Traducido del inglés al español - www.onlinedoctranslator.

com

aplicado
ciencias
Artículo

Predicción de Inteligencia Artificial de Parámetros de

Ahuellamiento y Fatiga en Ligantes Asfálticos Modificados

Ikenna D. Uwanuakwa1,2,* , Shaban Ismael Albrka Ali1, Mohd Rosli Mohd Hasan2,
Pinar Akpinar1, Ashiru Sani2,3 y Khairul Anuar Sharif4
1 Departamento de Ingeniería Civil, Near East University, 99138 Nicosia, Mersin-10, Turquía;
shabanismael.albrka@neu.edu.tr (SIAA); pinar.akpinar@neu.edu.tr (PA)
2 Escuela de Ingeniería Civil, Universiti Sains Malaysia, Campus de Ingeniería,
Nibong Tebal 14300, Penang, Malasia; cerosli@usm.my (MRMH); ashiru@student.usm.my (AS) Departamento
3 de Ingeniería Civil, Universidad de Ciencia y Tecnología de Kano, 3011 Wudil, Kano, Nigeria Escuela de
4 Ingeniería de Recursos Minerales y Materiales, Universiti Sains Malaysia, Campus de Ingeniería, Nibong Tebal
14300, Penang, Malasia ; biokhairul@usm.my
* Correspondencia: ikenna.uwanuakwa@neu.edu.tr

---- -
Recibido: 11 de septiembre de 2020; Aceptado: 16 de octubre de 2020; Publicado: 3 noviembre 2020 ---

Abstracto:El módulo de cizallamiento complejo (G*) y el ángulo de fase (δ) son propiedades reológicas viscoelásticas fundamentales
que se utilizan en la estimación de la ahuelladura y fatiga del deterioro del pavimento en el ligante asfáltico. En las regiones
tropicales, la formación de surcos y el agrietamiento por fatiga son los principales problemas del pavimento que afectan la capacidad
de servicio de la infraestructura vial. Las pruebas de laboratorio del módulo de corte complejo y el ángulo de fase requieren equipos
costosos y avanzados que no se pueden obtener en los principales laboratorios de los países en desarrollo de la región, lo que genera
la necesidad de un modelo predictivo preciso para respaldar el diseño de pavimentos de calidad. Esta investigación tiene como
objetivo desarrollar un modelo predictivo para la estimación de la susceptibilidad a la formación de surcos y fatiga del ligante
asfáltico a temperaturas intermedias y altas del pavimento. Se realizaron pruebas reológicas y de envejecimiento del asfalto en ocho
mezclas de aglutinantes modificados que se utilizaron para construir la base de datos del estudio que contenía 1976 y 1668 puntos de
datos para parámetros de ahuellamiento y fatiga, respectivamente. La base de datos se dividió en conjuntos de datos de
entrenamiento y de simulación. Se utilizó el algoritmo de regresión del proceso gaussiano (GPR) para predecir los parámetros de
fatiga y ahuellamiento utilizando entradas condicionadas no envejecidas y envejecidas. El GPR propuesto se comparó con los
modelos de máquina de vectores de soporte (SVM), redes neuronales recurrentes (RNN) y redes neuronales artificiales (ANN). Los
resultados muestran que el modelo se desempeñó mejor en la estimación del parámetro de ahuellamiento que el parámetro de
fatiga. Además, las variables de entrada no envejecidas muestran una mejor confiabilidad en la predicción del parámetro de fatiga.

