APLICACIÓN DE TÉCNICAS DE MACHINE LEARNING PARA LA PREDICCIÓN

DE PROPIEDADES REOLÓGICAS PARA ASFALTOS MODIFICADOS

OSCAR J. REYES-ORTIZ 1, ALLEX E. ALVAREZ 2, JUAN S. USECHE-CASTELBLANCO 3

1
Universidad Militar Nueva Granada, Bogotá, Colombia, oscar.reyes@unimilitar.edu.co.
2
Universidad Industrial de Santander, Bucaramanga, Colombia, allex.alvarez@uis.edu.co.
3
Universidad Militar Nueva Granada, Bogotá, Colombia, est.juan.useche@unimilitar.edu.co.

Resumen

Las técnicas de inteligencia artificial, dentro de las cuales se destacan los algoritmos de machine
learning, han contribuido en el avance de la ingeniería al generar modelos de predicción capaces de
parametrizar el comportamiento de diferentes procesos. Es así como este estudio busca establecer la
funcionalidad y aplicabilidad de tres modelos de machine learning, entre los que se encuentran
K vecinos más cercanos, árboles de decisión y sistemas de empaquetado, en la predicción de tres
variables reológicas (viscosidad, módulo complejo, y ángulo de fase) para dos asfaltos modificados.
Dentro de los asfaltos de estudio se encuentra un asfalto con grano de caucho y otro convencional con
penetración 60/70, cada uno con diferentes contenidos de cera de Carnauba (0, 3, 5, y 10%) para su
modificación por peso. La caracterización reológica de los asfaltos se llevó a cabo empleando un
reómetro de corte dinámico, con ejecución de ensayos bajo deformación controlada, dentro de un
rango de temperaturas de 10 a 180 °C y frecuencias de 0.1 a 10 Hz. Los resultados sugieren que los
tres modelos tienen coeficientes de determinación promedio mayores a 0.986 y errores relativos
menores al 4% para predecir las variables reológicas dentro de los rangos de temperatura y frecuencia
evaluados. Estos resultados sustentan la factibilidad de implementar este tipo de modelos para la
predicción múltiple de variables reológicas de diferentes ligantes asfálticos, considerando que se
utiliza un solo modelo entrenado para predecir cuatro variables reológicas simultáneamente. A partir
de desarrollos futuros podría ser viable la aplicación de estos modelos para estimar eficientemente
otras propiedades de los ligantes asfálticos en aplicaciones de pavimentación.

Palabras Clave: Machine Learning, Propiedades Reológicas, Asfalto Modificado, Pavimentos.

1. Introducción

En la última década se han incrementado las modificaciones en diferentes tipos de ligantes

asfálticos utilizando elementos como caucho, resinas, aceites, y plásticos [1]. Esto se realiza con el
objetivo de incluir materiales reciclados y reducir temperaturas de mezclado o compactación
reduciendo la huella de carbono relacionada con estos procesos [2]; adicionalmente, se utilizan estos
materiales para mejorar ciertas propiedades físicas y mecánicas de los ligantes asfálticos (resistencia a
la deformación plástica, resistencia a la fatiga, y estabilidad térmica, entre otros) [3], [4]. Para evaluar
el desempeño de este tipo de materiales se destaca el análisis reológico mediante un reómetro de corte
dinámico. Este ensayo permite cuantificar diferentes variables (viscosidad, módulo dinámico, ángulo
de fase, etc.) con las que se cuenta con una caracterización amplia de los ligantes asfálticos para
predecir su comportamiento bajo diferentes condiciones ambientales y de servicio (temperatura,
frecuencia, y deformación) [4], [5].

Por otra parte, actualmente las técnicas de inteligencia artificial permiten desarrollar modelos de
predicción eficientes y precisos [6]. Dentro del campo de la inteligencia artificial, existe un conjunto
de técnicas agrupadas dentro del término Machine Learning. Estas técnicas permiten desarrollar
sistemas de clasificación y regresión con la implementación de algoritmos simples basados en la
medición de distancias o condiciones lógicas[7]. Los algoritmos de Machine Learning más utilizados
para la regresión y clasificación de variables son sistemas en donde se destacan los vecinos más
cercanos, arboles de decisión, funciones de densidad o sistemas bio-inspirados en diferentes grupos de
animales o biología humana [8]. Además, para mejorar el rendimiento de estas técnicas,
posteriormente se crearon los sistemas modernos que permiten integrar varios sistemas con el objetivo
de concentrar varias técnicas de Machine Learning dentro de un solo modelo [9].

