Asphalt mixture consists of aggrega

Asphalt mixture consists of aggregate mixture, binder and air voids.
Bitumen, which acts as a binder in asphalt compositions, is a viscoelastic
material and is an essential component in the composition of asphalt
mixtures. The second component of the asphalt is aggregate
which does not show any temperature and time dependent properties
and therefore represents the mechanical resistance. Asphalt used for
pavement constructions is in general exposed to various external factors.
Therefore, with pre-selection of appropriate materials technologists
are looking for ways to design such asphalt mixture that would
have properties which prevent the negative consequences, e.g. permanent
deformations, cracks due to fatigue, and temperature. They deal
with different types of modeling, analysis, experimentation and data
processing.
During recent years automation in measurements and evolution in
computer technology enable the creation of large databases and their
analyses. One way of modeling various parameters or properties is arti-
ficial neural networks [1,2,3]. In the field of artificial intelligence they
are the most widely used method which is also used for solvingengineering problems. They are mainly used as forecasting models because
they do not require prior knowledge and have high accuracy. In
the area of road construction Saltan and Terzi[4] used them for the evaluation
of carriage-way deformations. Tusar and Novic [5] used them for
data exploration on standard asphalt mix analyses. Sukru and Oruc [6]
modeled the relationship between setting time, the quantity of added
cement, asphalt content of the waste and the modulus of bituminous
emulsions by artificial neural networks. Neural networks have been
used for the prediction of the compressive strength of concrete [7,8],
for stability prediction of tunnel construction [9], for the prediction
the time required to carry out earth works and their cost [10], in planning
delivery system for prepared pre-mixed concrete [11], in the manufacture
of fresh concrete with addition of rubber [12], for modeling
corrosion current of reinforced concrete [13], in the modeling process
of building construction [14], for evaluating the force of friction between
the wheel and the road [15], for modeling lower bearing unbound pavement
layers [16], for modeling permanent deformation of polypropylene
modified asphalt mixtures [17] and for many other engineering
problems.
Artificial neural networks are less complicated and smaller than biological
neural networks. They consist of neurons which are linked with
connections described by their weights. The particularity of artificial
networks is that they are not programmed but trained. For the trainingof networks two sets of data are required. The first set is a training set
and the second one is a testing set which is needed to establish the effi-
ciency of training. An important phase of neural network modeling is
the determination of weights applied during network training. There
are several methods of training. One of the widely used methods is a
generalized delta rule or error back-propagation algorithm which is explained
in detail by Rumelhart and McClelland [19]. To estimate the air
void content in aggregate mixture feed-forward neural networks with
error back-propagation learning algorithm have been used. The learning
phase of artificial neural networks is influenced by a variety of parameters,
such as maximum number of iterations, learning step size, geometry
of the network and, most importantly, data. Considering the
geometry of artificial neural networks it cannot be precisely defined
which one corresponds to the specific data. We decided to deal with
networks with two or three hidden layers. The Fortran program
NTR2003 and library of neural networks in the program WEKA toolkit
have been used. The algorithms used in both programs are not entirely
compatible, primarily due to output functions and the processes in the
learning phase.
This paper describes the use of artificial neural networks for the estimation
of air void content in aggregate mixture, which is defined as
mixture of different stone fractions without bituminous binder. Air
void content in aggregate mixture is determined in order to find the optimal
composition of the fractions of stone material. With the optimum
composition of aggregate fractions the maximum density or the minimum
amount of air voids in stone material is achieved.
