سامانه مدیریت نشریات علمی دانشگاه قم

حمیدی نیا, محمد, خبیری, محمدمهدی, مخبری, مهدی. (1399). شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی. پژوهش‌های فلسفی -کلامی, 6(1), 1-16. doi: 10.22091/cer.2020.4923.1181
محمد حمیدی نیا; محمدمهدی خبیری; مهدی مخبری. "شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی". پژوهش‌های فلسفی -کلامی, 6, 1, 1399, 1-16. doi: 10.22091/cer.2020.4923.1181
حمیدی نیا, محمد, خبیری, محمدمهدی, مخبری, مهدی. (1399). 'شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی', پژوهش‌های فلسفی -کلامی, 6(1), pp. 1-16. doi: 10.22091/cer.2020.4923.1181
حمیدی نیا, محمد, خبیری, محمدمهدی, مخبری, مهدی. شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی. پژوهش‌های فلسفی -کلامی, 1399; 6(1): 1-16. doi: 10.22091/cer.2020.4923.1181

شناسایی و ارائه الگوریتم کنترل کیفیت اجراء روسازی آسفالتی به روش طبقه‌بندی داده‌ها وشبکه عصبی مصنوعی

پژوهش های زیرساخت های عمرانی
مقاله 1، دوره 6، شماره 1 - شماره پیاپی 10، شهریور 1399، صفحه 1-16    اصل مقاله (1.66 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22091/cer.2020.4923.1181
نویسندگان
محمد حمیدی نیا1؛ محمدمهدی خبیری* 2؛ مهدی مخبری3
1پردیس فنی و مهندسی، دانشکده مهندسی عمران، دانشگاه یزد.
2دانشیار، پردیس فنی و مهندسی، دانشکده مهندسی عمران، دانشگاه یزد.
3دانشکده فنی و مهندسی، دانشگاه استهبان.
چکیده
اجرای آسفالت یکی از مهم‌ترین پارامترهای کیفیت روسازی آسفالت بوده که همواره در هر پروژه پخش آسفالت باید به آن دقت نمود. هدف از این پژوهش، بررسی عملکرد شبکه عصبی مصنوعی و الگوریتم درخت تصمیم و پیش‌بینی پارامترهای طرح اختلاط و میدانی مؤثر بر تراکم روسازی بوده تا با شناسایی و کنترل این پارامترها بتوان مقدار پارامتر تراکم را کنترل نمود. در این تحقیق، با استفاده از داده‌های جمع‌آوری شده از گزارش تعیین تراکم نسبی آسفالت، گزارش منحنی دانه‌بندی و نتایج آزمایش‌های آسفالت گرم و گزارش طرح اختلاط آسفالت همچنین با به‌کارگیری الگوریتم درخت تصمیم و شبکه عصبی مصنوعی به پیش‌بینی پارامترهای مؤثر بر تراکم پرداخته شده است. نتایج نشان می‌دهد داده‌هایی که دارای دمای پخش بین 126 تا 155 درجه سانتی‌گراد، درصد شکستگی در دو جبهه بیشتر از 95.5%، استحکام (مقاومت مارشال) کمتر از 1417.5 کیلوگرم- نیرو و فضای خالی کمتر از 5.45% بودند، تراکم در آنها دارای مقدار مناسب (بیشتراز 97%) بود. در نتیجه، این پارامترها مؤثرترین پارامترها در طرح اختلاط آسفالت معرفی شد.
کلیدواژه‌ها
روسازی آسفالتی؛ تراکم؛ داده‌کاوی؛ درخت تصمیم؛ شبکه عصبی مصنوعی
عنوان مقاله [English]
Identification and Presentation of Asphalt Pavement Construction Quality Control Algorithm by Data Classification Method and Artificial Neural Network
نویسندگان [English]
Mohammad Hamidinia1؛ Mohammad Mehdi Khabiri2؛ Mehdi Mokhberi3
1Civil Engineering Faculty, Yazd University.
2Associate Professor, Civil Engineering Faculty, Yazd University
3Assistant Professor, Civil Engineering Faculty, Esteban University.
چکیده [English]
Asphalt construction is one of the most important parameters of asphalt pavement quality that should always be carefully considered in any asphalt pavement project. The purpose of this study was to evaluate the performance of the decision tree algorithm and artificial neural network in predicting mixture and field design parameters affecting pavement compaction in order to identify and control these parameters to control the compaction parameter value. In this study, we used data collected from relative asphalt compaction determination report, grain curve report and results of hot asphalt experiments and asphalt mix design report recovered from soil mechanics laboratory and using decision tree and artificial neural network algorithm have been proposed to predict the parameters affecting compaction. The results show that data with a distribution temperature between 126 and 155°C, fracture rates in two sides greater than 95.5%, strength (Marshall Resistance) less than 1417.5 kg-force, and Asphalt Void less than 5.45 had a good compaction rate (more than 97%). Also, three parameters of thickness, distribution temperature, and void were introduced as influence variables affecting compaction in the software.
کلیدواژه‌ها [English]
Asphalt pavement, Density, Data Mining, Decision Tree, Artificial Neural Network
سایر فایل های مرتبط با مقاله
مراجع

