دانشگاه سمنان مهندسی زیر ساخت های حمل و نقل 2423-5350 5 4 2019 12 22 Nonlinear Backcalculations of Inverted Pavements Using Hybrid Artificial Neural Network and Colliding Body Optimization Algorithm محاسبات برگشتی غیرخطی روسازی‌های مقطع معکوس با روش ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی برخورد اجسام 111 132 3887 10.22075/jtie.2019.17678.1382 FA علیرضا غنی‌زاده دانشیار، دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان مهرداد پاداش دانشجوی کارشناسی ارشد، دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان Journal Article 2019 04 23 Falling Weight Deflectometer (FWD) is one of the common methods for determining the bearing capacity of pavement. The inverted pavement system developed in 1970 in South Africa. This type of pavement is constructed as a sandwich structure, so that a crashed stone base layer is placed between two layers with high stiffness (asphalt concrete layer and cement treated base layer). The main purpose of this research is developing a method for predicting the moduli of the inverted pavements based on the measured deflection bowl using the FWD. Since, the nonlinear modeling of aggregate base is very important in case of inverted pavements, to stablish a dataset, about 38,000 inverted pavement sections have been analyzed by the non-linear finite element program, MICHPAVE. Then, using a hybrid artificial neural network and the colliding body optimization algorithms (ANN-CBO) method, a procedure was developed for backcalculation of inverted pavements assuming nonlinear behavior of aggregate base. The results of this study indicate that the results of MICHPAVE program are very close to the results of the KENLAYER program as well as field data. This study also showed that the artificial neural network is able to predicted the surface deflection bowl of the inverted pavements accurately (R2> 99.99%). In addition, it was found that the hybrid ANN-CBO has superior accuracy and speed in comparison with the hybrid ANN-GA for nonlinear backcalculation of inverted pavements. <strong>یکی از روش‌های متداول برای تعیین ظرفیت باربری روسازی، بهره‌گیری از نتایج آزمایش‌ افت­وخیزسنج ضربه‌ای (</strong><strong>FWD</strong><strong>) است. سیستم‌ روسازی‌های مقطع معکوس در سال 1970 میلادی در آفریقای جنوبی توسعه</strong><strong>یافته است. این روسازی به‌صورت یک ساختار ساندویچی اجرا می‌شود</strong><strong>.</strong><strong> به‌طوری</strong><strong>که یک لایه اساس سنگدانه‌ای بین دولایه با مدول برجهندگی بالا (لایه بتن آسفالتی و لایه اساس تثبیت شده با سیمان) قرار می‌گیرد. هدف از این تحقیق، توسعه روشی به‌منظور پیش‌بینی مدول برجهندگی لایه‌های روسازی بر پایه افت‌وخیزهای اندازه‌گیری شده با دستگاه افت</strong><strong>­</strong><strong>وخیزسنج ضربه‌ای است. با توجه به اینکه مدل‏سازی غیرخطی مصالح اساس سنگدانه‌ای در روسازی‌های مقطع معکوس بسیار حائز اهمیت است، برای ایجاد پایگاه داده افت­وخیز از تحلیل غیرخطی حدود 38000 مقطع روسازی معکوس توسط برنامه المان محدود غیرخطی </strong><strong>MICH</strong><strong>-</strong><strong>PAVE</strong><strong> استفاده شده است. سپس، با بهره‌گیری از روش ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی برخورد اجسام، روشی به منظور انجام محاسبات معکوس روسازی‌های مقطع معکوس با فرض رفتار غیرخطی اساس سنگدانه‌ای توسعه داده شده است. نتایج نشان­دهنده انطباق بسیار خوب افت­وخیزهای حاصل از برنامه </strong><strong>MICH</strong><strong>-</strong><strong>PAVE</strong><strong> با نتایج حاصل از برنامه </strong><strong>KENLAYER</strong><strong> و داده‌های میدانی است. همچنین، شبکه عصبی مصنوعی با دقت بسیار زیاد (ضریب رگرسیون بیش از 99/99 درصد) امکان پیش‌بینی کاسه نشست سطح روسازی‌های مقطع معکوس با توجه به اطلاعات مدول برجهندگی و ضخامت لایه‌ها را فراهم می‌سازد. به­علاوه، مدل ترکیبی شبکه عصبی و الگوریتم برخورد اجسام در مقایسه با مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم‌ ژنتیک دقت و سرعت بالاتری برای پیش‌بینی مدول­های برجهندگی لایه‌های روسازی مقطع معکوس دارد.</strong> https://jtie.semnan.ac.ir/article_3887_a14b10cc61601c5bd14696b1422e211f.pdf