Principios heurísticos para predecir el efecto de la miga de goma

Gradación en el rendimiento del asfalto Carpeta En celo

Veena Venudharan 1 y Krishna Prapoorna Biligiri 2

Resumen: El objetivo de este estudio era emplear una red neural artificial (ANN) para predecir asfalto-caucho (AR) características de rendimiento ahuellamiento utilizando las propiedades aglutinantes,

gradaciones de caucho de la miga (CR), y parámetros de prueba mecánicas. El alcance incluye aglutinante de asfalto avanzada caracterización reológica usando un reómetro de corte dinámico (DSR), que

abarca la preparación de un total de 18 aglutinantes AR laboratorio mezclado con dos aglutinantes de base y nueve gradaciones de Cr, por un total de más de 2200 puntos de datos. Principios de RNAs fueron

utilizados para predecir los tres parámetros de rendimiento ligante AR: η, G = pecado δ, y fuego δ. Se emplearon ocho parámetros de entrada que constituyen temperatura de prueba y la frecuencia, cinco

componentes de gradación de Cr, y la viscosidad de aglutinante de base para desarrollar el modelo ANN. Un algoritmo de aprendizaje de retropropagación con gradiente conjugado escalado (SCG) como el

algoritmo de entrenamiento en una alimentación hacia adelante, la red neural de dos capas oculta con siete y tres neuronas, respectivamente, fue elegido como la mejor arquitectura ANN. La bondad

estadística de las medidas de ajuste R para los datos totales presentados fueron, respectivamente, 0,994,
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

0,997 y 0,977 para η; G = pecado δ, y fuego δ. ANN modelado conceptualizado como parte del estudio indicó que las inclusiones de goma en ligantes asfálticos ayudarían en la mejora de los materiales ' formación

de surcos de resistencia. Las magnitudes de los pesos y sesgos proporcionados en este estudio para los parámetros de entrada de material ocho elegido aglutinantes AR podrían ser bien utilizados en

la predicción de los parámetros de rendimiento de material de tres aglomerantes. En general, se prevé que el algoritmo desarrollado en esta investigación pertinente hacer ligantes asfálticos ' caracterización

reológica avanzada sería promover el estado de la técnica en el diseño de los asfaltos modificados con caucho RUT-resistente. DOI: 10.1061 / (ASCE) MT.1943-5533.0001880 . © 2017 American

Society of Civil Engineers.

Palabras clave Autor: Red neuronal artificial; ligante de asfalto; Polvo de neumático; G = pecado δ; Escalado de gradiente conjugado.

Introducción
aglutinante de asfalto (betún) es un material viscoelástico complejo que se utiliza
comúnmente en la construcción de pavimentos flexibles. Morfológicamente, el asfalto es un
sistema coloidal compuesto por micelas de asfalteno con componentes de alto y bajo peso
molecular, tales como resinas, ácidos grasos saturados, y aromáticos. Debido a su
naturaleza viscoelástica, el aglutinante de asfalto se comporta de manera diferente bajo
diferentes cargas de tráfico y las condiciones ambientales. Por lo tanto, los análisis y diseño
de estos materiales requieren comprensión global de los materiales '
pavimentación grado cemento asfáltico, caucho de neumáticos triturado reciclado, y otros aditivos,
con el caucho, al menos 15% en peso del cemento de asfalto total.
En el pasado, varios investigadores han estudiado diversos aspectos de
aglutinantes CRM y AR ' características de rendimiento, incluyendo (1) el
rendimiento estructural ( Bahía y Davies 1994 ; Leite et al. 2001 ; Mull et al. 2002 ; Lee
et al. 2008 ; Shatnawi et al. 2008 ; Xiang et al. 2009 ; Hajikarimi et al. 2015 ; Kebria et
al. 2015 ), (2) respuesta viscoelástica mecánico dinámico ( Natu y Tayebali 2000 ;

Thodesen et al. 2008 ), (3) el comportamiento a baja temperatura ( Sebaaly et al. 2003 ), Y (4)
comportamiento innato en diversas condiciones de funcionamiento.
las propiedades de envejecimiento ( Huang 2006 ; Huang y Pauli 2008 ; Biligiri y Camino 2013 ).
Históricamente, la modificación de ligantes asfálticos ha sido una técnica comúnmente
Todas estas investigaciones concluyeron que el CRM, así como aglutinantes AR superaron
empleada para reducir la susceptibilidad de viscosidad-temperatura, que se considera uno de
vírgenes asfaltos (sin modificar). También se informó de que cuanto mayor es el contenido de
los principales problemas de rendimiento en los aglutinantes de asfalto. También, la
Cr en el aglutinante de asfalto, mejor será el rendimiento aglutinante de asfalto modificado ( Neto
modificación de aglutinante de asfalto mejora aglutinantes ' resistencia a la formación de surcos
et al. 2006 ; Venudharan y Biligri 2016 ). Los estudios de investigación se han centrado en las
problemas, fatiga y fractura. En general, los modificadores son principalmente aditivos de
investigaciones sobre el efecto de CRM, aglutinante de base, y los parámetros de mezcla en
polímeros naturales y sintéticos, de los cuales el polvo de neumático (CR) ha ganado interés
el rendimiento de las carpetas de AR principalmente para entender el procedimiento de
positivo en la utilización debido a la mejor rendimiento del polvo de neumático modificado
modificación de CR en el aglutinante de base y la influencia metodológica sobre las
aglutinante (CRM) en comparación con el aglutinante de asfalto virgen. Además, de acuerdo
características de rendimiento AR. Algunos de los factores de mezcla importantes incluidos (1)
con la norma ASTM D6114-09 D6114 [ASTM ( ASTM 2009 )], El asfalto-caucho (AR) aglutinante
la interacción de CR con aglutinantes vírgenes ( Abdelrahman y Carpenter 1999 ; Airey et al.
es una mezcla de
2004 ; Jeong et al. 2010 ), (2) efecto del tiempo de digestión durante la mezcla ( Neto et al. 2006 ;
Presti y Airey 2013 ), (3) la degradación de CR ( Celauro et al. 2012 ), Y (4) el efecto del tiempo
de procesamiento y la temperatura ( Subhy et al. 2015 ). Los investigadores proponen
1 Doctorado de Investigación Académico, Departamento de Ingeniería Civil, Instituto Indio de condiciones óptimas de los parámetros de mezcla para el desarrollo de aglutinantes AR
Tecnología de Kharagpur, Bengala Occidental 721 302, India. E-mail: veenavenudharan@iitkgp.ac.in rendimiento superiores. Además, también se han encontrado tamaño CR y CR gradaciones de
influir en el rendimiento de aglutinante AR. Aunque las agencias y puntos carreteras estatales
2 Profesor Adjunto, Departamento de Ingeniería Civil, Instituto Indio de Tecnología de
proponen variando gradaciones CR para propósitos de mezcla AR, hay estudios muy limitados
Kharagpur, Bengala Occidental 721 302, India. (Autor correspondiente). E-mail:
disponibles en la literatura que proporciona una visión clara sobre las contribuciones de
kpb@civil.iitkgp.ernet.in; krishnapbiligiri@gmail.com
gradaciones CR y el tipo de AR
Nota. Este manuscrito fue presentado el 21 de julio de 2016; aprobado el 3 de noviembre de
2016; publicado en línea el 30 de marzo, periodo de 2017. Discusión abierta al 30 de agosto, 2017.
discusiones separadas deben ser sometidos a trabajos individuales. Este documento es parte de la Diario
de materiales en ingeniería civil, © ASCE, ISSN 0899 hasta 1561.

