BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  14,855,221

67

Vật liệu xây dựng

Trần Thị Thu Thảo, Nguyễn Hồng Hải, Nguyễn Quang Phúc; Nguyễn Hồng Hải(1); 

Dự đoán nhiệt độ bê tông nhựa phục vụ thí nghiệm đo võng đàn hồi bằng cần benkelman dựa trên dữ liệu phân tích theo mạng nơron nhân tạo

Predicting asphalt temperature for elastic modulus testing using benkelman beam based on data analysis using artificial neural network

Khoa học Giao thông vận tải

2023

2

292-306

1859-2724

Phân bố nhiệt độ, Mạng nơron nhân tạo, Bê tông nhựa nóng, Quan trắc nhiệt độ mặt đường thực tế, Mô hình hồi quy.

Temperature distribution, Artificial Neural Networks, Hot mix asphalt concrete, In situ temperature monitoring, Statistical model.

Việc dự đoán phân bố nhiệt độ trong mặt đường bê tông nhựa (BTN) có ý nghĩa rất lớn cho công tác xác định cường độ và tuổi thọ của mặt đường BTN trong điều kiện thực tế. Bài báo trình bày kết quả quan trắc nhiệt độ BTN từ mô hình thực nghiệm kết cấu mặt đường mềm có lớp bê tông nhựa dày 13cm. Nhiệt độ quan trắc được sử dụng để xây dựng mô hình dự đoán phân bố nhiệt độ BTN theo phương pháp mạng nơron nhân tạo (ANN). Sau đó dữ liệu nhiệt độ tại độ sâu 4cm của BTN được ước tính từ mô hình ANN sẽ được sử dụng để phát triển mô hình hồi quy dự đoán nhiệt độ BTN tại độ sâu 4cm, phục vụ cho thí nghiệm đo độ võng đàn hồi bằng cần Benkelman. Kết quả nghiên cứu cho thấy, mô hình mạng nơron nhân tạo cho kết quả dự đoán phân bố nhiệt độ trong lớp BTN có độ chính xác rất cao với R2=0,996 và RMSE=0,582oC. Các mô hình hồi quy dự đoán nhiệt độ BTN tại độ sâu 4cm cũng cho kết quả rất khả quan, sai số RMSE giữa các mô hình hồi quy và phân tích ANN có giá trị từ 0,847 oC đến 1,367 oC tùy thuộc số lượng biến số đầu vào mà mô hình yêu cầu.

Accurately predicting the temperature distribution in asphalt concrete (AC) is essential for assessing the strength and durability of flexible pavements. This study reports the temperature measurements in a 13cm-thick AC and develops a prediction model for the temperature distribution using an artificial neural network (ANN) approach. The ANN model is used to estimate temperature data at a depth of 4cm in AC, which is then used to develop a regression model for predicting the temperature of AC at 4cm depth, necessary for elastic modulus testing with a Benkelman beam. The ANN model shows high accuracy in predicting the temperature distribution in AC, with an R2 value of 0.996 and an RMSE of 0.582°C. The regression models for predicting the temperature of AC at a depth of 4cm also demonstrate promising results, with RMSE errors ranging from 0.847°C to 1.367°C, depending on the number of input variables required by the model.

TTKHCNQG, CVv 287

Xem toàn văn