Palabras clave:GPR; MVS; celo; fatiga; aprendizaje automático; aglutinante modificado

1. Introducción

En la construcción de pavimentos asfálticos, la selección del aglutinante asfáltico apropiado con las propiedades
requeridas para mitigar los desafíos del deterioro del pavimento es fundamental para prolongar la vida útil del pavimento
asfáltico expuesto a condiciones de envejecimiento. El aglomerante asfáltico, dentro del asfalto, domina las propiedades
viscoelásticas del pavimento asfáltico sujeto a diversas condiciones de deterioro del pavimento. La formación de surcos y el
agrietamiento por fatiga son problemas serios en el pavimento que enfrentan los pavimentos asfálticos que están expuestos a
las temperaturas intermedias y altas que prevalecen en las regiones tropicales.1–5]. La formación de surcos en el pavimento
asfáltico se produce como resultado de la tensión acumulada que induce una deformación irrecuperable a lo largo de la
trayectoria de las ruedas del pavimento.6]. La deformación plástica que se forma a lo largo de la trayectoria de las ruedas crea
incomodidad para el usuario de la carretera y reduce la vida útil del pavimento. Por otro lado, el agrietamiento por fatiga se
desarrolla en el pavimento asfáltico debido a la carga repetida sobre el pavimento asfáltico.

aplicación ciencia2020,10, 7764; doi:10.3390/app10217764 www.mdpi.com/journal/applsci

aplicación ciencia2020,10, 7764 2 de 17

superficie. El agrietamiento por fatiga es causado por la debilidad de la subrasante, la base y el diseño deficiente del material,
y la reducción de la tolerancia a la deformación de la mezcla asfáltica como resultado del envejecimiento en campo a largo
plazo [1,7]. Se ha informado que la selección del aglutinante asfáltico apropiado mejora la resistencia del concreto de mezcla
asfáltica en caliente (HMA) cuando se somete a surcos y fatiga.2,8,9]. Además, las pruebas de laboratorio de ahuellamiento y
fatiga en el ligante asfáltico requieren equipos de prueba avanzados que no están fácilmente disponibles en los países en
desarrollo dentro de las regiones tropicales. Sin embargo, los gobiernos tienen la responsabilidad de proporcionar una
estructura de pavimento de calidad con el limitado presupuesto disponible. En tales casos, la aplicación de un modelo
predictivo reduciría el costo del proyecto y brindaría una estructura de pavimento de calidad.
Los estudios de modelos predictivos existentes en la construcción de pavimentos se centraron principalmente en
predecir el módulo dinámico del hormigón (E*), el módulo de corte complejo (G*) y el ángulo de fase del ligante. Estos
modelos no tienen en cuenta la selección del ligante para la resistencia a la formación de surcos y al agrietamiento por fatiga
en una estructura de pavimento [10–12], que este estudio busca abordar utilizando modelos de aprendizaje automático.
El aprendizaje automático en los últimos años ha hecho sentir su presencia en varios sectores; En Internet [13],
sistema de comunicación [14,15], visión y reconocimiento de voz [dieciséis–19], dispositivos inteligentes e
instrumentaciones [20], así como otras aplicaciones de ingeniería [21–24]. Su despliegue ha sido testigo de resultados
sin precedentes y una revolución en el campo de la inteligencia artificial. Los métodos computacionales disponibles en
el campo del aprendizaje automático incluyen redes neuronales artificiales, máquinas de vectores de soporte,
regresión de procesos gaussianos, redes neuronales recurrentes y otros. Las redes neuronales artificiales (ANN) es un
algoritmo basado en inteligencia artificial que utiliza la abstracción de las redes neuronales biológicas. Aunque se ha
informado que el rendimiento de ANN en la literatura tiene buenos resultados predictivos, a menudo se lo critica por
tener un alto costo computacional (ajuste de iteración) y por estar a menudo atrapado en un mínimo local. Además, el
sobreajuste de datos es otra desventaja que los críticos observaron sobre ANN; es decir, la incapacidad del modelo
para asignar correctamente nuevas entradas a los valores objetivo correspondientes [25,26]. Para superar estos
problemas, un enfoque no paramétrico como el proceso gaussiano minimiza el sobreajuste de datos definiendo una
función de distribución y estableciendo una distribución inicial con posibilidades ilimitadas sobre la función
directamente [27]. Los estudios comparativos de la regresión del proceso gaussiano (GPR) y otras herramientas de
aprendizaje automático como ANN y la máquina de vectores de soporte (SVM) muestran que el algoritmo es una
herramienta de aprendizaje automático eficiente con mayor precisión en el conjunto de datos de generalización.27–33
].
En el campo de la tecnología del asfalto, se ha informado ampliamente que los modelos de aprendizaje automático
tienen una mayor precisión predictiva que los modelos de regresión.34–38]. Las redes neuronales artificiales tradicionales, la
máquina de vectores de soporte y el algoritmo del árbol de decisiones se han aplicado en diferentes áreas de estudio con
mayor precisión predictiva que los modelos de regresión.
Existe una cantidad de literatura sobre la aplicación del modelado de aprendizaje automático en aglutinante
asfáltico y hormigón asfáltico mixto en caliente (HMA), Ghasemi et al. [34], predijeron el módulo dinámico del concreto
de mezcla asfáltica en caliente (HMA) usando ANN y modelos de regresión multivariable. Las variables de entrada
seleccionadas del estudio se extrajeron de características de gradación volumétrica y de tamaño de partículas de
nueve mezclas para extraer 243 puntos de datos. Además, se utilizó el análisis de componentes principales para la
transformación ortogonal y los componentes principales resultantes se utilizaron para calibrar los modelos de
regresión ANN y multivariable. Los resultados de los datos de prueba ajustados muestran que el modelo ANN estimó
satisfactoriamente el módulo dinámico (E*) del HMA. Daneshvar y Behnood, [39], por otro lado, compararon el
rendimiento del algoritmo random forest con el modelo de Witczak en la predicción de E* de HMA. Utilizando los
parámetros estadísticos (R2y errores promedio), el estudio concluyó que el modelo desarrollado mejoró el E* en
comparación con los modelos de Witczak. El-Badawy et al. [40], compararon la ANN tradicional y tres modelos de
regresión existentes (Witczak NCHRP 1-37A, Witczak NCHRP 1-40D y Hirsch) en la predicción de E* en concreto HMA
usando 25 mezclas cada uno, del Reino de Arabia Saudita y el Estado de Idaho. Se extrajeron un total de 3720 casos de
las 50 mezclas para construir la base de datos de investigación. Se evaluaron tres modelos ANN utilizando variables de
entrada de los tres modelos de regresión existentes. La investigación concluyó que los modelos de Witczak son más
efectivos en la predicción de E* en comparación con el modelo de Hirsch. Además, se informó que los parámetros de
entrada en Witczak NCHRP 1-37A muestran
aplicación ciencia2020,10, 7764 3 de 17