© ASCE 04017050-1 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 rendimiento aglutinante. Por lo tanto, la comprensión y la evaluación del efecto de
gradaciones CR en AR y sus características de rendimiento asociados es de suma
importancia para caracterizar exhaustivamente el rendimiento de los aglutinantes CR
modificados y reconocer su compatibilidad en materiales y mezclas de pavimento
utilizados comúnmente.
En este sentido, varios estudios de investigación exploró la tangibilidad de técnicas de
modelización estadística y numérica avanzados para predecir las características de
rendimiento de los ligantes asfálticos. Algunas de las técnicas de modelado de éxito
incluyen la modelización numérica usando elementos finitos (FE) análisis, modelado
matemático utilizando análisis de regresión general, y de técnicas de predicción heurísticos.
redes neuronales artificiales (RNA), una corriente principal de la técnica de análisis
heurístico, han recibido una atención creciente debido a su precisión y la naturaleza
simplista de su predicción en muchas aplicaciones. Una RNA es una técnica de modelado
paramétrico no lineal que ofrece un mayor grado de precisión y flexibilidad en comparación
con otros procedimientos de modelización estadística. Unos pocos estudios han utilizado
RNAs para estimar el efecto de los modificadores de polímero en aglutinantes de asfalto ( Specht
et al. 2007 ; Kok et al. 2010 ; Golzar et al. 2012 ) Y el rendimiento de mezclas de asfalto ( Tasdemir ponderación y (b) Los procesos de esta suma por una función lineal o no lineal de
2009 ; Xiao y Amirkhanian 2009 ;
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.
modelo de red se muestra en la Fig. 1 (a) . Un ANN se utiliza para estimar o aproximar
funciones que dependen de un gran número de entradas. RNAs sigue una tendencia
similar de una neurona biológica donde los mensajes se transfieren a través de la red
de neuronas interconectadas. A ANN típico se muestra en la Fig. 1 (b) . Un ANN tiene
dos capas extremas, a saber, de entrada y de salida. La red fluye desde la capa de
entrada hacia la capa de salida. Entre las dos capas, la red puede tener una o más
capas ocultas. Estas capas ocultas hacen las conexiones entre las capas de entrada y
salida. Cada capa oculta está formado de varias neuronas, y cada neurona está
conectada a ambas de las capas anteriores y siguientes. Estas conexiones de todas las
capas tienen pesos numéricos atribuidos a las variables o neuronas, que se pueden
ajustar en base a la experiencia y formación.
En el método de ANN, la fuerza de interconexión está determinado por los vectores
de ponderación, que conectan las neuronas en la red. Cada neurona realiza dos
funciones: (a) resume todas las entradas de la capa inferior en base a sus factores de
activación como se muestra en la Fig. 1 (b) . La entrada de cada neurona se obtiene de la
ecuación. ( 1 )

Xiao et al. 2009 ; Ozgan 2011 ). Sin embargo, la investigación muy limitada está disponible en el ámbito

de la predicción del rendimiento de los aglutinantes de asfalto utilizando una RNA, específicamente con
s j ¼ X metro w ij y yo þ segundo j re 1 Þ
respecto a los materiales de CRM y aglutinantes AR.
yo ¼ 1

La literatura antes mencionada sobre el uso de RNAs en ingeniería de pavimentos muestra

dónde s j = entrada j º neurona; y i = entrada yo º neurona colocada sobre la capa anterior; w ij = peso
la idoneidad de RNAs en la determinación y la comprensión de las características de
utilizado para la conexión entre la yo º y j th neuronas; y segundo j = sesgo relacionado con
rendimiento de los aglutinantes de asfalto y mezclas de las propiedades del material y
neurona j.
condiciones de ensayo perspectivas. Debido a que el efecto de gradaciones Cr sobre el
La salida de cada neurona se calcula utilizando una función de transferencia. Las funciones
comportamiento de rendimiento de las carpetas de Ar es de la mayor importancia para llegar al
de transferencia pueden ser divididos en dos grupos lineales y no lineales. Por ejemplo, el purelin función
diseño óptimo de la mejor combinación de tamaños de CR en la creación de la carpeta de AR
se clasifica como una función de transferencia lineal, mientras que las funciones tales como logsig
de mejor rendimiento con mayor resistencia y mejores propiedades elásticas, hay una
y tansig
necesidad absoluta para predecir el rendimiento de aglutinante AR con respecto a los
se clasifican como funciones de transferencia no lineal ( Golzar et al. 2012 ). Eq. ( 2 )
parámetros de gradación CR por medio de la utilización de principios heurísticos robustos.
Ilustra la tansig función, que se utiliza comúnmente. La salida de la capa precedente
se utiliza para calcular la entrada de la capa sucesiva

Por lo tanto, el objetivo de este estudio fue utilizar un algoritmo ANN para predecir las
características de rendimiento de AR en base a las gradaciones CR, propiedades
aglutinantes, y parámetros de prueba mecánicas. El estudio comprendía la evaluación yj¼ 2 re 2 Þ
1 þ mi - 2 s j
reológica avanzada de 18 aglutinantes AR laboratorio-mezclado con respecto al
rendimiento de la formación de surcos (deformación permanente). El alcance del trabajo
dónde s j = entrada j º neurona y y j = salida j º neurona.
incluye:
• Preparación de aglutinantes AR con nueve gradaciones CR en una dosificación de 20% en
peso de la base de aglutinantes de asfalto vírgenes;
dendritas
• Evaluación de las características reológicas de los 18 AR ligantes utilizando la prueba de axón

oscilación de temperatura-frecuencia a través de un reómetro de corte dinámico (DSR);

• Desarrollo de modelos de RNA para la viscosidad aglutinante AR, el parámetro de celo G = pecado
δ, y parámetro de energía de disipación de bronceado δ; y

• Establecimiento de algorithmweights y sesgos ANN para la predicción de diferentes (una)

Cuerpo de la célula

terminal del axón

parámetros de rendimiento de aglutinante AR. Se prevé que los algoritmos modelo ANN,
entradas
así como los pesos y los sesgos de los parámetros en celo aglutinantes AR desarrollados
en este estudio se exhaustivamente ayudar en la predicción de los parámetros de X1 pesos
función de
rendimiento aglutinante sobresalientes para la formación de surcos evaluación w1 Suma Salida
activación
X2
(deformación permanente). Además, se prevé que este estudio ayudará a establecer w2
Σ y
relaciones entre las diferentes gradaciones de CR y propiedades ligantes AR. X3 w3

w norte
X norte

(segundo)
Antecedentes: La red neuronal artificial
Figura 1. ( a) la red neural biológica; (B) de la red neural artificial (adaptado de Gershenson
Un ANN es un conjunto de modelos inspirados en redes neuronales biológicas ( Gershenson
2003 )
2003 ). Un diagrama esquemático de un neural biológica típica

© ASCE 04017050-2 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 Tabla 1. Las gradaciones CR (Datos de Camino et al. 2012 ) Tamaño de tamiz