En esta área de estudio se han desarrollado diferentes trabajos, donde se entrenan algoritmos de
Machine Learning para generar modelos que puedan describir la respuesta de comportamiento de un
ligante asfáltico dentro de un espectro de temperaturas y frecuencias para algunas variables reológicas.
Dentro de esta área se encuentran los trabajos desarrollados por Han et al. [10] en los que por medio
de redes neuronales se realizó la predicción del módulo viscoso para un asfalto virgen, obteniendo un
error cuadrado medio bajo con una estructura de solo 10 neuronas. Weigel et al. [11] presentaron un
modelo para la predicción de cuatro variables reológicas para cuatro asfaltos por medio del modelo de
árboles de decisión para cinco temperaturas entre 10 y 90°C. Ibrahim et al. [12] implementaron redes
neuronales para la predicción del módulo complejo de un asfalto modificado con diferentes contenidos
de polímero y reportaron un coeficiente de correlación (R 2) de 0.99 en la predicción de esta propiedad
a una temperatura de 185°C.

El objetivo de este trabajo es realizar una validación preliminar del desempeño de tres modelos
diferentes de Machine Learning propuestos como multi-predictores del comportamiento reológico de
asfaltos. Específicamente, se emplean los modelos: K vecinos más cercanos (modelo KNN), árboles
de decisión (modelo TREE), y algoritmo de empaquetado (modelo BAG). Cada modelo está entrenado
para predecir la respuesta reológica de los dos ligantes de estudio (asfalto de penetración 60/70 y
asfalto caucho) y sus modificaciones con cera de Carnauba. Las variables reológicas de viscosidad,
módulo complejo, y ángulo de fase son la salida de cada modelo de predicción. Los ensayos de
laboratorio de los cuales se obtienen los datos para la calibración de los multi-predictores se ejecutaron
empleando un reómetro de corte dinámico, realizando ensayos dentro de un rango de temperaturas de
10 a 180°C y frecuencias de deformación de 0.1 a 10 Hz. Los modelos de Machine Learning que se
implementan en este trabajo son dos de los métodos con menor costo computacional para su
entrenamiento e implementación (modelo KNN y modelo TREE). Para revisar su desempeño, los
modelos se comparan con un modelo moderno de Machine Learning como es el modelo BAG.

2. Métodos y Materiales

El trabajo se distribuyó en cuatro fases, la cuales se presentan en la figura 1. La primera fase

correspondió al proceso de modificación de los dos asfaltos de estudio mediante la adición de cera de
Carnauba al 3, 5, y 10% (por masa de asfalto) a un asfalto de penetración 60/70 y a un asfalto caucho.
En la segunda fase se realizó la caracterización de los materiales asfálticos mediante un reómetro de
corte dinámico, para obtener las tres variables reológicas de estudio (viscosidad, módulo complejo, y
ángulo de fase). En la tercera fase se procedió con la calibración de los modelos de Machine Learning.
Por último, se revisó el desempeño de los tres modelos para poder concluir sobre su desempeño en la
predicción de las variables reológicas evaluadas.

Figura 1. Metodología de trabajo.

Modificación de los ligantes asfálticos

Para realizar la modificación con cera de Carnauba primero se realizó la caracterización de los dos
asfaltos de estudio; en la tabla 1 se observan los resultados de esta caracterización. Luego se procedió
a realizar el proceso de modificación de los asfaltos mediante el protocolo propuesto por Ruiz [13]
adicionando diferentes contenidos de cera de Carnauba. La modificación con este tipo de cera se
realiza para disminuir la temperatura óptima de fabricación de mezclas asfálticas con estos tipos de
ligantes (i.e., producción de mezclas asfálticas tibias).

Tabla 1. Caracterización de ligantes asfálticos.