un efecto más dinámico en la escala de sensibilidad en comparación con las variables de entrada del modelo Witczak
NCHRP 1-40D que estaban dominadas por las propiedades del aglutinante. Los tres modelos ANN evaluados
demostraron tener un valor E* mejorado en comparación con los modelos de regresión correspondientes. Una
investigación similar a la de El-Badawy et al. [40], fue realizado por Liu et al. [36]) con la incorporación de tejas de
asfalto reciclado (RAS) y la comparación del modelo ANN y el modelo Witczak E* modificado desarrollado por Yu [41].
El modelo ANN desarrollado también mostró valores E* mejorados en comparación con el modelo Yu RAS. Además,
pocos estudios [10–12,42] sobre la predicción de aprendizaje automático del módulo complejo y el ángulo de fase no
tuvo en cuenta el envejecimiento acondicionado en el aglomerante asfáltico. Esto limitó sus hallazgos en la predicción
de parámetros de ahuellamiento y fatiga en el ligante asfáltico.
La literatura existente explica un modelo predictivo para el módulo dinámico (E*) en la mezcla asfáltica. Por
ejemplo, el modelo de Witczak puede predecir E* utilizando parámetros que se pueden extraer de un experimento
básico y las especificaciones del fabricante. El modelo es rentable en la guía de diseño de pavimento empírico-
mecanicista (MEPDG). Sin embargo, los modelos predictivos para el diseño de parámetros de mezcla no pueden ser
autónomos sin un modelo aglutinante complementario [43].
El objetivo de este estudio es desarrollar un modelo predictivo eficiente para la selección de ligantes que
resistan la formación de surcos y el agrietamiento por fatiga en la estructura del pavimento asfáltico a temperaturas
intermedias y altas mediante la inclusión de un enfoque novedoso que emplea parámetros no envejecidos junto con
el algoritmo GPR para la predicción de ahuellamiento y agrietamiento por fatiga. En los apartados siguientes se
explica en detalle la metodología empleada para este objetivo y los resultados que indican el éxito obtenido en la
predicción de ahuellamiento y fisuración por fatiga en pavimentos asfálticos.

