Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Palabras clave Autor: Red neuronal artificial; ligante de asfalto; Polvo de neumático; G = pecado δ; Escalado de gradiente conjugado.
Introducción 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.
aglutinante de asfalto (betún) es un material viscoelástico complejo que se utiliza
comúnmente en la construcción de pavimentos flexibles. Morfológicamente, el asfalto es un En el pasado, varios investigadores han estudiado diversos aspectos de
sistema coloidal compuesto por micelas de asfalteno con componentes de alto y bajo peso aglutinantes CRM y AR ' características de rendimiento, incluyendo (1) el
molecular, tales como resinas, ácidos grasos saturados, y aromáticos. Debido a su rendimiento estructural ( Bahía y Davies 1994 ; Leite et al. 2001 ; Mull et al. 2002 ; Lee
naturaleza viscoelástica, el aglutinante de asfalto se comporta de manera diferente bajo et al. 2008 ; Shatnawi et al. 2008 ; Xiang et al. 2009 ; Hajikarimi et al. 2015 ; Kebria et
diferentes cargas de tráfico y las condiciones ambientales. Por lo tanto, los análisis y diseño al. 2015 ), (2) respuesta viscoelástica mecánico dinámico ( Natu y Tayebali 2000 ;
de estos materiales requieren comprensión global de los materiales '
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.
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
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
• 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
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
(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
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.
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
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.
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
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
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)
campo.
10 5
Entrenar
Prueba
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
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 ANNpredicted η, G = pecado δ, y fuego δ, respectivamente. Las parcelas incluyen gráficos de
mencionados en el apartado “ Análisis de los datos ” se utilizaron para obtener la mejor red observados frente a los valores de salida previstos en los conjuntos de entrenamiento, validación,
neuronal. La bondad estadística de las medidas de ajuste R 2 para las tres salidas de la ANN con prueba, y los datos totales. La bondad estadística de las medidas de ajuste R para el conjunto de
13 diferentes algoritmos de entrenamiento se muestran en la Fig. 2 . Se puede observar que la datos totales fueron de 0,994, 0,997, y 0,977 para η, G = pecado δ, y fuego δ, respectivamente. R valores
LM, RP, algoritmos de entrenamiento SCG, CGF, y CGP proporciona mayor R los valores que los representan una muy buena correlación entre los valores de salida observadas y predichas-ANN,
otros, con 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
8000
9000 Datos
Datos
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
8000 9000
Datos Datos
6000 7000
Salida ~ = 0.99 * Target + 6,8
Salida ~ = 1 * Target + 6,9
6000
5000
5000
4000
4000
3000
3000
2000
2000
1000 1000
El blanco de Dirigirse a
Datos Datos
Fit Y = T 10 Fit Y = T
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.
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
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
Datos Datos
Fit Y = T Fit Y = T
4.5 5 4.5 5
2,5 3 2,5 3
2 2
2 3 4 5 2 3 4 5
Formación Objetivo: Objetivo de
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
2,5 3 2,5 3
2 2
2 3 4 5 2 3 4 5
El blanco de Target Todos: R
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
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
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. ”
ASTM. (2009). “ De serie para aglutinante de asfalto-caucho. ” ASTM Kok, BV, Yilmaz, M., Sengoz, B., Sengur, A., y Avci, E. (2010).
D6114-09, West Conshohocken, Pensilvania. Bahía, HU, y Davies, R. (1994). “ Efecto de “ Investigación de módulo complejo de base y SBS betún modificado con redes
modificadores de caucho en virutas neuronales artificiales. ” Syst experto. Appl., 37 (12), 7775 - 7780 .
(CRM) en el rendimiento de propiedades relacionadas de ligantes asfálticos (con discusión). ” J.
Assoc. Pavimentación de asfalto Technol., 63, 414 - 438. Lee, SJ, Akisetty, CK, y Amirkhanian, SN (2008). “ El efecto
Biligiri, KP, y Way, GB (2013). “ Comparación de laboratorio y de campo de modificador de caucho de la miga (CRM) en las propiedades de rendimiento de aglutinantes de
envejecimiento propiedades de los ligantes de asfalto. ” J. Adv. Civ. Ing. Mater., Am. Soc. Prueba. Mater. En goma en pavimentos HMA. ” Constr. Construir. Mater., 22 (7), 1368 - 1376 .
t., 2 (1), 288 - 306.
Presti, DL, y Airey, G. (2013). “ Tire betunes modificados con caucho desa- Así, GB, Kaloush, KE, y Biligiri, KP (2012). “ Asfalto-caucho
rrollo: el efecto de variar las condiciones de procesamiento. ” Camino Mater. Pavimento Des., 14 Guía práctica estándar. ” Pavimentos de caucho Asociación, Tempe, AZ. Xiang, L., Cheng,
(4), 888 - 900 . J., andQue, G. (2009). “ Microestructura y el rendimiento de
Sebaaly, PE, Gopal, VT, y Epps, JA (2003). “ prop- baja temperatura rubbermodifiedasphalt miga. ” Constr.Build.Mater., 23 (12), 3586 - 3590 .
propie- de aglutinantes modificados con caucho de la miga. ” Camino Mater. Pavimento Des., Xiao, F., Amirkhanian, S., y Juang, CH (2009). “ Predicción de la fatiga
4 (1), 29 - 49 . vida de mezclas de hormigón asfáltico cauchutada que contiene pavimento de asfalto recuperada
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). usando redes neuronales artificiales. ” J. Mater. Civ. Eng.,
“ Efectos de la variabilidad del polvo de neumático en temperatura de fallo de aglutinantes modificados 10.1061 / (ASCE) 0899-1561 (2009) 21: 6 (253), 253 - 261.
con caucho de la miga. ” Camino Mater. Pavimento Des., 9 (2), 291 - 309 . Xiao, F., y Amirkhanian, SN (2009). “ Red neuronal artificial
enfoque para estimar el comportamiento de rigidez del hormigón asfáltico cauchutada que
SP-1. (1997). “ Rendimiento aglutinante de asfalto graduada especificación y contiene pavimento de asfalto regenerado. ” J. Transp. Eng., 10.1061
pruebas. ” Instituto del Asfalto, Lexington, KY. /(ASCE)TE.1943-5436.0000014, 580 - 589.