(mm) Caltrans Tejas Tejas DOT DOT DOT de Tejas Arizona Arizona DOT DOT DOT Florida Florida Florida DOT DOT

% de paso llantas de desecho Grado A Grado B grado C Escribe un tipo B Escribe un tipo B Tipo C

2.36 100 100 - - 100 - - - -

2 98 - 100 95 - 100 100 - 95 - 100 100 - - -
1.18 45 - 75 - 70 - 100 100 0 - 10 sesenta y cinco - 100 - - 100
0.6 2 - 20 - 25 - 60 90 - 100 - 20 - 100 - 100 70 - 100
0,425 - - - 45 - 100 - - - -
0.3 0-6 0 - 10 - - - 0 - 45 100 40 - 60 20 - 40
0.15 0-2 - - - - - 50 - 80 - -
0,075 0 - 0-5 - - 0-5 - - -

En una RNA, todos los datos se dividieron al azar en dos partes. De las Tabla 2. aglutinante AR Carpeta Designación

dos partes, una que se empleará para entrenar la red y el otro se utilizará para Base gradación CR Designacion
probar la red entrenada. Un ANN es una red de adaptación que puede cambiar
VG30 Caltrans V3C
los parámetros eficaces (peso, sesgo, funciones de transferencia, el número de
VG30 Tx-DOT A V3TA
capas intermedias, el número de neuronas de cada capa, etc.) en la red
VG30 Tx-DOT B V3TB
durante el proceso de entrenamiento de la red hasta que el error entre la los
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

VG30 Tx-DOT C V3TC

datos experimentales y el modelo predijo datos se reduce al mínimo. Muchos VG30 Un ADOT V3AA
algoritmos en la fase de entrenamiento ANN utilizan el procedimiento de VG30 ADOT B V3AB
descenso de gradiente. El procedimiento de la estimación de cantidades VG30 Un FDOT V3FA
óptimas de peso red y el sesgo se conoce como propagación. La fase de VG30 FDOT B V3FB
entrenamiento termina con los valores óptimos para el peso y el sesgo. Los VG30 FDOT C V3FC
datos restantes se utilizarán para evaluar el desempeño de la red.
VG40 Caltrans V4C
VG40 Tx-DOT A V4TA
VG40 Tx-DOT B V4TB
VG40 Tx-DOT C V4TC
VG40 Un ADOT V4AA
VG40 ADOT B V4AB
VG40 Un FDOT V4FA
Materiales y Programa Experimental
VG40 FDOT B V4FB
VG40 FDOT C V4FC
materiales

El estudio incluía un total de 18 AR aglutinantes. Una combinación licuadora-agitador se utilizó para

producir los ligantes AR laboratorio mezclado con viscosidad graduada VG30 y VG40 como
comportamiento viscoso en varios frecuencia - combinaciones de temperatura,
aglutinantes de base con 20% CR en peso de cada uno de los aglutinantes de asfalto vírgenes. Se
sol ofrece la medida de la materia ' Es resistencia total a la deformación, y δ da la
utilizaron un total de nueve gradaciones CR según lo especificado por muchas agencias estatales y
medida de elemento elástico o viscosa de un material viscoelástico. Estos parámetros
puntos de Estados Unidos, tal como se resume en la tabla 1 , Recreado usando manera et al. ( 2012 ). CR
de salida proporcionan una comprensión del aglutinante AR ' s comportamiento hacia
se añadió al aglutinante base, que se mantuvo a 170 - 180 ° C, después se mezcló durante 90 min a
diversas condiciones ambientales y de tráfico. El Programa de Investigación
2000 rpm para lograr una matriz aglutinante CRM homogénea. Los nueve gradaciones CR incluyen tres
Estratégica de Carreteras (SHRP) propuso la combinación de sol y δ en forma de
gradaciones especificados por el Departamento de Transporte de Texas, tres por el Departamento de

Transporte de Florida, dos por el Departamento de Transporte de Arizona, y uno por el Departamento
G = pecado δ como el parámetro de la formación de surcos ( TAI SP-1 1997 ). Una mayor
de Transporte de California (Caltrans). Mesa 2 proporciona las denominaciones de los 18 aglutinantes
G = pecado δ magnitud a una frecuencia y temperatura particular indica el aglutinante
AR diferentes.
de asfalto ' s mayor resistencia al problema de celo.
Además, el parámetro de ángulo de fase bronceado δ ilustra el aglutinante ' s disipación de
energía relativa, exhibiendo así su uso como un parámetro de energía de disipación de alta
temperatura para comprender el potencial de celo de los diversos aglutinantes de asfalto. Cuanto
mayor sea el bronceado δ, cuanto mayor es la susceptibilidad de celo del aglomerante asfáltico. Un
Matriz experimental
ANN se utiliza para modelar estos parámetros tres aglutinantes obtenidos a partir de resultados de la
Como un primer paso en la comprensión del efecto de diferentes gradaciones de CR en el
prueba de oscilación por medio de MATLAB para evaluar el efecto de diferentes gradaciones Cr sobre
rendimiento aglutinante AR, estudio reológico se llevó a cabo usando el DSR. El proceso de
el rendimiento de aglutinante de asfalto, tal como se explica a continuación.
evaluación reológica se llevó a cabo mediante la realización de pruebas de oscilación en los 18
aglutinantes de asfalto. Las pruebas se llevaron a cabo de oscilación de ligantes no envejecidas y
de corta duración de edad más de 10 - 0,1 Hz (un total de 21 frecuencias) y para una gama de 52 - 82
° C (con 6 ° C incrementos de un total de siete temperaturas). Los ensayos se realizaron a
velocidad de deformación controlada 12 y 10% para los ligantes no envejecido y corto plazo de Análisis de los datos
edad, respectivamente.
MATLAB se utilizó para el modelado de los datos obtenidos de las pruebas de oscilación DSR
La prueba de oscilación proporciona fundamentalmente la viscosidad aglutinante ( η), módulo en los 18 asfaltos. MATLAB permite elegir diferentes algoritmos para llevar a cabo la
complejo G ( relación entre la tensión de pico a pico cepa recuperable), y ángulo de fase δ ( desfase formación de redes neuronales. Un algoritmo de aprendizaje de propagación hacia atrás se
entre la tensión y pulso de deformación en un material viscoelástico). La magnitud de η muestra el realizó en una red neuronal de alimentación hacia adelante con una o más capas ocultas y
aglutinante AR ' s con uno o

