انتخاب الگوریتم بهینه شبکه عصبی در تحلیل روسازی‏ های انعطاف ‏پذیر راه‏ ها

نویسندگان

چکیده

تحلیل روسازی‏های راه ها همواره بدلیل شناخت بهتر رفتار آنان تحت شرایط متفاوت از اهمیت بالایی برخوردار بوده و باعث درک بهتر و در نتیجه طرح روابط دقیق‌تر می‏گردد. در زمینه تحلیل روسازی‌ها، نرم‏افزارهای بسیاری ایجاد شده‌اند که بیشتر آنان بر پایه تئوری چند لایه‌ای و تعداد کمی بر اساس روش اجزای محدود ساخته شده اند. مشکل اصلی موجود در تمامی آنان، نیازشان به داده‏های ورودی زیاد، زمان بر بودن فرآیند مدل‏سازی و شبیه‌سازی تنها یک مقطع در هر زمان می‏باشد. از طرف دیگر شبکه‏های عصبی مصنوعی، به عنوان یکی از شاخه‏های علم هوش مصنوعی دارای مزایای زیادی است که از آن جمله می‏توان به محدود نمودن تعداد داده‏های ورودی، سرعت بالای فرآیند مدلسازی، توانایی مدل‏سازی همزمان چندین روسازی با شرایط مختلف و ... را نام برد. در این مقاله پس از اطمینان از صحت نحوه مدل‏سازی روسازی‏های انعطاف پذیر با استفاده از 384 مدل انجام شده، به طرح شبکه عصبی مصنوعی جهت تحلیل روسازی‏های انعطاف‌پذیر پرداخته شده است. در نهایت شبکه بهینه از نوع انتشار برگشتی پیش خور با آرایش 2-10-8 با تابع انتقال سیگموید بعنوان شبکه بهینه انتخاب گردیده است.

کلیدواژه‌ها


عنوان مقاله [English]

Optimized ANN Algorithm for Analyzing the Road Flexible Pavements

نویسندگان [English]

  • Shafabakhsh
  • Shafabakhsh
  • Naderpour
  • Naderpour
  • Fasihi
چکیده [English]

Pavement analysis is an important field in pavement engineering, because of its causes on pavement behavior and obtaining more accurate equations for it. By science developing, many pavement analysis softwares have been developed which most of them are based on Multi-Layer Theory and a few work based on Finite Elements Method (FEM). Lots of input, spending much time in modeling process and to be unable to running more than one pavement modeling in a time are their main deficiencies. Artificial Neural Networks (ANN) as one of artificial intelligence algorithms has a lot of advantages such as low input numbers, reducing considerable time in the modeling process, multi pavement modeling at a time. In this article, after modeling verification, simulated an artificial neural network based on 384 models which were modeled by finite elements software and found a back propagation ANN with 8-10-2 combination with sigmoid transfer function which was the optimum network for the network.

کلیدواژه‌ها [English]

  • Flexible Pavements
  • Analysis
  • finite elements
  • Artificial Neural Networks
  • Back Propagation