Initially, we assumed that the sieving curve and the density of
aggregate mixture are the most influential factors affecting the air
void content in the aggregate mixture. Surprisingly, with preliminary
investigation we found out that the content of the bituminous binder
as an influential factor always improved models. Air void content in
aggregate mixture cannot be exactly calculated from sieve curve,
density of stone material and bitumen content. Only a rough estimation
has been made. There are two

ผลลัพธ์ (ไทย) 1:

ยางมะตอยผสมประกอบด้วยช่องว่างส่วนผสม ปก และอากาศรวมยางมะตอย ซึ่งทำหน้าที่เป็นสารยึดเกาะในองค์ประกอบของยางมะตอย เป็นแบบ viscoelasticวัสดุและองค์ประกอบที่สำคัญในองค์ประกอบของยางมะตอยส่วนผสม ส่วนสองของยางมะตอยถูกรวมซึ่งไม่ได้แสดงคุณสมบัติใด ๆ ขึ้นอยู่กับอุณหภูมิและเวลาดังนั้นจึง แสดงความต้านทานเชิงกล ยางมะตอยที่ใช้สำหรับก่อสร้างถนนมีสัมผัสโดยทั่วไปกับปัจจัยภายนอกต่าง ๆดังนั้น ด้วยก่อนเลือกวัสดุที่เหมาะสมกับกำลังมองหาวิธีการออกแบบส่วนผสมเช่นยางมะตอยที่จะมีคุณสมบัติที่ป้องกันผลลบ ถาวรเช่นช่อง รอยแตกเนื่องจากความเมื่อยล้า และอุณหภูมิ พวกเขาจัดการกับชนิดของโมเดล การวิเคราะห์ การทดลอง และข้อมูลการประมวลผลในระหว่างปีอัตโนมัติในวัดและวิวัฒนาการในเทคโนโลยีคอมพิวเตอร์เปิดใช้งานการสร้างฐานข้อมูลขนาดใหญ่และวิเคราะห์ วิธีการหนึ่งของพารามิเตอร์หรือคุณสมบัติต่าง ๆ ในการสร้างโมเดลคือ ติ-ficial ประสาทเครือข่าย [1,2,3] ในด้านของปัญญาประดิษฐ์ที่พวกเขามีมากสุดใช้วิธีซึ่งใช้สำหรับการ solvingengineering ปัญหา พวกเขาส่วนใหญ่จะใช้เป็นแบบในการพยากรณ์เนื่องจากนอกจากนี้พวกเขาไม่จำเป็นต้องรู้ และมีความแม่นยำสูง ในพื้นที่ก่อสร้างถนน Saltan และ Terzi [4] ใช้สำหรับการประเมินของช่องทางขนส่ง Tusar และ Novic [5] ใช้สำหรับสำรวจข้อมูลในการวิเคราะห์มาตรฐานยางมะตอยผสม Sukru และ Oruc [6]จำลองความสัมพันธ์ระหว่างการตั้งเวลา เพิ่มปริมาณของซีเมนต์ ยางมะตอยเนื้อหาของเสียและโมดูลัสของถ่านหินอิมัลชัน โดยเครือข่ายประสาทเทียม เครือข่ายระบบประสาทได้ใช้สำหรับการคาดเดาจากแรงอัดของคอนกรีต [7.8],สำหรับการประมาณความมั่นคงก่อสร้างอุโมงค์ [9], คำทำนายเวลาที่ใช้ในการดำเนินงานโลกและต้นทุนของพวกเขา [10], ในการวางแผนระบบการจัดส่งสำหรับเตรียมพร้อมในการผลิตก่อนผสมคอนกรีต [11],ของคอนกรีตสดด้วยยาง [12], สำหรับสร้างโมเดลปัจจุบันการกัดกร่อนของคอนกรีต [13], ในกระบวนการสร้างโมเดลอาคารก่อสร้าง [14], การประเมินกำลังของแรงเสียดทานระหว่างล้อและถนน [15], สำหรับสร้างโมเดลการถนนผูกปืนต่ำชั้นที่ 16 สำหรับสร้างโมเดลเปลี่ยนรูปถาวรของโพรพิลีนปรับเปลี่ยนส่วนผสมยางมะตอย [17] และวิศวกรรมอื่น ๆ มากมายปัญหาเครือข่ายประสาทเทียมมีความซับซ้อนน้อย