ISSN 2541-7592

НАУЧНЫЙ ЖУРНАЛ
СТРОИТЕЛЬСТВА И АРХИТЕКТУРЫ

Русский 
English 
    
 


Правила написания
и оформления статей

Правила
рецензирования

Памятка рецензента


Публикационная
этика 








Нашли ошибку на сайте?

Сообщите нам:   







 

Архив выпусков

Выпуск 2 (58), 2020


Использование искусственных нейронных сетей для определения модулей упругости конструктивных слоев нежестких дорожных одежд по натурным данным


Елшами М. М. М., Тиратурян А. Н., Канищев А. Н.


Елшами М. М. М., аспирант кафедры автомобильных дорог, Университет Аль-Азхар, Египет, г. Каир, e-mail: mm.elshamy85@gmail.com

Тиратурян А. Н., канд. техн. наук, доц. кафедры автомобильных дорог, Донской государственный технический университет, Россия, г. Ростов-на-Дону, тел.: +7-951-820-03-03, e-mail: tiraturjan@list.ru

Канищев А. Н., д-р техн. наук, проф. кафедры строительства и эксплуатации автомобильных дорог, Воронежский государственный технический университет, Россия, г. Воронеж, тел.: (473)236-18-89, e-mail: velt@mail.ru

 
 
Постановка задачи. Рассматриваются вопросы использования искусственных нейронных сетей при решении задач обработки результатов инструментальных регистраций чаш прогибов нежесткой дорожной одежды с использованием установок ударного нагружения FWD.
Результаты. Проведен анализ и отмечены недостатки существующих методов обработки экспериментальных чаш прогибов, в частности метода обратного расчета модулей упругости слоев дорожных одежд, заключающиеся в длительном времени выполнения расчетов и неустойчивости получаемых результатов. Построена структура искусственной нейронной сети для определения модулей упругости слоев дорожной одежды. Обучение искусственной нейронной сети осуществлялось с использованием метода обратного распространения ошибки.
Выводы. Разработанная нейронная сеть продемонстрировала хорошие результаты при обучении по тестовому набору данных, а также высокую точность прогнозирования модулей упругости слоев дорожных одежд.
 
Ключевые слова: дорожная одежда, модули упругости, искусственные нейронные сети, установка ударного нагружения, обратный расчет, чаша прогибов.


DOI: 10.36622/VSTU.2020.58.2.009

 

Библиографический список

1. Богославский, С. Н. Область применения искусственных нейронных сетей и перспективы их развития / С. Н. Богославский // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. — 2007. — № 27. — С. 1—11. 
2. Васенков, Д. В. Методы обучения искусственных нейронных сетей / Д. В. Васенков // Компьютерные инструменты в образовании. — 2007. — № 1. — C. 20—29. 
3. Вороновский, Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский. — Харьков: Основа, 1997. — 107 c. 
4. Тиратурян, А. Н. Программный комплекс для «обратного» расчета динамических модулей упругости эксплуатируемых дорожных конструкций с учетом параметров воздействия установок нагружения дорожных одежд / А. Н. Тиратурян, Е. В. Углова // Интернет-журнал «Науковедение». — 2012. — № 3 (12). — С. 143—150. 
5. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. — М.: ИД «Вильямс», 2008. — 1104 c. 
6. Яхъяева, Г. Э. Нечеткие множества и нейронные сети / Г. Э. Яхъева. — М.: Бином, 2006. — 316 c. 
7. Alavi, S. Falling weight deflectometer usage. NCHRP report, Project № 20-5 / S. Alavi, J. F. LeCates, M. P. Tavares. — 2008. — 137 p. 
8. Alkasawneh, W. M. Backcalculation of pavement moduli using genetic algorithms / W. M. Alkasawneh. — Ohio: University of Akron, 2007. — 275 p. 
9. Öcal, A. Backcalculation of pavement layer properties using artificial neural network based gravitational search algorithm / A. Öcal. — Middle East Technical University, Ankara, 2014. — 181 p. 
10. Doré, G. Cold regions pavement engineering / G. Doré, H. K. Zubeck. — 2009. — 240 p. 
11. Harichandran, R. S. Modified Newton algorithm for backcalculation of pavement layer properties / R. S. Harichandran // Transportation Research Record. — 1993. — Vol. 1384. — P. 15—29. 
12. Hassan, H. F. Comparative analysis of using AASHTO and WESDEF approaches in back-calculation of pavement layer moduli / H. F. Hassan, R. M Mousa, A. A. Gadallah // Journal of transportation engineering. — 2003. — Vol. 129, № 3. — P. 322—329. 
13. Mahoney, J. P. Some observations about backcalculation and use of a stiff layer condition / J. P. Mahoney // Transportation Research Record. — 1993. — № 1384. — P. 8—14. 
14. Saltan, M. Backcalculation of pavement layer moduli and Poisson’s ratio using data mining / M. Saltan, S. Terzi, E. U. Küçüksille // Expert Systems with Applications. — 2011. — Vol. 38, № 3. — P. 2600—2608. 
15. Elshamy, M. Application of Artificial Neural Network System to Predict Pavement Condition Index / M. Elshamy // Master Dissertation, Al Azhar University. — Egypt, 2016. — P. 175. 
16. Meier, R. W. Backcalculation of flexible pavement moduli using artificial neural networks / R. W. Meier, G. J. Rix // Transportation research record. — 1994. — № 1448. — P. 75—82. 
17. Rohde, G. T. MODULUS 4.0: Expansion and validation of the MODULUS backcalculation system / G. T. Rohde. — Texas: Texas Transportation Institute, 1990. — 128 p. 
18. Schmalzer, P. Long-Term Pavement Performance Program Manual for Falling Weight Deflectometer Measurements, Version 4.1, Report No: FHWA-HRT-06-132 4. 79. — Washington: FHWA, 2006. — 225 p. 
19. Ullidtz, P. Analytical-empirical pavement evaluation using the falling weight deflectometer / P. Ullidtz, R. N. Stubstad // Transportation Research Record. — 1985. — Vol. 1022. — P. 36—44. 
20. Sharma, S. Backcalculation of pavement layer moduli from falling weight deflectometer data using an artificial neural network / S. Sharma, A. Das // Canadian Journal of Civil Engineering. — 2008. — Vol. 35, № 1. — P. 57—66. 
21. Ceylan, H. Backcalculation of full-depth asphalt pavement layer moduli considering nonlinear stress-dependent subgrade behavior / H. Ceylan // International Journal of Pavement Engineering. — 2005. — Vol. 6, № 3. — P. 171—182. 

