AbstractOne of the most important s

Abstract
One of the most important steps in the design of new pavements and overlays is the selection of an accurate input value for
the subgrade resilient modulus (Mr). This paper evaluates the
use of regression analysis and artificial neural networks (ANN)
to develop models that can be used to accurately predict the subgrade Mr design input value using Falling Weight Deflectometer (FWD) test results. The results of the regression analyses
conducted in this paper indicated that the use of linear elastic
analysis for backcalculation of the FWD modulus yielded better
prediction of laboratory measured resilient modulus compared
to using the AASHTO or Florida Equations. In addition, the accuracy of Mr prediction was significantly enhanced when ANN
based models were used. For models that were based on FWD
modulus backcalculated using different software programs, the
ANN improvement was only noticed when the model included
soil physical properties. Finally, the results of this paper indicated that when using the FWD modulus backcalculated using the AASHTO or Florida equation to predict Mr design input
value, it’s recommended to use the ANN model with variables
selected using stepwise selection analysis.

Kết quả (Việt) 1:

Tóm tắtMột trong những bước quan trọng nhất trong thiết kế mới vỉa hè và lớp phủ là việc lựa chọn một giá trị đầu vào chính xác nhấtsubgrade đàn hồi mô đun (Mr). Bài báo này đánh giá cácsử dụng phân tích hồi quy và mạng nơ-ron nhân tạo (ANN)phát triển mô hình có thể được sử dụng để dự đoán chính xác subgrade ông thiết kế đầu vào giá trị bằng cách sử dụng Deflectometer trọng lượng rơi (FWD) kết quả kiểm tra. Kết quả phân tích hồi quitiến hành trong giấy chỉ ra rằng việc sử dụng các tuyến tính đàn hồiphân tích cho backcalculation của mô đun FWD mang lại tốt hơndự đoán của phòng thí nghiệm đo mô đun đàn hồi sođể sử dụng AASHTO hay phương trình Florida. Ngoài ra, tính chính xác của ông dự đoán đáng kể nâng cao khi ANNDựa trên mô hình đã được sử dụng. Cho mô hình dựa trên FWDMô đun backcalculated bằng cách sử dụng chương trình phần mềm khác nhau, cácANN cải thiện chỉ được nhận thấy khi các mô hình bao gồmtính chất vật lý đất. Cuối cùng, kết quả của bài báo này chỉ ra rằng khi sử dụng FWD mô đun backcalculated bằng cách sử dụng phương trình AASHTO hoặc Florida để dự đoán ông thiết kế đầu vàogiá trị, nó đã đề nghị để sử dụng các mô hình ANN với biếnchọn bằng cách sử dụng phân tích stepwise lựa chọn.

Kết quả (Việt) 2:

Tóm tắt
Một trong những bước quan trọng nhất trong thiết kế của vỉa hè mới và lớp phủ là việc lựa chọn các giá trị đầu vào chính xác cho
các mô đun đàn hồi lớp móng (Mr). Bài viết này đánh giá
sử dụng phân tích hồi quy và các mạng thần kinh nhân tạo (ANN)
để phát triển các mô hình có thể được sử dụng để dự đoán chính xác các lớp móng Mr giá trị đầu vào thiết kế sử dụng kết quả kiểm tra Rơi Trọng lượng Deflectometer (FWD). Các kết quả phân tích hồi quy của các
tổ chức trong bài báo này chỉ ra rằng việc sử dụng đàn hồi tuyến tính
phân tích cho backcalculation của modulus FWD mang lại tốt hơn
dự báo của các phòng thí nghiệm đo mô đun đàn hồi so
với việc sử dụng các AASHTO hoặc Florida Equations. Ngoài ra, tính chính xác của ông dự đoán đã được tăng cường đáng kể khi ANN
mô hình dựa trên đã được sử dụng. Đối với mô hình đã được dựa trên FWD
modulus backcalculated sử dụng các chương trình phần mềm khác nhau,
cải thiện ANN chỉ được nhận ra khi các mô hình bao gồm
tính chất vật lý của đất. Cuối cùng, kết quả của nghiên cứu này chỉ ra rằng khi sử dụng các mô đun FWD backcalculated bằng cách sử dụng phương trình AASHTO hoặc Florida để dự đoán ông thiết kế đầu vào
có giá trị, nó được đề nghị để sử dụng các mô hình ANN với các biến
được lựa chọn bằng cách sử dụng phân tích lựa chọn theo từng bước.