تخمین عمق شیارشدگی مخلوط های آسفالتی حاوی قیر گرم لاستیکی با استفاده از شبکه عصبی و مدل رگرسیون غیرخطی

استفاده از قیرهای اصلاح شده موجب افزایش تعدد متغیرهای موثر بر مقاومت شیارشدگی روسازی شده است. بر همین اساس، بررسی رفتار شیارشدگی روسازی به عنوان یک رویکرد تاثیرپذیر از متغیرهای عملکردی و محیطی می تواند موجب بهبود شرایط اجرایی در زمان طراحی و نگهداری و کاهش هزینه های سنگین آزمایشگاهی شود. در این تحقیق تلاش می شود تا در مرحله اول رفتار شیارشدگی قیرها و مخلوط های آسفالتی حاوی ترکیب هم زمان پودر لاستیک و ساسوبیت با استفاده از آزمایش های خزش و بازگشت در چند سطح تنش (MSCR) و خزش دینامیکی ارزیابی شود. سپس بر اساس کرنش های پلاستیک تجمعی رخ داده در روسازی، مقاومت شیارشدگی مخلوط های آسفالتی با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون چندگانه تخمین زده شود تا در صورت تعیین مدل مناسب با دقت بالا و خطای کم از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه ای جلوگیری شود. نتایج بخش آزمایشگاهی حاکی از آن بود که باوجود تاثیر مثبت GTR و WMA بر مقاومت شیارشدگی قیرها و مخلوط های آسفالتی در درصدها بالا، ولی با در نظر گرفتن هم زمان عملکرد فنی روسازی در دماهای بالا و پایین و شرایط اقتصادی قیر حاوی 12% پودر لاستیک و 2% ساسوبیت به عنوان ترکیب بهینه پیشنهاد می شود. همچنین، نتایج بخش مدل سازی نشان داد باوجود عملکرد مناسب مدل های رگرسیون و ANN در تخمین مقاومت شیارشدگی، ولی مدل ANN با ضریب همبستگی برابر 939/0 ازنظر دقت و قدرت بهتر از مدل رگرسیون بود. بنابراین می تواند به عنوان ابزاری قدرتمند و مناسب در کاهش زمان و هزینه و جلوگیری از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه ای پیشنهاد شود.