และเล็กกว่าทางชีวภาพเครือข่ายประสาท ประกอบด้วยเซลล์ประสาทที่เชื่อมโยงกับโดยน้ำหนักของการเชื่อมต่อ Particularity ของเทียมเครือข่ายเป็นว่า พวกเขาจะไม่ตั้งโปรแกรม แต่การฝึกอบรม สองชุดของข้อมูลไม่จำเป็นสำหรับเครือข่าย trainingof ชุดแรกเป็นชุดฝึกอบรมและชุดทดสอบซึ่งจำเป็นในการสร้าง effi - สองเรือนการฝึกอบรม คือเป็นระยะที่สำคัญแบบจำลองโครงข่ายประสาทในการกำหนดน้ำหนักที่ใช้ในระหว่างการฝึกอบรมเครือข่าย มีมีหลายวิธีของการฝึกอบรม วิธีการใช้อย่างใดอย่างหนึ่งคือการเดลต้าทั่วไปกฎหรือข้อผิดพลาดกลับเผยแพร่อัลกอริทึมซึ่งอธิบายในรายละเอียดโดย Rumelhart McClelland [19] ประมาณอากาศยกเลิกเนื้อหาในเครือข่ายประสาทอาหารไปผสมรวมกับมีการใช้อัลกอริทึมการเรียนรู้เผยแพร่กลับข้อผิดพลาด การเรียนรู้ระยะของเครือข่ายประสาทเทียมมีอิทธิพล โดยความหลากหลายของพารามิเตอร์เช่นจำนวนการเกิดซ้ำ เรียนรู้ขั้นตอนขนาด รูปทรงเรขาคณิตเครือข่ายและ สำคัญ ข้อมูล พิจารณาการเรขาคณิตของเครือข่ายประสาทเทียมจะไม่สามารถกำหนดได้อย่างแม่นยำที่สอดคล้องกับข้อมูลที่เฉพาะเจาะจง เราตัดสินใจที่จะจัดการกับเครือข่ายที่ มีสอง หรือสามชั้นที่ซ่อนอยู่ โปรแกรมภาษาฟอร์แทรนNTR2003 และไลบรารีของเครือข่ายประสาทในชุดเครื่องมือโปรแกรม WEKAมีการใช้ อัลกอริทึมที่ใช้ในโปรแกรมทั้งสองจะไม่ทั้งหมดกัน หลักเนื่องจากฟังก์ชันผลลัพธ์และกระบวนการในการขั้นตอนการเรียนรู้เอกสารนี้อธิบายถึงการใช้เครือข่ายประสาทเทียมสำหรับการประเมินของอากาศเป็นโมฆะในส่วนผสมรวม ซึ่งถูกกำหนดให้เป็นส่วนผสมของเศษหินต่าง ๆ โดยไม่ต้องดัดแปลงปก อากาศกำหนดเนื้อหาเป็นโมฆะรวมส่วนผสมเพื่อหาที่เหมาะสมองค์ประกอบของเศษหินวัสดุ ด้วยการองค์ประกอบของเศษส่วนรวมความหนาแน่นสูงสุดหรือต่ำสุดamount of air voids in stone material is achieved.Initially, we assumed that the sieving curve and the density ofaggregate mixture are the most influential factors affecting the airvoid content in the aggregate mixture. Surprisingly, with preliminaryinvestigation we found out that the content of the bituminous binderas an influential factor always improved models. Air void content inaggregate mixture cannot be exactly calculated from sieve curve,density of stone material and bitumen content. Only a rough estimationhas been made. There are two

ผลลัพธ์ (ไทย) 2:

ผสมยางมะตอยประกอบด้วยรวมผสมสารยึดเกาะและอากาศช่องว่าง.
Bitumen ซึ่งทำหน้าที่เป็นตัวประสานในองค์ประกอบยางมะตอยเป็น viscoelastic
วัสดุและเป็นองค์ประกอบสำคัญในองค์ประกอบของยางมะตอย
ผสม ส่วนที่สองของยางมะตอยเป็นรวม
ซึ่งไม่แสดงอุณหภูมิและระยะเวลาขึ้นอยู่กับคุณสมบัติใด ๆ
และดังนั้นจึงหมายถึงความต้านทานทางกล ยางมะตอยที่ใช้สำหรับ
การก่อสร้างทางเท้าอยู่ในทั่วไปสัมผัสกับปัจจัยภายนอกต่างๆ.