 
 

Ссылка для цитирования

Елшами, М. М. М. Использование искусственных нейронных сетей для определения модулей упругости конструктивных слоев нежестких дорожных одежд по натурным данным / М. М. М. Елшами, А. Н. Тиратурян, А. Н. Канищев // Научный журнал строительства и архитектуры. - 2020. - № 2 (58). - С. 111-120. - DOI: 10.36622/VSTU.2020.58.2.009.

 
 
 
 

English version 

 

Use of Artificial Neural Networks for Calculating Elasticity Modulus of Construction Layers of Non-Rigid Road Surfacing Based on Natural Data

Elshami M. M. M., Tiraturyan A. N., Kanishchev A. N.
 
 

Elshami M. M. M., PhD student of the Dept. of Highways, Al-Azhar University, Egypt, Cairo, Nasr City, e-mail: mm.elshamy85@gmail.com

Tiraturyan A. N., PhD in Engineering, Assoc. Prof. of the Dept. of Highways, Don State Technical University, Russia, Rostov-on-Don, tel.: +7-951-820-03-03, e-mail: tiraturjan@list.ru

Kanishchev A. N., D. Sc. in Engineering, Prof. of the Dept. of Road Construction and Maintenance, Voronezh State Technical University, Russia, Voronezh, tel.: (473)236-18-89, e-mail:velt@mail.ru


 
Statement of the problem. The article is devoted to the use of artificial neural networks in solving the problems of processing the results of instrumental recording of bowls of deflections of non-rigid road surfacing using FWD shock loading settings. 
Results. The analysis was carried out, the shortcomings of the existing processing methods were identified, in particular the backcalculation method, which involves a long calculation time, and the instability of the results obtained. The structure of the artificial neural network was designed to determine the elastic moduli of the pavement layers. Training of an artificial neural network was carried out using the method of back propagation of error. 
Conclusions. The developed neural network has shown good results in training on the test data set, as well as high accuracy of prediction of the elastic moduli of the pavement. 
 
Keywords: pavement, Young modulus, artificial neural networks, falling weight deflectometer, backcalculation, deflection bowl. . 