© ASCE 04017050-3 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 más neuronas que utilizan varios algoritmos de entrenamiento. MATLAB tiene diferentes
Tabla 3. Prueba Oscilación Resultados a 1,59 Hz y 64 ° C aglutinantes AR G ( PENSILVANIA)
algoritmos de entrenamiento para llevar a cabo la fase de entrenamiento de la red usando
η ( Pa · s) δ ð ^UNA
^UNA Þ G = pecado δ ( Pensilvania) bronceadoUNA
δ ð ^Þ el método de retropropagación, incluyendo LevenbergMarquardt (LM), BFGS
V3AA 2299 230,90 80.75 2,329.29 6.140 Quasi-Newton (BFG), elásticos (RP), pendiente de descenso (GD), pendiente de descenso
V3AB 3920 393.70 71.98 4,122.20 3,074 con Momentum (GDM), Descenso del gradiente con tasa de adaptación lineal (GDA),
V3C 3779 379.50 71.03 3,996.03 2,909 Scaled gradiente conjugado (SCG), gradiente conjugado con Powell / Beale reinicia
V3FA 6049 607,40 66.46 6,598.08 2.295 (CGB), Fletcher-Powell gradiente conjugado (CGF), Polak-Ribiere gradiente conjugado
V3FB 7969 800,20 67.13 8,648.90 2,371 (CGP), un paso de la secante ( OSS), orden aleatorio de formación incremental (R), y la
V3FC 3797 381,30 69.87 4,044.03 2,728
pendiente de descenso con el impulso y velocidad de aprendizaje variable (GDX). Todos
V3TA 6729 675,70 66.38 7,344.28 2,287
los algoritmos de entrenamiento antes mencionados se utilizan en la formación de los
V3TB 3992 400,90 72.84 4,177.98 3.238
datos para llegar a la mejor algoritmo.
V3TC 4207 422,40 71.06 4,447.81 2,914
V4AA 2950 296.20 75.01 3,053.92 3,735
V4AB 7144 717,40 68.64 7,670.91 2,557
V4C 5418 544.00 70.93 5,732.60 2,893 Esencialmente, el software recibido la totalidad de los datos experimentales como entrada y
V4FA 9790 983,10 67.4 10,604.30 2.402 divide al azar todo el conjunto en tres partes, a saber, formación, validación y pruebas. Por lo
V4FB 9541 958,10 65.11 10,517.93 2,155 general, el conjunto de entrenamiento incluye la mayoría de las partes del conjunto de datos y la
V4FC 6091 611,70 70.11 6,477.39 2,764 validación y conjuntos de prueba incluyen porciones más pequeñas del conjunto de datos. Por lo
V4TA 10660 1.070,00 64,36 11,824.33 2,083
tanto, 70% del total de los datos se consideran para la formación de la red neuronal, 15% del total
V4TB 9215 925,30 65.65 10,114.77 2.210
de los datos se utilizó para la validación de la red neuronal, y el 15% restante se utilizó para probar
V4TC 7440 747,10 68.84 7,977.90 2,584
la capacidad de la red neuronal en la predicción de la salida .
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

Los parámetros ANN, tales como el número de capas ocultas, se fijaron número de
bronceado

G * / sen
neuronas de cada capa, función de transferencia, y el número de épocas. Una época es
0.8 1 una medida del número de veces que todos los vectores de entrenamiento se utilizan una
vez para actualizar los pesos. Una vez que se fijaron los parámetros, el entrenamiento de
0.6 la red neuronal se realizó en los datos de entrenamiento establecidos por el software, y se
determinaron las magnitudes de los pesos y sesgos. El proceso de validación donde los
R2

0.4 pesos y sesgos de la fase de entrenamiento se evaluó en base al error entre la red de
valores experimentales y calculados neuronales siguió a la sesión de entrenamiento.
Después de la validación de la red neuronal, el software utiliza los datos de prueba
0.2
establecidos para entender el funcionamiento de la red y predecir la salida. Sobre la base
de las tres etapas del análisis, el algoritmo escrito en
0
CGB CGF CGP GD GDM GDA GDX LM OSS NR RP SCG
Algoritmos de formación

MATLAB proporcionado el mejor ajuste y valores óptimos para los pesos y sesgos. Los
Figura 2. R- valores para varios algoritmos de entrenamiento
resultados de los modelos ANN se analizan como sigue.

capa oculta capa oculta

Entrada Salida capa de salida
1 2

Temperatura 1

Frecuencia 2

R 1.18 3

3 1 AR Viscosidad

R 600 4

4 2 1 G * / sen

R 300 5

6 5 bronceado
3
R 150

R 75 7

viscosidad
8
aglutinante Base

Fig. 3. arquitectura de red neuronal artificial

© ASCE 04017050-4 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 Resultados y discusión
10 8 El mejor funcionamiento de validación es 22002.9317 en época 994
Tren Validación

mejor prueba
Prueba de oscilación

10 7
La prueba se realizó de oscilación en los 18 AR aglutinantes utilizando el equipo DSR. Se
obtuvo un total de 126 puntos de datos para cada aglutinante de AR, que ascendía a 2.268
puntos de datos para los 18 aglutinantes de asfalto. Mesa 3 presenta la sol , δ, y η resultados de

Error cuadrático medio (MSE)

10 6
la prueba para todos los ligantes a 1,59 Hz y 64 ° C. Para todas las carpetas, sol y η disminuido
al aumentar la temperatura, indicativo del comportamiento de reblandecimiento de los ligantes
a temperaturas más altas. También, δ aumentaron al aumentar la temperatura, que muestran validación
10 5 Entrenar
que los aglutinantes tenían menor viscosidad a temperaturas más altas. Promover, sol y η aumentó
con el aumento de frecuencia, representante de la propiedad elástica mejorado a frecuencias
más altas. También, δ disminuyó con el aumento de frecuencia, lo que explica la reducción en
10 4
aglutinantes ' comportamiento viscoso a frecuencias más altas. En resumen, se entiende que de pruebas de

las propiedades aglutinantes son dependientes de la frecuencia y la temperatura de la prueba

de oscilación altamente. 10 3
0 100 200 300 400 500 600 700 800 900 1000
(una)
1000 Épocas

los sol y η magnitudes fueron mayores para aglutinantes AR con VG40 como el aglutinante de
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

base en todas las frecuencias - combinaciones de temperatura que los preparados con aglomerante de

base vírgenes VG30. Por el contrario, δ magnitudes fueron mayores para aglutinantes AR con el
10 8 El mejor funcionamiento de validación es 7684.2161 en época 936
aglutinante de base VG30 en absoluto frecuencia - combinaciones de temperatura que los aglutinantes Tren Validación

producidos con el aglutinante de base VG40. Fundamentalmente, VG40 es más rígida en mejor prueba

10 7
comparación con VG30; por lo tanto, el aglutinante AR con VG40 como el aglutinante de base también

sería más rígida y más viscoso que el aglutinante AR con VG30 como el aglutinante base. Sobre la

base de la η - sol - δ resultados, se infiere que el aglutinante de base desempeña un papel clave en la 10 6
Error cuadrático medio (MSE)

determinación del comportamiento del aglutinante AR hacia diferentes condiciones de prueba o en el

campo.
10 5
Entrenar
Prueba

Las gradaciones CR utilizados en el estudio se agruparon en base a los tamaños 10 4

destacados de la CR disponible. Los nueve gradaciones CR fueron divididos en tres