จึงมีก่อนการเลือกของเทคโนโลยีวัสดุที่เหมาะสม
กำลังมองหาวิธีการออกแบบส่วนผสมยางมะตอยดังกล่าวว่าจะ
มีคุณสมบัติที่ป้องกันไม่ให้เกิดผลกระทบเชิงลบเช่นถาวร
พิการรอยแตกเนื่องจาก ความเมื่อยล้าและอุณหภูมิ พวกเขาจัดการ
กับชนิดของการสร้างแบบจำลองการวิเคราะห์การทดลองและข้อมูล
การประมวลผล.
ในช่วงปีที่ผ่านมาระบบอัตโนมัติในการวัดและวิวัฒนาการใน
เทคโนโลยีคอมพิวเตอร์ทำให้สามารถสร้างฐานข้อมูลขนาดใหญ่ของพวกเขาและ
การวิเคราะห์ วิธีหนึ่งในการสร้างแบบจำลองพารามิเตอร์ต่างๆหรือคุณสมบัติเป็น arti-
เครือข่ายประสาท ficial [1,2,3] ในด้านปัญญาประดิษฐ์ที่พวกเขา
เป็นวิธีที่ใช้กันอย่างแพร่หลายมากที่สุดซึ่งยังถูกนำมาใช้สำหรับปัญหา solvingengineering พวกเขาจะใช้ส่วนใหญ่เป็นรูปแบบการพยากรณ์เพราะ
พวกเขาไม่จำเป็นต้องมีความรู้ก่อนและมีความแม่นยำสูง ใน
พื้นที่ของการก่อสร้างถนนและ Saltan Terzi ม [4] ใช้พวกเขาสำหรับการประเมินผล
ของการพิการการขนส่งทาง Tusar และ Novic [5] ใช้พวกเขาสำหรับ
การสำรวจข้อมูลเกี่ยวกับการวิเคราะห์ผสมยางมะตอยมาตรฐาน Sukru และ Oruc [6]
รูปแบบความสัมพันธ์ระหว่างการตั้งเวลาปริมาณเพิ่มที่
ปูนซีเมนต์เนื้อหายางมะตอยของเสียและโมดูลัสบิทูมินั
อิมัลชันโดยเครือข่ายประสาทเทียม เครือข่ายประสาทได้รับการ
ใช้สำหรับการคาดการณ์ของแรงอัดของคอนกรีต [7,8] ใน
การทำนายความมั่นคงของการก่อสร้างอุโมงค์ [9] สำหรับทำนาย
เวลาที่ต้องใช้ในการดำเนินงานแผ่นดินและค่าใช้จ่ายของพวกเขา [10], ในการวางแผน
ระบบการจัดส่งสำหรับการเตรียมความพร้อมก่อนผสมคอนกรีต [11], ในการผลิต
ของคอนกรีตสดด้วยนอกเหนือจากยาง [12] สำหรับการสร้างแบบจำลอง
การกัดกร่อนปัจจุบันคอนกรีตเสริมเหล็ก [13] ในการสร้างแบบจำลอง
ของอาคารก่อสร้าง [14], สำหรับการประเมิน แรงเสียดทานระหว่าง
ล้อและถนน [15] สำหรับการสร้างแบบจำลองที่ต่ำกว่าแบกทางเท้าไม่ได้ผูกไว้
ชั้น [16] สำหรับการสร้างแบบจำลองการเปลี่ยนรูปถาวรของโพรพิลีน
ที่ปรับเปลี่ยนผสมยางมะตอย [17] และสำหรับงานด้านวิศวกรรมอื่น ๆ อีกมากมาย
ปัญหา.
