چکیده: چکیده جاده ها از سرمایه های مهم هر کشور محسوب می شوند و سالانه بخش زیادی از بودجه کشور صرف عملیات ترمیم و نگهداری می شود. بخش زیادی از هزینه های عملیات ترمیم و نگهداری راه ها برای رفع ترک خوردگی ها صرف می شود. پتانسیل خود ترمیمی آسفالت، یکی از عواملی است که می-تواند در افزایش عمر مفید روسازی آسفالتی تأثیرگذار باشد. زمانی که روسازی تحت دمای بیشتر باشد، ترمیم افزایش می یابد، بنابراین خود ترمیمی مخلوط آسفالتی به دما وابسته است. به منظور افزایش ظرفیت خود ترمیمی از طریق افزایش دما، از فرآیند گرمایش مایکروویو و گرمایش القایی استفاده می شود. همچنین برای افزایش بازدهی گرمایش و بهبود خود ترمیمی، انواع مختلف ضایعات فلزی (الیاف فولادی، براده آهن، سرباره فولاد و ...) به مخلوط آسفالتی اضافه می شود. با توجه به زمان بر و هزینه بر بودن فعالیت های آزمایشگاهی، استفاده از شبکه های عصبی مصنوعی در پیش بینی نتایج آزمایشگاهی در دهه های اخیر مورد توجه محققان قرار گرفته است. در مهندسی روسازی از شبکه های عصبی مصنوعی برای پیش بینی عمر خستگی مخلوط های آسفالتی، پیش-بینی مدول غیرخطی لایه های روسازی و .... استفاده کرده اند. هدف این پژوهش این است که با در نظر گرفتن عوامل مؤثر بر شاخص خود ترمیمی (مانند نوع افزودنی، درصد افزودنی، دانه بندی مخلوط آسفالتی، نوع قیر، چرخه ترمیم ترک و ...) به عنوان ورودی های شبکه عصبی مصنوعی در نرم افزار متلب و شاخص خود ترمیمی به عنوان خروجی، بتوان به شبکه عصبی مناسبی دست یافت و از این شبکه در جهت پیش بینی شاخص خود ترمیمی بهره برد. شبکه عصبی چندلایه (MLP )، شبکه عصبی چندلایه بهینه سازی شده با الگوریتم ازدحام ذرات (PSO )، شبکه عصبی شعاعی پایه (RBF ) و تجزیه و تحلیل آماری با نرم افزار SPSS مورد بررسی قرار گرفت و نتایج این روش ها با یکدیگر مقایسه شدند. نتایج نشان داد، شبکه عصبی چندلایه (MLP) نسبت به دیگر روش ها عملکرد بهتری در زمینه پیش بینی شاخص خود ترمیمی دارد.