کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
246297 502359 2016 7 صفحه PDF 24 صفحه WORD دانلود رایگان
عنوان انگلیسی مقاله
The use of artificial neural networks for modeling air void content in aggregate mixture
ترجمه فارسی عنوان
کاربردِ شبکه های عصبیِ مصنوعی برای مدل سازیِ محتوای حفره هوا در مخلوطِ سنگدانه متراکم شده
کلمات کلیدی
کلید واژه ها: شبکه های عصبی مصنوعی، مخلوط آسفالت، حفره هوا، مخلوط سنگدانه
Artificial neural network; Asphalt mixture; Air voids; Aggregate mixture
فهرست مطالب مقاله
کلمات و ترکیب های کلیدی
چکیده
1.مقدمه
2.داده ها
3. شبکه های عصبی مصنوعی فید فوروارد
شکل. 1. تعیین outlier نشان داده.
شکل. 2. طرح شبکه عصبی مصنوعی.
3.1  برنامه ی NTR2003 و ابزارِ WEKA
جدول 1: شبکه های عصبیِ مصنوعی ِ استفاده شده 
جدول 2: r2 و RMSE برای شبکه های عصبیِ مختلف و رگرسیون خطیِ چندگانه.
جدول 3: شبکه های عصبی مصنوعی استفاده شده.
4.نتایج
4.1  مدل ها 
جدول 4: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
جدول 5: شبکه های عصبی مصنوعی استفاده شده.
جدول 6: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه.
جدول 7: شبکه های عصبی مصنوعی استفاده شده
جدول 8: r2و RMSE برای شبکه های مختلف عصبی و رگرسیون خطی چندگانه
4.2  مباحثه
نمودار3. مفادیرِ حقیقی محاسبه شده ی محتوای حفره ی هوا در مخلوط سنگدانه متراکم و نیز مقادیری که با شبکه عصبی محاسبه شده اند Ann1
5. نتیجه گیری
ضمیمه 1
ترجمه چکیده
در بازه ی زمانی میان سالهای 1988 تا 2009، پایگاه داده ای ایجاد شد از مخلوط های متعدد مربوط به روکش های جاده ای که در انستیتوی مواد ساختمانیِ IGMATواقع در شهر لیوبلیانا (پایتخت جمهوری اسلوانی) موردِ آزمایش قرار گرفته بودند. این پایگاه داده از 17296 تجزیه و تحلیل درباره ی مخلوط سنگدانه ی متراکم، تشکیل شده است. در این کار، برای تخمینِ محتوایِ حفره ی هوا در مخلوط سنگدانه ی متراکم از شبکه های عصبی مصنوعی استفاده شد. این مخلوط سنگدانه ی متراکم از چندین تکه سنگ متعلق به 7 نوع مختلف از مخلوط های بتن آسفالت (AC 32, AC 22, AC 16, AC 11 PmB, AC 8, AC 8 PmB) تشکیل شده است که طبقِ EN 13108-1 تولید شده اند. هدف ِ اصلیِ این مقاله این است که رابطه ی میانِ پارامترهای مختلف و محتوای حفره ی هوا در مخلوط سنگدانه متراکم را با شبکه های عصبی مصنوعی و رگرسیون ِخطی چندگانه، مدل سازی نماید. روشِ پیشنهاد شده از شبکه های عصبیِ فید فروارد 1 همراه با الگوریتمِ خطای انتشارِ رو به عقب (ارور بک پراپوگیشن) 2 استفاده می کند. دو برنامه ی مختلف نرم افزار(ابزار) NTR2003 و WEKA مورد استفاده قرار گرفتند. قبل از مدل سازی محتوای حفره هوا در مخلوط سنگدانه متراکم، داده های خارج از محدوده ای که در میانِ داده ها وجود داشتند شناسایی شدند. سپس برای هر یک از مخلوط های آسفالت و همچنین برای تمامِ مخلوط ها با هم، رگرسیون خطی چندگانه و تجزیه و تحلیلِ شبکه عصبی مصنوعی انجام شد. به طور کلی مدل سازی محتوای حفره هوا در مخلوط های سنگدانه متراکم نشان داد که برای مواردی که به مخلوط آسفالت خاصی مربوط می شوند؛ مدل های خطی بهتر از مدل های شبکه عصبی مصنوعی کار می کنند. در تجزیه و تحلیل همگی مخلوط های آسفالت در کنار هم، شبکه های عصبی روابط حقیقیِ پنهاینی را میان ِ داده ها شناسایی کردند و از این جهت نسبت به مدل های خطی تاثیرگذار تر می باشند. شبکه های عصبیِ فید فروارد برای تخمینی مقدماتی از محتوای حفره ی هوا در مخلوط های سنگدانه متراکم ِ متعدد، کاملا مناسب هستند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
چکیده انگلیسی


• Feed-forward neural networks with error back-propagation algorithm were used.
• Multiple linear regression was used for estimation of air voids content.
• 7 types of asphalt mixtures were analyzed.
• For specific asphalt mixture linear models work better than neural networks.
• For all asphalt mixtures together neural networks are better than linear model.

A database for various pavement mixtures which were tested at the IGMAT Building Materials Institute, Ljubljana, during the period from 1998 to 2009 was established. This database consists of 17,296 asphalt mixture analyses. Artificial neural networks were used in this work to estimate air void content in aggregate mixture of several stone fractions for 7 types of asphalt concrete mixtures (AC 32, AC 22, AC 16, AC 11, AC 11 PmB, AC 8, AC 8 PmB) produced according to EN 13108-1. The main aim of the paper is to model the relationship between different parameters and air void content in aggregate mixture with artificial neural networks and multiple linear regression. The proposed method uses feed-forward neural networks with error back-propagation algorithm. Two different programs for modeling with artificial neural networks, NTR2003 and WEKA toolkit, were used. Before modeling air void content in aggregate mixture outliers among data were determined. Then, the artificial neural network analysis and multiple linear regression were done for each asphalt mixture and also for all mixtures together. Modeling of air void content in aggregate mixtures in general showed that linear models work better than artificial neural network models in the cases of specific asphalt mixture. In the case of analysis of all asphalt mixtures together, neural networks detected real hidden relationships between data and are therefore more effective than the linear model. Feed-forward neural networks are entirely appropriate models for an effective preliminary estimate of air void content in various aggregate mixtures.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Automation in Construction - Volume 63, March 2016, Pages 155–161
نویسندگان
, , , ,