grupos: (1) gruesos, (2) bien, y (3) bien graduados. Las gradaciones (Tabla 1 ), ADOT-A, y Validación
10 3
Caltrans se agruparon como ordinario; FDOT-A, FDOT-B, TxDOT-A, y TxDOT-C se
agruparon como bien; y ADOT-B, FDOT-C, y TxDOT-B se agruparon gradaciones CR
10 2
como bien graduados. A pesar de que el rendimiento de las carpetas de AR fue similar,
0 100 200 300 400 500 600 700 800 900 1000
se encontró que sol y η fueron más altos para los aglutinantes con gradaciones finas CR (segundo)
1000 Épocas
(V3FA, V3FB, V3TA, V3TC, V4FA, V4FB, V4TA, y V4TC), seguido de los aglutinantes AR
con gradaciones CR bien graduados (V3AB, V3FC, V3TB, V4AB, V4FC, y V4TB) y AR
aglutinantes con gradaciones CR gruesos (V3AA, V3C, y V4AA, V4C). Debido a que el
área superficial de la gradación CR fina es más alta que las de gradaciones bien El mejor funcionamiento de validación es 0,047504 en época 911
graduados y CR gruesa, la absorción del aglomerante asfáltico por CR fue mayor en 10 1
Tren Validación
gradaciones CR finas. Por lo tanto, el hinchamiento de las partículas CR fue más
mejor prueba
prominente en fino CR, lo que lleva a la modificación aglutinante mejorado y mayor
resistencia. Así, sol y η fueron mayores y δ fue menor para aglutinantes AR con gradación
CR fino, lo que indica la resistencia mejorada y la elasticidad de esta carpeta particular.
10 0
Lo más importante, se observó a partir de los resultados de la prueba de oscilación que
Error cuadrático medio (MSE)

las tendencias variaron con respecto a cada gradación CR. Sin embargo, el cambio en
las tendencias de los resultados fue similar para los dos conjuntos de aglutinantes AR
con VG30 y VG40 como aglutinantes de base. Se entiende a partir de los resultados que
gradaciones CR desempeñan un papel vital en el desempeño de aglutinantes hacia Validación
10- 1 Prueba

angustias pavimento.

Entrenar

10- 2

Basándose en los resultados de las pruebas de oscilación, se infiere que el rendimiento de 0 100 200 300 400 500 600 700 800 900 1000

un agente aceptor de AR es dependiente de las gradaciones CR, propiedades aglutinantes de (do) 1000 Épocas

base, y condiciones de ensayo altamente. En la siguiente sección, ANN modelado de los

Fig. 4. MSE frente trama Epoch para (a) η; ( segundo) G = pecado δ; ( c) tan δ ( nota: círculo en cada
indicadores de rendimiento de aglutinante con estos parámetros de aglutinante AR como
parcela representa el mejor ajuste para los pesos y sesgos para cada parámetro)
entradas se describe en detalle.

© ASCE 04017050-5 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 RNAs De la Fig. 2 , Se puede concluir que el algoritmo de entrenamiento SCG
ANN es el mejor adaptado para los datos del estudio. Además, históricamente, se sabe que el
Como se discutió en la sección de “ Análisis de los datos, ” diferentes arquitecturas (incluyendo
algoritmo de entrenamiento SCG se emplea comúnmente en problemas de modelado con
diferentes capas intermedias, número de neuronas, los algoritmos de aprendizaje, funciones de
grandes conjuntos de datos. Después de identificar el mejor algoritmo de entrenamiento, el
transferencia, etc.) se consideraron y se calcularon las cantidades de error de las diferentes
número de capas ocultas y número de neuronas presentes en cada capa oculta se
arquitecturas. Sobre la base de la influencia de los diferentes parámetros sobre el rendimiento
optimizaron por ensayo y error. Basado en el método de ensayo y error, la arquitectura óptima
aglutinante AR como se discutió en la sección de “ Prueba de oscilación resultados, ” un total de ocho
de 8-7-3-1 fue elegido con el algoritmo de entrenamiento SCG, como se muestra en la Fig. 3 .
variables de entrada fueron considerados, que incluye: (a) los parámetros de prueba: Temperatura [ T] y
Higos. 4 (a - do) , Respectivamente, presentar las relaciones entre
la frecuencia ½ f; ( b) gradación CR:% retenido CR en 1,18 mm tamiz

½ R 1.18 ,% retenido CR en 600- μ m tamiz ½ R 600 ,% retenido CR en 300- μ m tamiz [ R 300],% retenido
significar errores cuadrados (MYPE) con el número de épocas de η,
CR en 150- μ m tamiz ½ R 150 , y% retenido CR en 75- μ m tamiz [ R 75]; y (c) aglutinante de
G = pecado δ, y fuego δ. Se puede observar que en las tres relaciones, el valor MSE
base: viscosidad
disminuye con un aumento en el número de épocas. Higos. 4 (a - do) también muestran
½ η segundo . Se necesitaban Estos ocho variables para predecir las tres variables de salida, la viscosidad
procedimientos de reducción simultánea de la magnitud de MSE en cada parte del
aglutinante AR η, parámetro de celo SHRP G = pecado δ,
entrenamiento, validación y prueba, respectivamente, para las tres salidas η, G = pecado δ, y
y parámetro de energía de disipación de bronceado δ. Un total de 2.268 puntos de datos (126 puntos de
fuego δ. Este procedimiento de reducción para cada cantidad en el entrenamiento, validación
datos por aglutinante) se utilizaron para el modelado ANN. y piezas de prueba indica que la operación de formación se ha realizado correctamente y no
En primer lugar, un algoritmo de aprendizaje de propagación hacia atrás se realizó en un se observó sobreajuste.
feed-forward, red neural de capa oculta individual con 10 neuronas que utilizan varios algoritmos
de entrenamiento para determinar el mejor algoritmo de entrenamiento para el estudio. los tansig función Higos. 5 - 7 mostrar las relaciones entre los valores de salida y experimentales para
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

se utilizó tanto para las capas ocultas y de salida. Todos los algoritmos de formación
mencionados en el apartado “ Análisis de los datos ” se utilizaron para obtener la mejor red
neuronal. La bondad estadística de las medidas de ajuste R 2 para las tres salidas de la ANN con
13 diferentes algoritmos de entrenamiento se muestran en la Fig. 2 . Se puede observar que la
LM, RP, algoritmos de entrenamiento SCG, CGF, y CGP proporciona mayor R los valores que los
otros, con
ANNpredicted η, G = pecado δ, y fuego δ, respectivamente. Las parcelas incluyen gráficos de
observados frente a los valores de salida previstos en los conjuntos de entrenamiento, validación,
prueba, y los datos totales. La bondad estadística de las medidas de ajuste R para el conjunto de
datos totales fueron de 0,994, 0,997, y 0,977 para η, G = pecado δ, y fuego δ, respectivamente. R valores
representan una muy buena correlación entre los valores de salida observadas y predichas-ANN,
con muy bajo sesgo y precisión muy alta.

R ≥ 0.90. De los cinco algoritmos de entrenamiento, la red neuronal con SCG proporciona el Mesas 4 - 6 mostrar los pesos y sesgos, respectivamente, para η,
más alto R de 0,96, indicativo de la más alta precisión. G = pecado δ, y fuego δ. Una vez que los valores de las variables de entrada son ocho

R = 0,99441 validación: R = 0,99301

8000
9000 Datos
Datos

8000 Fit Y = T 7000 Fit Y = T

7000 6000
Salida ~ = 0.99 * Target + 8,9
Salida ~ = 0.99 * Target + 6,1

6000
5000

5000
4000
4000
3000
3000
2000
2000

1000 1000

2000 4000 6000 8000 2000 4000 6000 8000

Formación Objetivo: Objetivo de

prueba: R = 0,9926 todos: R = 0,994

8000 9000
Datos Datos

7000 Fit Y = T 8000 Fit Y = T

6000 7000
Salida ~ = 0.99 * Target + 6,8
Salida ~ = 1 * Target + 6,9

6000
5000

5000
4000
4000
3000
3000
2000
2000

1000 1000

2000 4000 6000 8000 2000 4000 6000 8000

El blanco de Dirigirse a

Fig. 5. Observado frente de parcela previsto para η

© ASCE 04017050-6 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 Objetivo: R = 0,9969 x 10 4 validación: R = 0,99748

