فهرست نشریات علمی دسترسی آزاد ایران

مدول برجهندگی مصالح راه‌سازی یکی از پارامتر‌های مهم در تحلیل و طراحی روسازی‌ چه در روش‌های تجربی و چه در روش‌های مکانیستیک تجربی است. این پارامتر به‌عنوان اصلی‌ترین پارامتر برای بیان سختی و رفتار تنش-کرنش مصالح راه‌سازی تحت اثر تنش‌های تناوبی مورداستفاده قرار می‌گیرد. برای تعیین این پارامتر نیاز به انجام آزمایش بارگذاری سه محوری دینامیکی در تنش‌های محدود‌کننده و تنش‌های انحرافی مختلف است که بسیار وقت‌گیر و پرهزینه است. در این مقاله از روش ترکیبی شبکه عصبی موجک (WNN) و الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری (TLBO) به‌منظور مدل‌سازی مدول برجهندگی مصالح زیراساس استفاده‌شده است. ورودی‌های مدل شامل حداکثر وزن مخصوص خشک، ضریب یکنواختی، ضریب انحناء، درصد عبوری از الک نمرۀ 200، تنش محدودکننده و تنش انحرافی و خروجی مدول برجهندگی در نظر گرفته‌ شده است. نتایج این تحقیق نشان می‌دهد که افزایش تعداد نرون‌ها در لایه مخفی به تعداد بیشتر از 20 نرون تأثیر چندانی بر روی افزایش دقت شبکه عصبی موجک ندارد و تابع موجک Mexican Hat بهترین نتیجه را در پیش‌بینی مدول برجهندگی دارد. همچنین روش WNN-TLBO در مقایسه با روش ANN دارای دقت بیشتری در پیش‌بینی مدول برجهندگی مصالح زیراساس است. نتایج اعتبار سنجی خارجی نشان می‌دهد که روش WNN-TLBO همه معیارهای لازم را برآورد می‌کند که دلالت بر پتانسیل پیش‌بینی بالای این روش دارد. نتایج تحلیل حساسیت نشان می‌دهد که درجه اهمیت متغیر تنش محدودکننده نسبت به سایر متغیرها برای پیش‌بینی مدول برجهندگی بیشتر است. همچنین تحلیل پارامتریک تاثیر هر متغیر ورودی را روی مدول برجهندگی نشان می دهد.