2. Materiales y métodos

En este estudio, se usaron 8 mezclas de polímero de estireno-butadieno-estireno (SBS) y aglutinante de asfalto

modificado con látex para construir la base de datos. Los SBS utilizados fueron Kraton®polímeros lineales D1152 ESM
y D1101 ASM, mientras que el látex era caucho natural de la región de Penang en Malasia. Los SBS se agregaron al 3,
5 y 7 % en peso del ligante asfáltico de control, mientras que el látex se agregó al 3 y 6 % en peso del ligante asfáltico
de control.
El objetivo principal de esta investigación es evaluar un modelo alternativo que pueda ser utilizado en la selección de
ligante asfáltico para una temperatura particular de PG (grado de desempeño) a partir de los resultados de la prueba
reológica básica. Se utilizó una prueba de barrido de frecuencia utilizando el equipo de reómetro de corte dinámico (DSR) para
medir el ángulo de fase (δ) y el módulo de corte complejo (G*) a diferentes temperaturas de prueba.
Evaluación de G*/pecadodparámetro de rodadura: Se investigó la variación del parámetro en un ligante acondicionado
con horno de película delgada rodante (RTFO) a temperaturas entre 46◦C a 76◦C, a las 6◦incrementos de C. La prueba se llevó a
cabo de acuerdo con los procedimientos especificados en AASHTO T 315. La resistencia a la formación de surcos del ligante
asfáltico se mide por G*/sinδ.
Evaluación de G*.sindpropiedad de fatiga: El residuo del aglutinante acondicionado de la prueba del horno de película
delgada rodante (RTFO) se usó en el acondicionamiento del aglutinante envejecido a largo plazo utilizando la prueba del
recipiente de envejecimiento a presión (PAV). La prueba DSR se realizó en una placa paralela de 8 mm con un espacio de 2
mm para medir los parámetros para la evaluación de la propiedad de fatiga. La prueba se llevó a cabo de acuerdo con la
especificación estándar AASHTO T 315 entre 16 a 31◦c a las 3◦incrementos de C. La resistencia a la fatiga del ligante asfáltico se
mide por G*.sinδ.

2.1. Estudios de caso

Se investigaron tres estudios de caso. El primer caso de estudio involucra la predicción del parámetro de formación de
surcos (G*/sinδ) utilizando el parámetro sin envejecer de la prueba DSR, la viscosidad y la prueba del punto de
reblandecimiento. En el segundo caso de estudio, se propuso la predicción del parámetro de fatiga (G*.sinδ) con las variables
de entrada sin envejecer. Finalmente, el tercer caso de estudio involucró el reemplazo de las variables DRS no envejecidas en
el segundo caso de estudio con las variables de prueba RTFO.
aplicación ciencia2020,10, 7764 4 de 17

