به کارگیری الگوریتم های یادگیری ماشین نظارت شده ماشین بردار پشتیبان و جنگل تصادفی به منظور پیش بینی مقاومت و روانی مارشال آسفالت

به‌کارگیری الگوریتم‌های یادگیری ماشین نظارت‌شده ماشین بردار پشتیبان و جنگل تصادفی به‌منظور پیش‌بینی مقاومت و روانی مارشال آسفالت

هدف اصلی این تحقیق استفاده از الگوریتم‌های ماشین بردار پشتیبان و جنگل تصادفی به‌منظور پیش‌بینی مقاومت و روانی مارشال مخلوط آسفالتی می‌باشد. با این هدف، 216 نمونه به روش طرح اختلاط مارشال با شش درصد قیر متفاوت از 3.5 تا 6 و حاوی 2، 4، 6 و 8 درصد از فیلر رایج بین گرم، خاکستر پوسته برنج و خاکستر بادی به‌طور جداگانه ساخته شد و نتایج با یکدیگر مقایسه گردید.

نتایج نشان داد که جایگزینی فیلر رایج با rha و fa خواص مارشال را بهبود می‌بخشد و مقادیر قیر بهینه مخلوط اصلاح‌شده را کاهش می‌دهد. در این پژوهش با استفاده از پارامترهای مارشال اندازه‌گیری شده ی 72 نمونه شامل نوع فیلر، درصد فیلر، درصد قیر، وزن مخصوص، درصد فضای خالی، فضای خالی سنگ‌دانه و فضای خالی پرشده با قیر و با به‌کارگیری مدل‌های svm و rf، مقاومت و روانی مارشال مدل‌سازی شد.

70 درصد نمونه ها برای آموزش مدل و 30 درصد نمونه به‌منظور ارزیابی مدل‌های ساخته‌شده مورداستفاده قرار گرفت. نزدیک بودن نتایج حاصل مدل‌ها و مقادیر واقعی نشان‌دهنده عملکرد مثبت مدل ها در پیش‌بینی مقاومت و روانی مارشال آسفالت است. مقدار ضریب تعیین برای مدل‌سازی مقاومت مارشال برای مدل svm و rf به ترتیب 0.875 و 0.82 و برای مدل‌سازی روانی مارشال به ترتیب 0.871 و 0.81 به دست آمد. می‌توان از این روش‌ها به‌منظور اجتناب از آزمایش‌های وقت‌گیر و مکرر آزمایشگاهی بهره برد.