เครือข่ายประสาทเทียมมีความซับซ้อนน้อยลง และมีขนาดเล็กกว่าทางชีวภาพ
เครือข่ายประสาท พวกเขาประกอบด้วยเซลล์ประสาทซึ่งจะเชื่อมโยงกับ
การเชื่อมต่อการอธิบายโดยน้ำหนักของพวกเขา พิเศษของเทียม
เครือข่ายคือการที่พวกเขาจะไม่ได้รับการฝึกฝน แต่โปรแกรม สำหรับเครือข่าย trainingof ทั้งสองชุดของข้อมูลจะต้อง ชุดแรกคือการฝึกอบรมชุด
และสองเป็นชุดทดสอบซึ่งเป็นสิ่งจำเป็นในการสร้างประสิทธิภาพการ
ciency ของการฝึกอบรม ขั้นตอนที่สำคัญของการสร้างแบบจำลองโครงข่ายประสาทเทียมคือ
ความมุ่งมั่นของน้ำหนักที่ใช้ระหว่างการฝึกอบรมเครือข่าย มี
หลายวิธีในการฝึกอบรม หนึ่งในวิธีที่ใช้กันอย่างแพร่หลายเป็น
กฎทั่วไป Delta หรือข้อผิดพลาดกลับขั้นตอนวิธีการขยายพันธุ์ซึ่งจะมีการอธิบาย
ในรายละเอียดโดย Rumelhart และแมคคลีแลนด์ [19] ในการประมาณการอากาศ
เนื้อหาเป็นโมฆะในเครือข่ายประสาทผสมฟีดไปข้างหน้ารวมกับ
ขั้นตอนวิธีการเรียนรู้ข้อผิดพลาดกลับมาขยายพันธุ์ได้ถูกนำมาใช้ การเรียนรู้
ขั้นตอนของเครือข่ายประสาทเทียมได้รับอิทธิพลจากความหลากหลายของพารามิเตอร์
เช่นจำนวนสูงสุดของการทำซ้ำ, การเรียนรู้ขั้นตอนขนาดรูปทรงเรขาคณิต
ของเครือข่ายและที่สำคัญที่สุดคือข้อมูล เมื่อพิจารณาจาก
รูปทรงเรขาคณิตของเครือข่ายประสาทเทียมมันไม่สามารถกำหนดได้อย่างแม่นยำ
ที่หนึ่งที่สอดคล้องกับข้อมูลที่เฉพาะเจาะจง เราตัดสินใจที่จะจัดการกับ
เครือข่ายที่มีสองหรือสามชั้นที่ซ่อนอยู่ โปรแกรม Fortran
NTR2003 และห้องสมุดเครือข่ายประสาทใน Toolkit โปรแกรม WEKA
ได้ถูกนำมาใช้ อัลกอริทึมที่ใช้ในโปรแกรมทั้งสองจะไม่ได้ทั้งหมด
เข้ากันได้ส่วนใหญ่จะฟังก์ชั่นการส่งออกและกระบวนการในส่วน
ขั้นตอนการเรียนรู้.
กระดาษนี้จะอธิบายการใช้เครือข่ายประสาทเทียมสำหรับการประมาณที่
เนื้อหาอากาศช่องว่างในการผสมรวมกันซึ่งถูกกำหนดให้เป็น
ส่วนผสมของ เศษส่วนหินที่แตกต่างกันได้โดยไม่ต้องเครื่องผูกบิทูมินั อากาศ
เนื้อหาช่องว่างในการผสมรวมกันจะถูกกำหนดเพื่อหาสิ่งที่ดีที่สุด
องค์ประกอบของเศษส่วนของวัสดุหิน ด้วยการที่เหมาะสม
องค์ประกอบของเศษส่วนรวมความหนาแน่นสูงสุดหรือต่ำสุด
ปริมาณของช่องว่างอากาศในวัสดุหินจะประสบความสำเร็จ.
ขั้นแรกเราสันนิษฐานว่าเส้นโค้ง sieving และความหนาแน่นของ
ส่วนผสมรวมเป็นปัจจัยที่มีอิทธิพลมากที่สุดส่งผลกระทบต่ออากาศ
เนื้อหาเป็นโมฆะในการรวม สารผสม น่าแปลกที่มีการศึกษาเบื้องต้น
การตรวจสอบเราพบว่าเนื้อหาของสารยึดเกาะบิทูมินั
รุ่นเป็นปัจจัยที่มีอิทธิพลที่ดีขึ้นเสมอ เนื้อหาอากาศช่องว่างใน
การผสมรวมกันไม่สามารถคำนวณได้ว่าจากโค้งตะแกรง,
ความหนาแน่นของวัสดุหินและน้ำมันดินเนื้อหา เพียงการประเมินคร่าวๆ
ได้รับการทำ มีสอง