Zurück Vor

Detailergebnis zu DOK-Nr. 77820

Ein Ansatz zur Verwendung künstlich neuronaler Netzwerke zur Modellierung und Vorhersage von Asphalt-Deflexionen als Ergänzung zu experimentellen Messungen mit Falling Weight Deflectometer (Orig. engl.: An artificial neural network approach to model and predict asphalt deflections as a complement to experimental measurements by Falling Weight Deflectometer)

Autoren	M. Rahimi Nahoujy
Sachgebiete	11.1 Berechnung, Bemessung, Lebensdauer 14.7 Tragfähigkeitsprüfungen

Bochum: Lehrstuhl für Verkehrswegebau, Ruhr-Universität Bochum, 2022, XVII, 159 S., zahlr. B, T, Q, Anhang (Schriftenreihe des Lehrstuhls für Verkehrswegebau der Ruhr-Universität Bochum H. 35)

Die Bewertung der strukturellen Bedingungen der Straßenbefestigung und des Untergrunds ist ein signifikanter Bestandteil der Erhaltungs- und Sanierungsmaßnahmen. Bei einer solchen Bewertung des Asphalts ist entscheidend, die verbleibende Lebensdauer des Asphalts für die Erhaltung und Sanierung zu berücksichtigen, die Lebenszykluskosten zu optimieren und die Geometrie des Asphalts sowie die Materialeigenschaften der Schichten durch geeignete zerstörungsfreie Prüfungen genau abzuschätzen. Der Deflexionswert ist ein wesentlicher Indikator für die Restlebensdauer flexibler Straßenbefestigungen, der mit einem Falling Weight Deflectometer (FWD) gemessen wird. Obwohl das FWD ein beliebtes Gerät für die Planung von Erhaltungs- und Sanierungsmaßnahmen ist und in Europa, den USA und darüber hinaus weit verbreitet ist, hat das Verfahren einige beträchtliche Nachteile. Das FWD PRIMAX 1500 kann pro Tag nur Messungen für einige Kilometer einer Straße durchführen. In großem Umfang ist diese Methode zeitaufwendig und ressourcenintensiv. Darüber hinaus können in einigen Fällen nicht genügend Daten vom FWD bezogen werden, Datensätzen sind lückenhaft oder fehlen, was die Planung von Erhaltungs- und Sanierungsmaßnahmen fehleranfälliger macht. Um diese Einschränkungen zu überwinden und die Methode zu verbessern, zielt die Studie darauf ab, einen Ansatz mit einem künstlichen neuronalen Netzwerk (KNN) zu entwickeln, um die Deflexion an jedem beliebigen Punkt der gesamten Strecke zu berechnen, um experimentelle FWD-Messungen zu ergänzen und zu ersetzen. Es wird ein Feed-Forward KNN-Modell in der MATLAB-Programmierumgebung entwickelt, basierend auf der Rückführung (Backpropagation) durch ein mehrlagiges Perzeptronen-Netzwerk für Asphaltdeckschichten. Es wurde ein mehrlagiges Perzeptronen-Netzwerkmodell gewählt, da es gerade mit den Fällen umgehen kann, in denen nicht ausreichende FWD-Deflexionsdaten vorhanden sind. Diese Netzwerke sind besonders geeignet, komplexe Daten zu modellieren, wie sie vom FWD vorgegeben sind, da KNN über die Fähigkeit verfügt, komplexes, nicht-lineares Verhalten zu lernen.