Ensayo ASTM Estándar Asfalto de Penetración Asfalto Caucho

Viscosidad 135°C (Pas) D-4402 – 15 [14] 0,32 2.5

Penetración, 25°C 100 g 5 s (mm/10) D-5 – 13 [15] 63 51
Punto de ablandamiento (°C) D-36 – 14 [16] 49 65
Punto de inflamación (°C) D-92 – 16 [15] 260 265
 Producto de esta modificación se obtienen siete asfaltos de estudio, que incluyen el asfalto de
penetración y el asfalto caucho modificados al 0%, 5%, y 10% de contenido de cera. De las
modificaciones anteriores se obtienen los seis ligantes asfálticos utilizados en el estudio. En la tabla 2
se define la nomenclatura utilizada en el desatollo del trabajo.

Tabla 2. Nomenclatura de ligantes asfálticos.

Porcentaje de Modificación con
Ligante Asfáltico Nomenclatura
Cera
Asfalto de penetración 0 AP_0%
Asfalto de penetración 5 AP_5%
Asfalto de penetración 10 AP_10%
Asfalto Caucho 0 AC_0%
Asfalto Caucho 5 AC_5%
Asfalto Caucho 10 AC_10%

Ensayo con reómetro de corte dinámico

El ensayo con el reómetro de corte dinámico se realizó aplicando el método de ensayo AASHTO
T 315 [17]. A cada asfalto se le aplicó el siguiente protocolo de ensayo:

 Rampa de frecuencia entre 0.1 y 10 Hz, con un incremento de 0.1 Hz.

 Rampa de temperatura entre 10 y 180°C, con un incremento de 10°C por cada rampa de
frecuencia realizada.
 Captura y procesamiento de 42 variables reológicas. Las variables objetivo para el desarrollo
de los modelos son viscosidad, módulo complejo, y ángulo de fase. Estas se seleccionaron ya
que son fundamentales para la caracterización de un ligante en la industria de pavimentos
asfálticos.
De esta forma, al final del ensayo de reología se recolectó un total de 32 400 datos (considerando
los seis ligantes asfálticos y las tres variables de estudio), los cuales, como se describe a continuación,
fueron empleados para la calibración y prueba de los modelos.

Entrenamiento de modelos de Machine Learning

Un modelo multi-predictor permite a partir de unas variables de entrada poder dar una respuesta
múltiple. En este caso, mediante datos característicos del ligante (tipo de ligante y contenido de cera) y
las condiciones de uso (temperatura y frecuencia de deformación) será posible obtener valores de
viscosidad, módulo complejo, y ángulo de fase bajo esas condiciones. En la figura 2 se observa la
estructura de entradas y salidas que tiene cada modelo y un ejemplo empleando el modelo BAG.
 Figura 2. Estructura del sistema de predicción.

Los modelos de machine learning requieren de un proceso de calibración. Este proceso consta de
un entrenamiento y una validación y en este caso se realizó utilizando los datos obtenidos del reómetro
de corte dinámico. Para el entrenamiento se tomó el 70% de los datos y para la validación el 30%
restante (figura 3). Posteriormente, se procedió al proceso de pruebas y análisis con el 100% de la base
de datos. Este proceso se implementó mediante las métricas del coeficiente de determinación (R2) y el
error relativo (ER) [18].

Figura 3. Proceso de calibración de los modelos

Los modelos de Machine Learning a utilizar son estructuras simples que permiten una
sintonización de sus hiper-parámetros (parámetros de configuración) de forma fácil y con bajo costo
computacional. Para el proceso de sintonización se emplea el método de Random Search [19]. El
modelo KNN funciona memorizando toda la base de datos, con el objetivo de utilizar estos datos
cuando se solicita una predicción. Cuando ingresan las entradas al modelo se buscan los K datos más
cercanos (aplicando la distancia euclidiana) y una vez se encuentran los valores, se interpolan; estos
valores interpolados son la respuesta a la predicción [20]. En la figura 4a, se muestra un ejemplo de un
modelo y una interpolación que se realiza en torno a un modelo KNN con un parámetro de
configuración de cuatro vecinos cercanos. El modelo TREE es un modelo paramétrico que no
memoriza toda la base de datos. Por medio del cálculo de la entropía y la profundidad del árbol se
crean una serie de reglas que permiten establecer fronteras de decisión para los valores; entre más
profundidad del árbol más se podrá ajustar a la curva objetivo [21]. En la figura 4b se presenta un
ejemplo para el ajuste en la reconstrucción de una curva mediante la modificación del parámetro de
configuración de profundidad del modelo TREE. Se observa como con mayor profundidad los valores
de predicción amplían sus rangos de valores, lo que permite ir mejorando el ajuste de la respuesta a la
curva real. Por otra parte, el modelo BAG permite realizar un modelo compacto de diferentes modelos
individuales. Cada modelo individual es generado con un grupo de datos aleatorios de la base de datos
principal, al final la respuesta se obtiene mediante una función de consolidación que une los diferentes
modelos individuales[22]. En este caso, como modelos individuales se establecen modelos TREE de
profundidad 10. En la figura 5 se muestra la estructura del modelo BAG desarrollado con una función
de consolidación de promedio. De esta forma, cada submodelo TREE realiza de forma independiente
la predicción y como valor final se toma el promedio de estos valores; se genera un total de 100
modelos TREE como submodelos del modelo BAG.