DOI: 10.36622/VSTU.2020.58.2.009

References

1. Bogoslavskii, S. N. Oblast' primeneniya iskusstvennykh neironnykh setei i perspektivy ikh razvitiya / S. N. Bogoslavskii // Politematicheskii setevoi elektronnyi nauchnyi zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta. — 2007. — № 27. — S. 1—11.
2. Vasenkov, D. V. Metody obucheniya iskusstvennykh neironnykh setei / D. V. Vasenkov // Komp'yuternye instrumenty v obrazovanii. — 2007. — № 1. — C. 20—29.
3. Voronovskii, G. K. Geneticheskie algoritmy, iskusstvennye neironnye seti i problemy virtual'noi real'nosti / G. K. Voronovskii. — Khar'kov: Osnova, 1997. — 107 c.
4. Tiraturyan, A. N. Programmnyi kompleks dlya «obratnogo» rascheta dinamicheskikh modulei uprugosti ekspluatiruemykh dorozhnykh konstruktsii s uchetom parametrov vozdeistviya ustanovok nagruzheniya dorozhnykh odezhd / A. N. Tiraturyan, E. V. Uglova // Internet-zhurnal «Naukovedenie». — 2012. — № 3 (12). — S. 143—150.
5. Khaikin, S. Neironnye seti: polnyi kurs / S. Khaikin. — M.: ID «Vil'yams», 2008. — 1104 c.
6. Yakh'yaeva, G. E. Nechetkie mnozhestva i neironnye seti / G. E. Yakh'eva. — M.: Binom, 2006. — 316 c.
7. Alavi, S. Falling weight deflectometer usage. NCHRP report, Project № 20-5 / S. Alavi, J. F. LeCates, M. P. Tavares. — 2008. — 137 p.
8. Alkasawneh, W. M. Backcalculation of pavement moduli using genetic algorithms / W. M. Alkasawneh. — Ohio: University of Akron, 2007. — 275 p.
9. Öcal, A. Backcalculation of pavement layer properties using artificial neural network based gravitational search algorithm / A. Öcal. — Middle East Technical University, Ankara, 2014. — 181 p.
10. Doré, G. Cold regions pavement engineering / G. Doré, H. K. Zubeck. — 2009. — 240 p.
11. Harichandran, R. S. Modified Newton algorithm for backcalculation of pavement layer properties / R. S. Harichandran // Transportation Research Record. — 1993. — Vol. 1384. — P. 15—29.
12. Hassan, H. F. Comparative analysis of using AASHTO and WESDEF approaches in back-calculation of pavement layer moduli / H. F. Hassan, R. M Mousa, A. A. Gadallah // Journal of transportation engineering. — 2003. — Vol. 129, № 3. — P. 322—329.
13. Mahoney, J. P. Some observations about backcalculation and use of a stiff layer condition / J. P. Mahoney // Transportation Research Record. — 1993. — № 1384. — P. 8—14.
14. Saltan, M. Backcalculation of pavement layer moduli and Poisson’s ratio using data mining / M. Saltan, S. Terzi, E. U. Küçüksille // Expert Systems with Applications. — 2011. — Vol. 38, № 3. — P. 2600—2608.
15. Elshamy, M. Application of Artificial Neural Network System to Predict Pavement Condition Index / M. Elshamy // Master Dissertation, Al Azhar University. — Egypt, 2016. — P. 175.
16. Meier, R. W. Backcalculation of flexible pavement moduli using artificial neural networks / R. W. Meier, G. J. Rix // Transportation research record. — 1994. — № 1448. — P. 75—82.
17. Rohde, G. T. MODULUS 4.0: Expansion and validation of the MODULUS backcalculation system / G. T. Rohde. — Texas: Texas Transportation Institute, 1990. — 128 p.
18. Schmalzer, P. Long-Term Pavement Performance Program Manual for Falling Weight Deflectometer Measurements, Version 4.1, Report No: FHWA-HRT-06-132 4. 79. — Washington: FHWA, 2006. — 225 p.
19. Ullidtz, P. Analytical-empirical pavement evaluation using the falling weight deflectometer / P. Ullidtz, R. N. Stubstad // Transportation Research Record. — 1985. — Vol. 1022. — P. 36—44.
20. Sharma, S. Backcalculation of pavement layer moduli from falling weight deflectometer data using an artificial neural network / S. Sharma, A. Das // Canadian Journal of Civil Engineering. — 2008. — Vol. 35, № 1. — P. 57—66.
21. Ceylan, H. Backcalculation of full-depth asphalt pavement layer moduli considering nonlinear stress-dependent subgrade behavior / H. Ceylan // International Journal of Pavement Engineering. — 2005. — Vol. 6, № 3. — P. 171—182.



 
Контакты · Поиск · Карта сайта
Научный вестник ВГАСУ. Строительство и архитектура, все права защищены.
Работает на: Amiro CMS