2.2. Preparación de datos y arquitectura del modelo

Los resultados de la caracterización del material y la prueba dinámica mecánica se utilizaron para construir la
base de datos para el modelado de aprendizaje automático. Las variables de entrada constan de 16 variables; punto
de ablandamiento (◦C), viscosidad (Pa.s) a 135◦C, frecuencia de prueba DSR (rad), temperatura (◦C), ángulo de fase (◦) y
módulo de corte complejo (kPa) a temperaturas de prueba entre 46 y 76◦C a las 6◦incremento de C. Las bases de datos
consisten en 1980 y 1668 puntos de datos para los parámetros de modelado de ahuellamiento y fatiga,
respectivamente. La base de datos se dividió en conjuntos de entrenamiento y simulación. El conjunto de
entrenamiento se dividió en subconjuntos de entrenamiento-prueba-validación. Los detalles de la mezcla y el punto de
datos correspondiente se presentan en la Tabla1. El resultado del primer caso de estudio (1) fue el Superpave®
parámetro de ahuellamiento (G*/sinδ), y para el segundo (2) y tercer (3) casos de estudio fue el Superpave®parámetro
de fatiga (G*.sinδ). La estadística descriptiva de los datos utilizados se presenta en la Tabla2. Después de la recolección
de datos, la normalización binaria se aplicó a las variables de entrada y salida de forma independiente. Si bien la
normalización es importante para reducir la saturación temprana durante el entrenamiento, también puede reducir la
importancia de ciertas variables con valores numéricos más pequeños. Para evitar la reducción de escala de cualquier
variable, la normalización se aplicó dentro de las variables [44,45].

Tabla 1.Diseño de mezcla de investigación.

Densidad Estudio de caso de punto de datos

Código de mezcla modificador % Agregado
1 2 3
gramo/cm3

M-SB-3A SBS D1152 3 0.40 312 260 260

M-SB-3B SBS D1101 3 0.40 156 130 130
M-SB-5A SBS D1152 5 0.40 464 390 390
M-SB-5B SBS D1101 5 0.40 312 260 260
M-SB-7A SBS D1152 7 0.40 312 260 260
M-SBS 1 SBS D1101 7 0.40 312 260 260
ML-3 Látex 3 0,92 54 54 54
ML-6 Látex 6 0,92 54 54 54
aplicación ciencia2020,10, 7764 5 de 17

Tabla 2.Descripción estadística de las 18 variables de entrada medidas y las salidas.

Modelado de ahuellamiento con entradas de aglomerante sin envejecer Modelado de fatiga con entradas de aglomerante sin envejecer Modelado de fatiga con entradas de ligante RTFOT

Variables mínimo máx. Significar estándar Desviación mínimo máx. Significar estándar Desviación mínimo máx. Significar estándar Desviación

Frecuencia (rad) 0,63 62.80 15.06 18.44 0,63 62.80 15.06 18.44 0,63 62.80 15.06 18.44

Punto de ablandamiento (◦C) 50.00 70.25 57.63 6.82 50.00 70.00 57.63 6.82 54.00 79.00 62.17 8.16
Viscosidad (Pas) 1131.50 3204.30 1926.99 689.74 1132.00 3204.00 1926.99 689.78 1131.50 3204.30 1926.99 689.78

G* @ T46◦C (kPa) 5070.00 294,000.00 78.123,08 72.387,62 5070.00 294,000.00 78.123,08 72.391,49 12,000.00 637,000.00 145.668,60 135.273,40

G* @ T52◦C (kPa) 1990.00 149,000.00 38.442,69 36.095,25 1990.00 149,000.00 38.442,69 36.097,18 4500.00 290,000.00 70.249,23 64.701,79

G* @ T58◦C (kPa) 775.00 79,700.00 18.902,45 18.644,12 775.00 79,700.00 18.902,45 18.645,12 1620.00 152,000.00 32,862.05 31.843,26

G* @ T64◦C (kPa) 333.00 48,400.00 10.366,33 10,690.06 333.00 48,400.00 10.366,33 10.690,63 690.00 75,600.00 18.163,12 17.692,36

G* @ T70◦C (kPa) 153.00 28,300.00 5606.22 5897.43 153.00 28,300.00 5606.22 5897.74 312.00 47,800.00 9935.94 9943.40

G* @ T76◦C (kPa) 78.50 16,500.00 3351.97 3465.50 79.00 16,500.00 3351.97 3465.69 156.00 27,000.00 6029.82 5871.54