(a) (b)
Figura 4. Funcionamiento del algoritmo de los modelos (a) KNN y (b) TREE

Figura 5. Estructura del modelo BAG

3. Resultados y análisis

Con los modelos calibrados se procede a verificar el desempeño de estos en la multi-predicción de

las variables reológicas. En la figura 6 se observa un ejemplo de la reconstrucción de la curva de
respuesta de la viscosidad, módulo complejo, y ángulo de fase obtenida con los tres modelos para el
asfalto AP_0% para las temperaturas de 20, 30, y 40°C. Adicionalmente, en la figura 7 se observan las
respuestas obtenidas para el asfalto AC_ 5% para temperaturas de 50, 60, y 70°C. En ambos casos los
modelos permiten la reconstrucción de las tendencias de las diferentes curvas de respuesta de los
ligantes asfálticos. También se observa dispersión en los puntos correspondientes a frecuencias
menores a 1 Hz, aunque estas respuestas se asocian a una submuestra de 18 curvas en función de la
frecuencia de deformación de un total de 324 curvas que se pueden reconstruir de los asfaltos usados
para la calibración de los modelos. Para validar el desempeño contemplando toda la base de datos, a
continuación, se procede a analizar las métricas de error relativo y el coeficiente de determinación.

(a) (b) (c)

Figura 6. Respuesta de los modelos para las variables (a) módulo complejo, (b) ángulo de fase, y (c)
viscosidad del asfalto AP_0%. Temperaturas: 20°C, 30°C, y 40°C.

(a) (b) (c)

Figura 7. Respuesta de los modelos para las variables (a) módulo complejo, (b) ángulo de fase, y (c)
viscosidad del asfalto AC_5%. Temperaturas: 50°C, 60°C, y 70°C.

En las figuras 8 a 11 se presentan los gráficos de regresión de los modelos. Estos gráficos
permiten observar en el eje independiente los datos experimentales obtenidos mediante el ensayo con
el reómetro de corte dinámico y en el eje vertical la predicción de los modelos para cada uno de los
datos. Cuando se obtiene una predicción perfecta, el gráfico presenta una regresión lineal con
pendiente de 1 (i.e., cada predicción arroja el mismo valor que el dato real experimental). De esta
forma los gráficos se componen de los datos reales, las predicciones, y la línea de tendencia de la cual
se extrae el coeficiente de determinación (R2). Este coeficiente establece el ajuste de las 324 curvas
que predice cada modelo mediante el proceso de calibración realizado con respecto a los datos reales.

(a) (b) (c)

Figura 8. Gráfica de regresión para viscosidad (a) modelo KNN, (b) modelo TREE, y (c) modelo BAG.
Temperaturas: 10 a 180°C y frecuencias: 0.1 a 10 Hz. Ligantes: Ligantes: AC_0%, AC_5%, AC_10%, AP_0%,
AP_5%, y AP_10%.