Datos Datos

Fit Y = T 10 Fit Y = T

Salida ~ = 0,98 * Target + 2.1e + 02

Salida ~ = 0.99 * Target + 1.4e + 02

8

4
12 14 x 10 4

2
2 4 6 8 10

2 4 6 8 10 12 14 2 4 6 8 10
Formación x 10 4 Objetivo de x 10 4

R = 0,99764 = 0,99701
x 10 4

Datos Datos

10 Fit Y = T Fit Y = T
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

Salida ~ = 0,98 * Target + 1.7e + 02

Output ~ = 1 * Target + 2,7

4
12 14 x 10 4

2
2 4 6 8 10

2 4 6 8 10 2 4 6 8 10 12 14
El blanco de prueba: Target Todos: R
x 10 4 x 10 4

Fig. 6. Observado frente de parcela previsto para G = pecado δ

conocido, los pesos y sesgos de la ANN para cada capa oculta y neurona el estudio hizo uso de resultados de la prueba de oscilación sólo a temperaturas más
ayudarán en la predicción de una salida particular. En el mejor de la arquitectura altas para evaluar el potencial de celo de los aglutinantes, el concepto podría ser bien
de la red, que calcula las magnitudes de extendido en el futuro para la evaluación de baja temperatura de craqueo térmico y la
η, G = pecado δ, y fuego δ, la matriz de peso y el sesgo de la primera capa oculta eran 7 por fatiga a otra temperatura - combinaciones de frecuencias de una manera similar. En
8 y 7 por 1, respectivamente. La matriz de pesos y el sesgo de la segunda capa oculta general, se encontraron gradaciones CR ser uno de los parámetros clave en la definición
eran 3 por 7 y 3 por 1, respectivamente. Por último, la matriz de ponderación y el sesgo de las características de rendimiento de aglutinantes Ar; y
de capa de salida eran 1 por 3 y 1 por 1, que calcula la variable (s) de salida. En general,
se llegó a la conclusión de que los RNAs CR gradación y el tamaño influyen • ANN modelado: Oscilación parámetros de prueba, es decir, η, G = pecado δ,
sustancialmente en las características de rendimiento en celo de los ligantes AR. y fuego δ, fueron modelados utilizando los principios de ANN para investigar las
contribuciones de gradaciones CR, propiedades aglutinantes de base, y condiciones de
ensayo en la mejora de la actuación global de aglutinantes AR. El modelo de bondad de
ajuste de parámetros R se indica la precisión del modelo de ANN en la predicción de los
parámetros de salida. Por lo tanto, ANNmodeling demostró que es un enfoque
Importancia de Investigación prometedor para evaluar las propiedades en celo de diferentes aglutinantes AR asfalto
usando propiedades de prueba fundamentales y parámetros de material.
Una contribución importante de este estudio fue para conceptualizar, desarrollar, y utilizar el
algoritmo de ANN para derivar pesos matemáticos y prejuicios de los parámetros de entrada y
estudiar el efecto de gradaciones de CR en el aglutinante AR celo características de
rendimiento, incluyendo las propiedades viscoelásticas y el indicador de disipación de energía
. Además, la influencia de gradaciones de RC en la mejora de la resistencia a la formación de conclusiones
surcos se evaluó con ayuda de la ANN. Los resultados de este estudio establecen una
plataforma sólida para el avance del estado de la técnica y el conocimiento como se describe El objetivo de esta investigación fue la investigación de conceptualizar, desarrollar y utilizar un
posteriormente: algoritmo basado en ANN para predecir las propiedades reológicas de los aglutinantes AR con
diferentes gradaciones de CR con respecto a sus características de celo. Se utilizaron un total
• Efecto de la gradación CR: Las magnitudes de η, G = pecado δ, y fuego δ para diversos de 18 aglutinantes AR laboratoryprepared con dos aglutinantes de base y nueve gradaciones
aglutinantes AR con diferentes gradaciones de CR en diferente temperatura - combinaciones CR que abarca más de 2200 puntos de datos. pruebas de oscilación Temperaturefrequency
de frecuencias indican cómo un ligante ' s respuestas viscoelásticas variaron de los otros. se llevaron a cabo en los 18 AR aglutinantes. Principios de la ANN fueron utilizados para
Aparte de las propiedades aglutinantes base, se encontró que gradaciones y tamaño CR predecir los valores de tres parámetros de rendimiento aglutinante AR: η, G = pecado δ, y fuego δ.
afectadas significativamente las propiedades aglutinantes AR. Aunque ocho de entrada

© ASCE 04017050-7 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 R = 0,97942 validación: R = 0,97409

Datos Datos

Fit Y = T Fit Y = T
4.5 5 4.5 5

Salida ~ = 0,96 * 0,15 + Target

Salida ~ = 0,96 * 0,12 + Target
3.5 4 3.5 4

2,5 3 2,5 3

2 2

2 3 4 5 2 3 4 5
Formación Objetivo: Objetivo de

prueba: R = 0,97348 = 0,97759

Datos Datos

Fit Y = T Fit Y = T
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

4.5 5 4.5 5
Output ~ = 0,98 * Target + 0,045

Salida ~ = 0,96 * 0,11 + Target

3.5 4 3.5 4

2,5 3 2,5 3

2 2

2 3 4 5 2 3 4 5
El blanco de Target Todos: R

Fig. 7. Observado frente trama predicha para bronceado δ

Tabla 4. Los pesos y sesgos de la ANN para η

Peso Parcialidad

Capa w ij 1 2 3 4 5 6 7 8 segundo j

capa oculta 1 1 0.1598 - 0.7044 0,0225 0.3393 0.3150 - 0.1495 - 0.8346 0.1448 - 1.1931
2 0.9658 - 0,0574 1.7785 1.6705 1.5209 - 2.1081 1.7027 - 0.6621 - 2.2747
3 - 0.1857 - 0.3408 - 0,0953 0,0241 - 0,2343 - 0.0959 2.0237 - 0.1488 1.1688
4 1.0042 0.6607 - 1.1986 1.2325 0.9731 - 1.5285 - 2.1956 0.2976 0,9958
5 - 0.6091 - 0,0267 - 0.5690 - 2.3728 - 0.6977 0.7015 - 2.2076 - 0.4746 0.9640
6 - 0.2876 0,0561 0,0239 - 0.1703 - 0.3076 0,0248 0.1215 0.6849 1.7812
7 1.0848 - 1.2493 - 0.6912 - 1.5890 - 0.1533 1.4643 1.5019 0.5591 1.4758
capa oculta 2 1 - 0.6906 - 0.5203 0.1357 0.4333 2.7710 3.3351 - 1.1014 - 2.8832
2 - 1.0630 1.7025 1.8007 0.7775 2.4566 - 3.0937 0,0399 - 0.5662
3 4.3827 0.7634 1.3850 - 2.5447 - 1.2013 1.4708 0.8257 - 0.4555
capa de salida 1 - 1.3315 - 4.9459 4.4823 - - - - - 0.5880

