فهرست نشریات علمی دسترسی آزاد ایران

سازمان‌های مسئول ساخت و نگهداری راه‌ها معمولاً از برخی معیارها برای واجد شرایط بودن مخلوط‌های آسفالتی قبل از استفاده در ساخت‌وساز استفاده می‌کنند. یکی از مهم‌ترین ویژگی‌هایی که در طرح اختلاط و کنترل کیفی آسفالت سنجیده می‌شود مقاومت مارشال آسفالت می‌باشد. این مطالعه استفاده از روش‌های یادگیری ماشین را برای پیش بینی مقاومت مارشال آسفالت را بررسی می‌کند. با توجه به زمان‌بر بودن و هزینه‌بر بودن فرایند تولید و کنترل کیفی آسفالت، استفاده از روش‌های نوین در این فرایند ضرورت دارد. در این پژوهش از دو الگوریتم نظارت شده ماشین بردار پشتیبان و جنگل تصادفی که از الگوریتم‌های یادگیری ماشین محسوب می‌شوند به‌منظور پیش‌بینی مقاومت مارشال آسفالت استفاده شد. برای این منظور، نتایج آزمایشات 2000 نمونه آسفالت کارخانه آسفالت سازمان عمران شهرداری مشهد شامل دانه‌بندی مصالح، درصد شکستگی مصالح، درصد جذب قیر، وزن مخصوص قیر، وزن مخصوص حقیقی مصالح، درصد قیر مصرفی، نسبت درصد وزنی فیلر به قیر مؤثر و مقاومت مارشال آسفالت برای آموزش و ارزیابی مدل‌ها بکاررفته است. پس ساخت مدل و ارزیابی آن‌ها، مقدار R2 برای روش ماشین بردار پشتیبان برابر 5/87 و برای جنگل تصادفی 69/82 به دست آمده است. همچنین مقادیر MAPE، RMES و SDE برای SVM به ترتیب معادل 1073/3، 042/40 و 0208/0 و برای RF به ترتیب معادل 1641/3، 870/41 و 0211/0 محاسبه گشت. نتایج حاصله نشان دهنده کارآمدی مدل‌های استفاده‌شده در برابر روش‌های آزمایشگاهی برای پیش‌بینی مقاومت مارشال آسفالت است که روش SVM عملکرد مطلوب‌تری را نسبت به RF داراست. از روش‌های یادگیری ماشین می‌توان برای پیش‌بینی سایر پارامترهای طرح اختلاط آسفالت استفاده و زمان، هزینه و خطای انسانی آزمایشات را کاهش داد.