Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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
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].
(a) (b)
Figura 4. Funcionamiento del algoritmo de los modelos (a) KNN y (b) TREE
3. Resultados y análisis
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.
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
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
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.
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