δ @T46◦C (◦) 40.10 88.90 63.10 9.07 40.00 89.00 63.10 9.07 37.20 88.40 58.48 8.38
δ @T52◦C (◦) 48.50 85.30 66.63 8.12 49.00 85.00 66.63 8.13 39.00 77.40 62.14 7.82
δ @T58◦C (◦) 51.40 88.20 69.54 8.54 51.00 88.00 69.54 8.54 49.00 81.90 65.52 7.18
δ @T64◦C (◦) 48.00 89.80 71.68 9.55 48.00 90.00 71.68 9.55 48.60 85.60 68.41 8.52
δ @T70◦C (◦) 28.40 89.60 72.02 12.74 28.00 90.00 72.02 12.74 22.80 89.60 69.34 11.85

δ @T76◦C (◦) 22.80 89,90 72.15 14.77 23.00 90.00 72.15 14.77 14.30 89,90 69.17 15.95

Temperatura◦C 46.00 76.10 61.00 10.25 16.00 31.00 23.20 5.57 16.00 31.20 23.20 5.56
Salida (kPa) 0.16 796.56 55.34 95.48 30.328,00 1.555.500,00 361.493,90 277.693,70 30.327,70 1.555.500,00 361.493,90 277.693,70
aplicación ciencia2020,10, 7764 6 de 17

2.3. Modelo de investigación

Tres modelos que consisten en el proceso de regresión gaussiana (GPR), redes neuronales artificiales
(ANN) y redes neuronales recurrentes (RNN) utilizando el software MATLAB para todo el algoritmo.
La arquitectura del modelo de investigación se presenta en la Figura1. En el desarrollo del modelo, el modelo se
entrenó con las seis mezclas de SBS combinadas, mientras que las mezclas de látex restantes se reservaron para la
simulación del modelo desarrollado. La idea es evaluar el rendimiento del modelo con un conjunto de datos de réplica
de prueba independiente que no se utilizó para calibrar el modelo. El conjunto de datos independiente proporciona
una medida de la precisión de un modelo entrenado.

Figura 1.Modelo de Arquitectura.

El desempeño del modelo desarrollado se midió utilizando una función de costo que penaliza o recompensa a la
red. El error cuadrático medio (MSE) de la red fue la función de costo utilizada en esta investigación. Además, las
muestras de ANN y RNN se dividieron en mini lotes en una proporción de 60:20:20 y 70:15:15 conjuntos de
entrenamiento: prueba: validación, respectivamente. Se aplicó una validación cruzada de cinco veces a los modelos
GPR y se entrenó con la aplicación de aprendizaje de regresión en el software MATLAB. Los parámetros de la red se
obtuvieron y actualizaron mediante prueba y error. Se encontró que un total de 12 neuronas ocultas eran suficientes
para los modelos ANN y RNN. La función del núcleo GPR se estableció en exponencial al cuadrado. Los cálculos se
llevaron a cabo en Intel Corei3, CPU de 2,10 GHz en Windows 10 con 12 GB de RAM.
aplicación ciencia2020,10, 7764 7 de 17

2.4. Criterios de evaluación del modelo

En el modelado de aprendizaje automático, se utilizan diferentes criterios de evaluación para cuantificar

el rendimiento del modelo. Según Wu y Chau (2013), la evaluación del rendimiento del modelo debe incluir
medidas de error absolutas y relativas del modelo [46]. En este estudio se utilizaron dos herramientas
estadísticas tradicionales: el coeficiente de determinación (R2); la raíz del error cuadrático medio (RMSE) y el
error absoluto medio (MAE).
RSS
R2= (1)
acero inoxidable

√
∑norte
i=1 (Y Predi−YObi)2
RMSE= (2)
norte

1∑ norte

MAE= |YObi−YPredi| (3)

norte
i=1

dóndenortees el número de valores observados,Ypresa1.Ypresa2. . . . . . .YPrenNson valores predichos;YTransmisión exterior1.YTransmisión exterior2.