parámetros que constituyen la temperatura de prueba y la frecuencia, cinco CR mejora de los materiales ' formación de surcos de resistencia. Las magnitudes de los pesos y
componentes de gradación [( R 1.18), ( R 600), ( R 300), ( R 150), y ( R 75)], sesgos proporcionados en este estudio para los parámetros de entrada de material ocho elegido
y la viscosidad de aglutinante de base se emplearon para desarrollar el modelo ANN. aglutinantes AR podrían ser bien utilizados en la predicción de los parámetros de rendimiento de
material de tres aglutinantes η, G = pecado δ, y fuego δ. Sin embargo, los pesos y sesgos
Un aprendizaje de retropropagación algorithmwith SCG como el algoritmo de entrenamiento en proporcionadas en esta investigación se pueden emplear sólo si uno está interesado en el uso de
una alimentación hacia adelante, la red neural de dos capas ocultas con siete y tres neuronas, esos parámetros de entrada para predecir el tipo AR de aglutinantes y sus características en celo
respectivamente, fue elegido como el mejor arquitectura ANN. La bondad estadística de las medidas asociados. No obstante, se prevé que el algoritmo desarrollado en esta investigación pertinente
de ajuste R para el conjunto de datos totales fueron de 0,994, 0,997, y 0,977 para η, G = pecado δ, y hacer ligantes asfálticos ' caracterización reológica avanzada sería promover el estado de la
fuego δ, técnica en el diseño de los asfaltos modificados con caucho RUT-resistente.
respectivamente. modelado ANN conceptualizado como parte del estudio indicó que las
inclusiones de goma en ligantes asfálticos ayudarían en el

© ASCE 04017050-8 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 Tabla 5. Los pesos y sesgos de la ANN para G = pecado δ

Peso Parcialidad

Capa w ij 1 2 3 4 5 6 7 8 segundo j

capa oculta 1 1 - 0.6289 - 0,0581 - 0.8079 0.9540 0.4929 - 0.2661 - 1.2562 - 0.7735 - 1.2741
2 - 0.2624 0.5727 - 0.2082 0.4600 0.4868 - 0,1780 - 0.1203 - 0.3056 0.4788
3 - 0.2779 - 0.3439 0.3636 - 0.2878 - 0,1028 0.4164 - 0.0668 1.2311 2.0336
4 - 1.2804 0.2322 - 0.3843 0,0056 - 0.2761 - 0.3239 - 0,0972 - 0.7067 - 2.6941
5 0.5728 - 0.1436 - 0.5487 0.2922 - 0,0388 - 0.3312 - 0.2721 - 0,0534 0.4061
6 0.4284 0.3337 - 0.5873 0.4819 0.1908 - 0.6046 0.0761 0.1977 - 0.9858
7 0.5273 1.9028 - 0.2960 0.1508 - 0,0276 - 0.1005 - 0.2224 0,0135 2.4463
capa oculta 2 1 - 0.6611 0.5006 0.5641 0.8365 0.7886 - 0.4452 0.5135 - 1.7020
2 - 0.2577 - 0,2780 - 0.8754 1.1487 1.2246 - 1.4528 - 0.2806 - 1.5904
3 0.2882 - 0.8730 - 1.8134 - 0.1030 2.2023 - 0.8820 - 2.1680 - - 0.1059
capa de salida 1 - 0.8561 - 4.1274 - 3.0712 - - - - - 0.4191

Tabla 6. Los pesos y sesgos de la ANN para bronceado δ

Peso Parcialidad

Capa w ij 1 2 3 4 5 6 7 8 segundo j
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.

capa oculta 1 1 - 0.4513 0.2400 - 0,0615 0.2547 0,0663 - 0.4524 - 0.1051 0.6725 0.2739
2 1.0526 - 1.3884 1.3176 0.7309 1.6498 - 3.2086 0.7293 - 1.1671 - 1.1299
3 - 0.5939 0.3575 - 0.4657 0,0618 - 0.2630 - 0.6441 2.8706 - 2.0990 - 0.1570
4 0.5464 - 0.2811 - 0.8310 0.4943 1.0977 - 1.3908 - 1.1618 0.3513 0.4647
5 - 0.4848 0.3566 - 0.4432 - 2.1480 - 0.5700 0.5476 - 2.3653 - 0,9175 0.8482
6 0.4303 1.6818 0,0622 - 0,0747 0,0023 0.0820 0.2205 - 0.5822 2.1123
7 1.5145 - 0.5454 - 0.8534 - 1.7017 0,1278 0.6215 1.4270 0.8639 0.9804
capa oculta 2 1 - 0.6900 - 0.5221 0,0483 0.4481 2.7896 3.3278 - 1.1538 - 2.8931
2 - 2.6908 1.8297 2.3817 0.6968 2.4592 - 3.5189 - 0.3733 - 0,3500
3 2.7049 1.3416 - 0.4574 - 2.1095 0,0763 1.9817 0.4302 - 0.9983
capa de salida 1 - 1.5152 - 4.8361 4.9205 - - - - - 0.4773

A pesar de que este estudio investigó la resistencia de celo de los aglutinantes de asfalto Celauro, B., Celauro, C., Presti, DL, y Bevilacqua, A. (2012).
modificado con diferentes gradaciones de CR, se considera importante entender la fatiga y de “ Definición de un protocolo de laboratorio para la optimización de betún camino mejorado con caucho de

baja temperatura térmica resistencia a la fisuración de los asfaltos debido a la modificación neumático reciclado. ” Constr. Construir. Mater., 37, 562 - 572 .

Gershenson, C. (2003). “ Las redes neuronales artificiales para los principiantes. ” cognición
CR. Debido a que este estudio se estableció que un modificador tal como CR juega un papel
tiva y ciencias de computación, Univ. de Sussex, Brighton, UK Golzar, K., Jalali-Arani,
vital en contribuir a un mejor rendimiento aglutinante AR, se necesita más investigación para
A., y Nematollahi, M. (2012). “ investi- estadística
caracterizar los otros modificadores tales como polímeros, fibras, etc. usando el enfoque
tigación sobre las propiedades físico-mecánicas de base y betún modificado con polímeros
sólido desarrollado en este estudio: ANN .
usando la red neural artificial. ” Constr. Construir. Mater.,
37, 822 - 831 .
Hajikarimi, P., Rahi, M., y Moghadas Nejad, F. (2015). “ comparando
diferentes parámetros de especificación de la formación de surcos utilizando características de alta
Expresiones de gratitud
temperatura de aglutinantes de asfalto modificados con caucho. ” Camino Mater. Pavimento Des., 16 (4), 751 - 766

.
Los autores agradecen al Gobierno del Departamento de Ciencia y Tecnología de la India
Huang, Carolina del Sur (2006). “ características reológicas de la miga de goma
por su apoyo financiero vide Ciencia y Consejo de Investigación de Ingeniería (SERB) el
asfaltos modificados con envejecimiento a largo plazo. ” Camino Mater. Pavimento Des.,
número de concesión proyecto de investigación DST Nº SERB / ​F / 2670 / 2014-15 fecha
7 (sup1), 37 - 56 .
17 de julio de 2014.
Huang, Carolina del Sur, y Pauli, AT (2008). “ efecto del tamaño de partículas de polvo de neumático

sobre la reología y la morfología de los aglutinantes de asfalto con el envejecimiento a largo plazo. ”

Camino Mater. Pavimento Des., 9 (1), 73 - 95 .

referencias
Jeong, KD, Lee, SJ, Amirkhanian, SN, y Kim, KW (2010).
“ efectos de interacción de goma miga aglutinantes de asfalto modificado. ” Constr. Construir. Mater., 24
Abdelrahman, M., y Carpenter, S. (1999). “ Mecanismo de interacción de
(5), 824 - 831 .
cemento asfáltico con modificador de caucho de la miga. ” J. Transp. Res. Tablero,
Kebria, DY, Moafimadani, SR y Goli, Y. (2015). “ Laboratorio
1661, 106 - 113 .
investigación del efecto de polvo de neumático en las características y comportamiento reológico
Airey, G., Rahman, M., y Collop, CA (2004). “ caucho de la miga y bitu-
interacción hombres como una función de la fuente de crudo y de la viscosidad del betún. ”
de aglutinante de asfalto. ” Camino Mater. Pavimento Des.,

Camino Mater. Pavimento Des., 5 (4), 453 - 475 . 16 (4), 1 - 11.

