کتابخانه پیش فرض برای مدل ann است به کار گرفته شده است. نتایج نشان می دهد که پیش‌بینی مدل ann از رفتار شیارشدگی قیر اصلاحی مطابقت بسیار خوبی با مقادیر اندازه گیری شده در آزمایشگاه دارد. عملکرد مدل با استفاده از معیارهای r2، rmse و mae بررسی شد. ارزیابی عملکرد مدل نیز نتایج قابل قبولی نشان داد به گونه ای که مقادیر تمامی معیارهای عملکرد برای هر دو حالت پیرنشده و پیرشده کوتاه مدت در سطح بالایی برآورد شد.