(a) (b) (c)

Figura 9. Grafica de regresión módulo complejo (a) modelo KNN, (b) modelo TREE, y (c) modelo BAG.
Temperaturas: 10 a 180°C y frecuencias: 0.1 a 10 Hz. Ligantes: Ligantes: AC_0%, AC_5%, AC_10%, AP_0%,
AP_5%, y AP_10%.
 (a) (b) (c)
Figura 10. Grafica de regresión ángulo de fase (a) modelo KNN, (b) modelo TREE, y (c) modelo BAG.
Temperaturas: 10 a 180°C y frecuencias: 0.1 a 10 Hz. Ligantes: AC_0%, AC_5%, AC_10%, AP_0%, AP_5%, y
AP_10%.
 A partir de los gráficos de regresión se puede observar que los datos de viscosidad se
concentran por debajo de 2 MPa. Esta concentración, representa un desbalance en la distribución
de los datos lo cual impacta el cálculo del R2. Una buena distribución de los datos como por
ejemplo la encontrada en los gráficos de modulo complejo y ángulo de fase; aunque al igual que el
caso anterior presentan predicciones alejadas a la línea de tendencia obtienen un R 2 de 0.99.La
consolidación general de los R2 de los multi-predictores (i.e., teniendo en cuenta ligantes,
temperaturas, frecuencias, y porcentajes de modificación de forma conjunta) sugiere que el modelo
KNN es el que presenta el mejor desempeño, con comportamiento muy cercano por parte del
modelo de BAG. Adicionalmente, el modelo de TREE tiene un menor desempeño de 0.03 en el R2
de la viscosidad con respecto a los otros dos modelos. No obstante, para la determinación del
ángulo de fase y del módulo complejo los tres modelos funcionan con un alto nivel de desempeño.
Lo anterior validando que se ajustan 324 curvas de respuesta con un R 2 de 0.99 y teniendo en
cuenta que se realizan las tres predicciones de las variables reológicas al mismo tiempo.
Realizando el proceso de consolidación no solamente del R 2, sino también cuantificando el error
relativo promedio en las predicciones, se obtiene un error relativo menor del 4% para todos los
modelos. El mayor error se presenta a frecuencias bajas, es decir que si se recalcula este valor
dentro de un rango de 1 a 10 Hz los errores relativos caen por debajo de 1.5% para la predicción de
las diferentes variables reológicas.

De la discusión anterior, de forma general se observa que los modelos poseen un buen ajuste a
las diferentes curvas y realizan predicciones con un error relativo bajo. En la tabla 3 se presenta un
consolidado individual; es decir, se presentan los mejores y peores coeficientes de determinación
de cada uno de los modelos para cada uno de los ligantes asfálticos y variables reológicas
evaluadas.
Tabla 3. Consolidado de coeficientes de determinación.
Vari

Modelo KNN Modelo TREE Modelo BAG

able

alto
Asf
MAX R2 MIN R2 MAX R2 MIN R2 MAX R2 MIN R2
80°C 140°C 30°C 10°C 20°C 140°C
vi 0,99 0,58 0,96 0,99 0,22 0,96 0,99 0,39 0,90
0% 5% 10% 10% 5% 0%
150°C 30°C 160°C 10°C 150°C 10°C
mc 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 AP
10% 0% 10% 5% 10% 10%
100°C 170°C 30°C 40°C 150°C 30°C
af 0,99 0,79 0,97 0,99 0,12 0,93 0,99 0,59 0,91
0% 10% 10% 0% 10% 5%
100°C 10°C 160°C 90°C 170°C 100°C
vi 0,99 0,57 0,96 0,99 0,73 0,97 0,99 0,82 0,97
5% 0% 10% 10% 5% 10%
180°C 20°C 120°C 10°C 110°C 20°C
mc 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99
AC

10% 10% 10% 5% 5% 5%

90°C 130°C 110°C 10°C 160°C 40°C
af 0,99 0,72 0,97 0,99 0,49 0,90 0,99 0,36 0,91
0% 0% 10% 10% 10% 0%
Nota: viscosidad (vi) módulo complejo (mc), y ángulo de fase (af).

Según los datos presentados en la tabla 3, los modelos no ajustan las 324 curvas
completamente; existen curvas para las que el R 2 disminuyen considerablemente. El análisis de los
datos sugiere que esto sucede a temperaturas inferiores a 30°C. De la tabla anterior se observa que
los tres modelos de predicción presentan en el módulo complejo el mejor R 2 de 0.99 para el asfalto
de penetración y asfalto caucho. También se evidencia que los mínimos del R2 se reportan a un
50% a temperaturas inferiores a 40°C y el 67% del R2 máximo se encuentran para temperaturas
superiores a 100°C. Lo anterior realizando un análisis estadístico sobre los datos totales,
adicionando que no se observa una diferencia estadística preliminar significativa al comparar el
desempeño de los modelos para asfalto de penetración y asfalto caucho. Con estos resultados se
muestra una buena aproximación de los tres modelos para realizar una caracterización preliminar
de las tres variables reológicas usadas en este trabajo mediante los tres modelos de machine
learning utilizados.

