طی ارزیابی جامع فنی و اقتصادی راهنمای آشتو 2002 در پروژه nchrp 1-40، که نتایج آن در سال 2006 میلادی منتشر شد، یکی از اساسی ترین موانع و مشکلات طراحی روسازی به روش مکانیستیک، هزینه زیاد و زمانمند بودن آزمایشهای پیشرفته تعیین خصوصیات مواد و مصالح روسازی شامل ,creep compliance indirect tensile strength و resilient modulus مخلوط های آسفالتی است که در پروژه ltppنیز که گسترده ترین و پر هزینه ترین پروژه ارزیابی رفتار روسازی ها در دراز مدت است، آزمایش های اساسی ارزیابی عملکرد روسازی محسوب می شوند. مدلهای موجود در آشتو 2002 برای آزمایشهای کریپ کمپلینس و مقاومت کششی غیر مستقیم بر اساس رگرسیون و با استفاده از داده های ltpp بدست آمده اند. از طرفی شبکه های عصبی مصنوعی با توجه به توانایی نگاشت در فضای n بعدی و انجام پردازش موازی مشابه مغز انسان، قادرند با آموزش یافتن، قوانین موجود در فیزیک مساله را فراگیری کرده و از آنها برای تعمیم و پیش بینی داده های جدید استفاده کنند و بدین ترتیب بعنوان توابعی توانمند برای مدلسازی در فضای n بعدی مورد استفاده قرار گیرند. در این تحقیق برای اولین بار، مدلسازی سه آزمایش فوق با لحاظ نقش منحنی دانه بندی بعنوان اسکلت سازه ای بتن آسفالتی با استفاده از شبکه های عصبی مصنوعی با موفقیت انجام شده است. برای مدل شبکه عصبی ارائه شده برای پیش بینی کریپ کمپلینس، ضریب رگرسیون شبیه سازی داده های جدید 98/0r2= حاصل شده است که از ضریب رگرسیون مدل آشتو 2002، 79/0r2= ، %19 بیشتر می باشد. ضریب رگرسیون شبیه سازی مقاومت کششی غیر مستقیم 190 داده های جدید 67/0r2= است که از ضریب رگرسیون مدل آشتو 2002 برای 31 داده 62/0r2=، %5 بیشتر می باشد، مدل شبکه عصبی مصنوعی ارائه شده برای پیش بینی مدول برجهندگی اولین مدل در این زمینه بوده و قابلیت شبیه سازی داده های جدید با ضرب رگرسیون با 99/0r2= و عملکرد خوب را دارا می باشد. هر یک از سه آزمایش فوق با انجام آنالیزهای متعدد(pca) principal component analysis، با شبکه های عصبی مصنوعی مدلسازی شده اند. نزدیک بودن عملکرد شبکه های عصبی مصنوعی با آنالیز pca به شبکه های ارائه شده، نشان از انتخاب مناسب پارامتر های ورودی دارد. در مورد آزمایش مدل برجهندگی، عملکرد مدل شبکه عصبی آن در حالت معمول بهتر از عملکرد بهبود یافته آن با آنالیز pca، دارد که نشاندهنده عملکرد مناسب آن می باشد.در این تحقیق با توجه به پتانسیل فراگیری و تعمیم شبکه های عصبی مصنوعی، با استفاده از مدلهای شبکه عصبی مصنوعی ارائه شده، 393 آنالیز حساسیت برای مدلسازی تاثیر تغییرات ورودیهای مدلها در خروجیها انجام شده و 393 منحنی مربوطه ارائه شده است. این منحنیها نشان می دهند که درصد های عبوری مصالح سنگی نقش قابل ملاحظه ای در عملکرد بتن آسفالتی در هر سه مدل دارند. علاوه بر این بعنوان ابزار کمکی، با فراهم کردن قابلیت تخمین حدودی درصد مصالح، با توجه به اینکه متغیرهای مدلها شامل درصد های عبوری مصالح سنگی، درصد و خصوصیات قیر، ساده و مستقیم می باشند، امکان طرح مخلوط آسفالتی با عملکرد دلخواه برای روش مکانیستیک فراهم آمده است. و بدین ترتیب با قابلیت پیش بینی روند تغییرات خروجی ها نسبت به تغییرات متغیرها و حذف فرآیند سعی و خطا، گامی اساسی در جهت کاهش هزینه ها و زمان برداشته شده است. داده های مورد نیاز برای آموزش و ارزیابی هر سه مدل، از داده های2400 مقطع روسازی تحت مانیتورینگ پروژه ltpp که از نظر کمی و کیفی بهترین بانک اطلاعاتی جهانی در زمینه ارزیابی رفتار روسازی های انعطاف پذیر و صلب در دراز مدت است، با تولید پایگاه داده های نظیر هر آزمایش، با تهیه برنامه های متعدد به زبان sql در محیط access 2000 استخراج شده اند.