[1] Bijleveld, F., Miller, S., De Bondt, A., & Dorée, A. (2012). “Too hot to handle, too cold to control–influence of compaction temperature on the mechanical properties of asphalt”, In Proc. 5th Eurasphalt & Eurobitume Congress (Istanbul, Turkey), (pp. A5EE-231).
[2] Chang, C. M., Chang, Y. J., & Chen, J. S. (2009). “Effect of mixture characteristics on cooling rate of asphalt pavements”, Journal of Transportation Engineering, 135(5), 297-304.
[3] Nabiun, N., & Khabiri, M. M. (2016). “Mechanical and moisture susceptibility properties of HMA containing ferrite for their use in magnetic asphalt”, Construction and Building Materials, 113, 691-697.
[4] Gao, Y., Huang, X., & Yu, W. (2014). “The compaction characteristics of hot mixed asphalt mixtures”, Journal of Wuhan University of Technology-Mater. Sci. Ed., 29(5), 956-959.
[5] TransTech Systems. (2018). “Non-Nuclear Pavement Quality Indicator (PQI 380) ”, The PQI 380 conforms to ASTM standard D7113 and AASHTO T 343-12.
[6] Kassem, E., Awed, A., & Masad, E. (2016). “Effect Of Compaction On Skid Resistance Of Asphalt Pavements”, In Functional Pavement Design, CRC Press, 1513-1522.
[7] Kök, B. V., Yilmaz, M., & Alataş, T. (2013). “Evaluation of the mechanical properties of field-and laboratory-compacted hot-mix asphalt”, Journal of Materials in Civil Engineering, 26(9), 04014064.
[8] Plati, C., Georgiou, P., & Loizos, A. (2014). “Use of infrared thermography for assessing HMA paving and compaction”, Transportation Research Part C: Emerging Technologies, 46, 192-208.
[9] Ghazanfari, M., Alizade, S., & Taymourpour, B. (2008). Data Mining and Knowledge Discovery. Tehran: Iran University of Science and Engineering (IUST) press.
[10] Chang, L. Y., & Chen, W. C. (2005). “Data mining of tree-based models to analyze freeway accident fre-quency”, Journal of safety research, 36(4), 365-375.
[11] Rivas, T., Paz, M., Martín, J. E., Matías, J. M., García, J. F., & Taboada, J. (2011). “Explaining and predicting workplace accidents using data-mining techniques”, Reliability Engineering & System Safety, 96(7), 739-747.
[12] Shariati Mahimani, A., & Tavakoli Kashani, E. (2010). “Intensity Analysis of Accidental Injuries Using Two-Way Extrusion Roads Using Data Mining Models”, Journal of Transportation Research, 7 (2), 153-165.
[13] Xiawi, H., Michelin, K., & Jean, Pae. (2012). Data Mining Concepts and Techniques, Third Edition, Trans-late by Esmaili, M. Niaz Danesh Publishing Co., 224-236.
[14] Von Quintus, H. L., Schmitt, R., & Rao, C. (2006). Non-nuclear density testing devices and systems to evaluate in-place asphalt pavement density. Wisconsin Highway Research Program.
[15] Androjić, I., & Dimter, S. (2015). “Influence of compaction temperature on the properties of Marshall specimens”, The Baltic Journal of Road and Bridge Engineering, 10(4), 309-315.
[16] Kassem, E., Scullion, T., Masad, E., & Chowdhury, A. (2012). “Comprehensive evaluation of compaction of asphalt pavements and a practical approach for density predictions”, Transportation Research Record, 2268(1), 98-107.

آمار
تعداد مشاهده مقاله: 942
تعداد دریافت فایل اصل مقاله: 621