4. Conclusiones
De los resultados y análisis de la implementación de los tres modelos de machine learning
(K vecinos más cercanos, árboles de decisión, y sistemas de empaquetado) para la construcción de
multi-predictores que permitan la caracterización del comportamiento reológico de ligantes
asfálticos, se puede concluir preliminarmente que la implementación de este tipo de modelos de
bajo costo computacional es suficiente para generar modelos de predicción calibrados para realizar
predicciones múltiples. Es decir, un solo modelo entrenado puede realizar la predicción de tres
variables reológicas para los diferentes ligantes asfálticos estudiados.

El modelo KNN evidenció el mejor desempeño para la multi-predicción de variables reológicas

de los asfaltos estudiados. El valor medio del R2 incluyendo los tres diferentes modelos para el
módulo complejo y el ángulo de fase fue 0.99. En el caso de la viscosidad, el coeficiente de
determinación medio correspondió a valores de 0.989, 0.981, y 0.95 para los modelos KNN, BAG,
y TREE, respectivamente. En general, los modelos tienen un error relativo medio del 4%. Estos
resultados permiten validar el desempeño de los modelos para la predicción de las variables
reológicas de estudio.

Finalmente, el protocolo de ensayo aplicado con el reómetro de corte dinámico para obtener las
diferentes propiedades reológicas (rango de temperatura de 10 a 180°C y variación en la frecuencia
de prueba de 0.1 a 10 Hz) demostró proporcionar datos suficientes para entrenar y validar los
modelos de predicción propuestos.

5. Agradecimientos
Este producto es derivado del proyecto de alto impacto IMP-ING-3404 financiado por la
Vicerrectoría de Investigaciones de la Universidad Militar Nueva Granada y la Vicerrectoría de
Investigación y Extensión de la Universidad Industrial de Santander, a las cuales los autores
expresan sus agradecimientos.
 6. Referencias

[1] P. Pandey, M. D. S. Hossain, y A. Ahmed, “Performance evaluation of modified moisture barrier in