ASTM. (2009). “ De serie para aglutinante de asfalto-caucho. ” ASTM
D6114-09, West Conshohocken, Pensilvania. Bahía, HU, y Davies, R. (1994). “ Efecto de
modificadores de caucho en virutas
(CRM) en el rendimiento de propiedades relacionadas de ligantes asfálticos (con discusión). ” J.
Assoc. Pavimentación de asfalto Technol., 63, 414 - 438.
Biligiri, KP, y Way, GB (2013). “ Comparación de laboratorio y de campo
envejecimiento propiedades de los ligantes de asfalto. ” J. Adv. Civ. Ing. Mater., Am. Soc. Prueba. Mater. En
t., 2 (1), 288 - 306.
Kok, BV, Yilmaz, M., Sengoz, B., Sengur, A., y Avci, E. (2010).
“ Investigación de módulo complejo de base y SBS betún modificado con redes
neuronales artificiales. ” Syst experto. Appl., 37 (12), 7775 - 7780 .
Lee, SJ, Akisetty, CK, y Amirkhanian, SN (2008). “ El efecto
de modificador de caucho de la miga (CRM) en las propiedades de rendimiento de aglutinantes de
goma en pavimentos HMA. ” Constr. Construir. Mater., 22 (7), 1368 - 1376 .

© ASCE 04017050-9 J. Mater. Civ. Ing.

J. Mater. Civ. Eng., -1--1

 Leite, LFM, Constantino, RS, y Vivoni, A. (2001). “ reológico
estudios de asfalto con caucho de neumáticos triturado. ” Camino Mater. Pavimento Des., 2 (2), 125 - 139
. redes neuronales. ” Mater. Res., 10 (1), 69 - 74 .
MATLAB [ Software de ordenador]. MathWorks, Natick, MA. Mull, MA, Stuart, K., y Yehia, A.
(2002). “ carac- Resistencia a la fractura
acterization de pavimento glomérulos de caucho de asfalto modificado químicamente. ”
J. Mater. Sci., 37 (3), 557 - 566 .
Natu, GS, y Tayebali, AA (2000). “ comportamiento viscoelástico de miga
modificada con caucho aglutinantes de asfalto. ” Camino Mater. Pavimento Des., 1 (1 - 2), 119 - 129 .
Neto, SAD, Farías, MM, País, JC, Pereira, PA, y Sousa, JB
(2006). “ Influencia de polvo de neumático y el tiempo de digestión de los aglutinantes de goma de
asfalto. ” Camino Mater. Pavimento Des., 7 (2), 131 - 148 .
Ozgan, E. (2011). “ Neuronal artificial modelado basado en la red de la
la estabilidad Marshall de hormigón asfáltico. ” Syst experto. Appl., 38 (5), 6025 - 6030 .
Presti, DL, y Airey, G. (2013). “ Tire betunes modificados con caucho desa-
rrollo: el efecto de variar las condiciones de procesamiento. ” Camino Mater. Pavimento Des., 14
(4), 888 - 900 .
Sebaaly, PE, Gopal, VT, y Epps, JA (2003). “ prop- baja temperatura
propie- de aglutinantes modificados con caucho de la miga. ” Camino Mater. Pavimento Des.,
4 (1), 29 - 49 .
Descargado de ascelibrary.org por la Universidad de Newcastle en 03/29/17. ASCE derechos de autor. Sólo para uso personal; todos los derechos reservados.
Shatnawi, KM, Thodesen, CC y Amirkhanian, SN (2008).
“ Efectos de la variabilidad del polvo de neumático en temperatura de fallo de aglutinantes modificados
con caucho de la miga. ” Camino Mater. Pavimento Des., 9 (2), 291 - 309 .
SP-1. (1997). “ Rendimiento aglutinante de asfalto graduada especificación y
pruebas. ” Instituto del Asfalto, Lexington, KY.
© ASCE 04017050-10
J. Mater. Civ. Eng., -1--1
Specht, LP, Khatchatourian, O., Brito, LAT, y Ceratti, JAP
(2007). “ Modelado de la viscosidad rotacional de asfalto-caucho por análisis estadístico y
Subhy, A., Presti, DL, y Airey, G. (2015). “ asfalto cauchutado
de fabricación asistido por mediciones reológicas. ” Camino Mater. Pavimento Des., 17
(2), 1 - 21.
Tasdemir, Y. (2009). “ Las redes neuronales artificiales para la predicción de baja tem-
Ature actuaciones de mezclas asfálticas modificadas. ” Indian J. Eng. Mater. Sci., 16 (4), 237 - 244.
Thodesen, CC, Amirkhanian, SN, y puentes, W. (2008). “ Desarrollar-
ment de un modelo empírico para predecir propiedades viscosas de aglutinante modificado con
caucho de la miga. ” Camino Mater. Pavimento Des., 9 (4), 731 - 743 .
Venudharan, V., y Biligiri, KP (2016). “ Conceptualización de la permanente
características de deformación de modificados con caucho ligantes asfálticos: algoritmo
Energybased y modelado reológicas. ” Constr. Construir. Mater., 126, 388 - 397 .
Así, GB, Kaloush, KE, y Biligiri, KP (2012). “ Asfalto-caucho
Guía práctica estándar. ” Pavimentos de caucho Asociación, Tempe, AZ. Xiang, L., Cheng,
J., andQue, G. (2009). “ Microestructura y el rendimiento de
rubbermodifiedasphalt miga. ” Constr.Build.Mater., 23 (12), 3586 - 3590 .
Xiao, F., Amirkhanian, S., y Juang, CH (2009). “ Predicción de la fatiga
vida de mezclas de hormigón asfáltico cauchutada que contiene pavimento de asfalto recuperada
usando redes neuronales artificiales. ” J. Mater. Civ. Eng.,
10.1061 / (ASCE) 0899-1561 (2009) 21: 6 (253), 253 - 261.
Xiao, F., y Amirkhanian, SN (2009). “ Red neuronal artificial
enfoque para estimar el comportamiento de rigidez del hormigón asfáltico cauchutada que
contiene pavimento de asfalto regenerado. ” J. Transp. Eng., 10.1061
/(ASCE)TE.1943-5436.0000014, 580 - 589.
J. Mater. Civ. Ing.