Esnek Üstyapıların Mekanik Özelliklerinin Yapay Sinir Ağları Kullanılarak Geri-hesaplanması

Abstract

Bu çalışmada, esnek üstyapıların mekanik özelliklerinin geri-hesaplanması, yapay sinir ağları yöntemi kullanılarak yapıldı. Ayrıca, bu modele en uygun öğrenme algoritması ve ağ mimarileri de belirlendi. Bu amaçla, 350 farklı yapay sinir ağı tasarlandı ve her biri ayrı ayrı eğitilerek test edildi. Sonuçlar gösterdi ki, Lavenberg-Marquardt and ölçekli eşleştirmeli bileşen öğrenme yöntemleri en başarılı olanlardı ve klasik öğrenme yöntemlerinden çok daha hassas sonuçlar verdiler. Ek olarak, elde edilen bulgular farklı bir üstyapı modeli üzerinde denendi ve sonuçlar önce bulunan neticeler ile uyum sağladı. Ayrıca, detaylı bir hata analizi yapılarak, eğitimi erken sonlandırmanın model başarısı üzerindeki etkisi de çalışma kapsamında incelendi. Yapay sinir ağı modeline ait işlem hızı gerçek-zamanlı geri-hesaplama yapılmasına olanak sağlamakta ve bu da kaplama peformans değerlendirmelerinde ciddi bir ekonomik ve zaman tasarrufu sağlamaktadır. Bununla birlikte, geri-hesaplama için kullanılacak yapay sinir ağı modelinde, öğrenme algoritmasının ve ağ mimarisinin seçimi ve doğru bir hata analizi yapılması büyük önem taşımaktadır.In this study, neural network approach was applied on the backcalculation of mechanical properties of flexible pavements. In addition, the most appropriate learning technique and network architecture for this problem was also determined. For the evaluation of learning algorithm, network architecture, and network parameters, 330 different neural networks were trained and tested. Results indicated that Lavenberg-Marquardt and Scaled Conjugate Gradient algorithm are the most successful of all. In addition, the findings tested on the different pavement models, and the verification was quite successful. Besides, a comprehensive error analysis and early stopping criterion was conducted for the considered problem. The backcalculation speed of neural networks enables real-time backcalculation opportunity. Hence, serious time and money that were spent for the pavement performance evaluation processes can be saved. Nevertheless, the learning algorithm, network structure, and error analysis are crucial concepts for neural network based backcalculation.