mitigating expansive soil associated pavement distresses,” Transportation Geotechnics, vol. 31, p.
100667, Nov. 2021, doi: 10.1016/J.TRGEO.2021.100667.
[2] A. Davoodi, M. Aboutalebi Esfahani, M. Bayat, S. E. Mohammadyan-Yasouj, y A. Rahman, “Influence
of nano-silica modified rubber mortar and EVA modified porous asphalt on the performance
improvement of modified semi-flexible pavement,” Construction and Building Materials, vol. 337,
p. 127573, Jun. 2022, doi: 10.1016/J.CONBUILDMAT.2022.127573.
[3] A. E. Alvarez Lugo et al., “Calidad de adhesión y propiedades reológicas de asfaltos residuales, no
modificados y nano-modificados, obtenidos de crudos pesados de pavimentación,” DYNA, 2019,
vol 86, pp 357 – 366, doi: 10.15446/dyna.v86n209.73588.
[4] H. Wang, X. Liu, H. Zhang, P. Apostolidis, S. Erkens, y A. Skarpas, “Micromechanical modelling of
complex shear modulus of crumb rubber modified bitumen,” Materials & Design, vol. 188, p.
108467, Mar. 2020, doi: 10.1016/J.MATDES.2019.108467.
[5] A. Rangaraj y P. Mukesh, “An experimental investigation on partial replacement of bitumen using rubber
tyre,” Materials Today: Proceedings, vol. 21, pp. 460–464, Jan. 2020, doi:
10.1016/J.MATPR.2019.05.465.
[6] S. Chen, Z. You, S.-L. Yang, y X. Zhou, “Prediction of the coefficient of permeability of asphalt
mixtures using the lattice Boltzmann method,” Construction and Building Materials, vol. 240, p.
117896, Apr. 2020, doi: 10.1016/J.CONBUILDMAT.2019.117896.
[7] S. L. Zhang, Z. X. Zhang, Z. X. Xin, K. Pal, and J. K. Kim, “Prediction of mechanical properties of
polypropylene/waste ground rubber tire powder treated by bitumen composites via uniform design
and artificial neural networks,” Materials & Design, vol. 31, no. 4, pp. 1900–1905, Apr. 2010, doi:
10.1016/J.MATDES.2009.10.057.
[8] H. Majidifard, B. Jahangiri, W. G. Buttlar, y A. H. Alavi, “New machine learning-based prediction
models for fracture energy of asphalt mixtures,” Measurement, vol. 135, pp. 438–451, Mar. 2019,
doi: 10.1016/J.MEASUREMENT.2018.11.081.
[9] A. Crespo Márquez, A. de la Fuente Carmona, J. A. Marcos, y J. Navarro, “Designing CBM Plans,
Based on Predictive Analytics and Big Data Tools, for Train Wheel Bearings,” Computers in
Industry, vol. 122, 2020, doi: 10.1016/j.compind.2020.103292.
[10] S. Han, Z. Zhang, Y. Yuan, y K. Wang, “Prediction of asphalt complex viscosity by artificial neural
network based on Fourier transform infrared spectroscopy,” Petroleum Science and Technology,
vol. 37, no. 14, pp. 1731–1737, 2019, doi: 10.1080/10916466.2019.1605377.
[11] S. Weigel y D. Stephan, “The prediction of bitumen properties based on FTIR and multivariate analysis
methods,” Fuel, vol. 208, pp. 655–661, 2017, doi: 10.1016/j.fuel.2017.07.048.
[12] N. I. M. Yusoff, D. Ibrahim Alhamali, A. N. H. Ibrahim, S. A. P. Rosyidi, y N. Abdul Hassan,
“Engineering characteristics of nanosilica/polymer-modified bitumen and predicting their
rheological properties using multilayer perceptron neural network model,” Construction and
Building Materials, vol. 204, pp. 781–799, 2019, doi: 10.1016/j.conbuildmat.2019.01.203.
[13] O. Ruiz-Santos, “Evaluación de la Disminución de la Temperatura de Fabricación de Mezclas
Asfálticas con Grano de Caucho,” Tesis de maestría, Facultad de ingeniería, Universidad Militar
Nueva Granada, 2020.
[14] ASTM International, Standard Test Method for Viscosity Determination of Asphalt at Elevated
Temperatures Using a Rotational Viscometer D4402/D4402M − 15. 2015. doi:
10.1520/D4402_D4402M-15.
[15] ASTM International, Designation: D92 − 16 Standard Test Method for Flash and Fire Points by
Cleveland Open Cup Tester. 2016. doi: 10.1520/D0092-16.
[16] ASTM International, “Designation: D36/D36M − 14 Standard Test Method for Softening Point of
Bitumen (Ring-and-Ball Apparatus),” 2014, doi: 10.1520/D0036.
[17] American Association of State and Highway Transportation Officials, AASHTO T 315, Standard
method of test for determining the rheological properties of asphalt binder using a dynamic shear
rheometer (DSR). 2012.
[18] A. Kheirati y A. Golroo, “Machine learning for developing a pavement condition index,” Automation in
Construction, vol. 139, p. 104296, Jul. 2022, doi: 10.1016/J.AUTCON.2022.104296.
[19] H. Siroosi, G. Heshmati, y A. Salmanmahiny, “Can empirically based model results be fed into
mathematical models? MCE for neural network and logistic regression in tourism landscape
planning,” Environment, Development and Sustainability: A Multidisciplinary, vol. 44, no. 4, p.
3722, 2020.
[20] S. Zhang, “Cost-sensitive KNN classification,” Neurocomputing, vol. 391, pp. 234-242 , Apr. 2019,
doi: 10.1016/J.NEUCOM.2018.11.101.
[21] H. Zhou, J. Zhang, Y. Zhou, X. Guo, y Y. Ma, “A feature selection algorithm of decision tree based on
feature weight,” Expert Systems with Applications, vol. 164, February 2020, pp. 1–14, 2021, doi:
10.1016/j.eswa.2020.113842.
[22] M. S. Yousaf, I. Ahmad, A. Khurshid, y M. Ikram, “Machine assisted classification of chicken, beef and
mutton tissues using optical polarimetry and Bagging model,” Photodiagnosis and Photodynamic
Therapy, p. 101779, Apr. 2020, doi: 10.1016/J.PDPDT.2020.101779.