∑( )2
. . . . . . YObN. son los valores observados; SSR es la suma de la regresión al cuadrado derivada de YPredi−Y;
∑( )2
SST es la variación total contenida en el conjunto de datos derivado por YObi−YyYes la media del valor de Y.

3. Resultados y discusión

3.1. Predicción del Parámetro de Ahuellamiento (G*/pecadod) Uso de parámetros no envejecidos

Los resultados de la predicción del Superpave®los parámetros de ahuellamiento se presentan en la Tabla3y

figura2. La motivación principal de esta sección es explorar las posibilidades de usar un parámetro de entrada no
envejecido para predecir el Superpave®(G*/sinδ) parámetro de rodadura. Como se indicó en la sección anterior, el
parámetro G*/sinδ es valioso para estimar la susceptibilidad a la formación de surcos en el ligante asfáltico. Sin
embargo, las mediciones experimentales para determinar los valores de G*/sinδ a diferentes temperaturas de PG
(grado de desempeño) son costosas e involucran equipos avanzados.

Tabla 3.Resultados de rendimiento para la predicción de parámetros G*/sinδ utilizando un conjunto de datos sin envejecer.

Modelo Resultados de entrenamiento Resultados de la simulación

Conjunto de datos de látex al 3 % Conjunto de datos de látex al 6 %

R2 RMSE MAE R2 RMSE MAE R2 RMSE MAE

ANA 0.96 0.024 0.013 0.99 0.007 0.006 0.96 0.012 0.008

GPR 0,95 0.026 0.012 0.97 0.015 0.008 0.97 0.010 0.007

RNN 0.97 0.019 0.010 0.96 0.016 0.008 0.96 0.008 0.005

MVS 0,95 0.028 0.013 0,95 0.016 0.012 0,95 0.011 0.008
aplicación ciencia2020,10, 7764 8 de 17

ANN predicho Medido

0.12

G* normalizado/senδ
0.08

0.04

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

GPR predicho Medido

0.12

0.09
G* normalizado/senδ

0.06

0.03

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

RNN previsto Medido

0.12
G* normalizado/senδ

0.08

0.04

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

SVM predicho Medido

0.12
G* normalizado/senδ

0.08

0.04

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

Figura 2.La comparación de los parámetros G*/sinδ previstos frente a los medidos utilizando el conjunto de datos sin envejecer.
aplicación ciencia2020,10, 7764 9 de 17

Se utilizaron cuatro enfoques diferentes para modelar el parámetro G*/sinδ a diferentes temperaturas de
PG. El algoritmo GPR propuesto, RNN, SVM y ANN fueron las herramientas de modelado utilizadas.
En los resultados, vale la pena señalar que el rendimiento general del entrenamiento de los cuatro métodos fue
satisfactorio considerando los valores normalizados de RMSE, MSE y MAE y el coeficiente de determinación (R2) de los
modelos. La bondad estadística de los parámetros de ajuste se presenta en la Tabla3. Se podría hacer una
comparación entre la precisión predictiva de GPR y RNN y los modelos tradicionales de ANN y SVM. Cifra2muestra la
comparación punto por punto de los resultados del conjunto de datos de simulación combinados (ML-3 y ML-6) de la
predicción del conjunto de datos no envejecidos del parámetro de formación de surcos. Como se ve en el gráfico, el
modelo ANN pudo simular los parámetros de ahuellamiento medidos correspondientes mejor que GPR, RNN y SVM
con respecto a R2valores de 0.99 y 0.96 para los subconjuntos de simulación ML-3 y ML-6 respectivamente. También se
encontró que el RMSE y MAE normalizados eran más bajos que los otros modelos. El rendimiento general de todos los
modelos fue sustancialmente alto.

3.2. Predicción del Parámetro de Fatiga (G*.sind) Uso de parámetros no envejecidos

Un objetivo principal de evaluar los métodos para predecir la resistencia a la fatiga en el ligante asfáltico es eliminar los
laboriosos trabajos de laboratorio involucrados en la medición del comportamiento a la fatiga en el ligante. El modelado de la
resistencia a la fatiga del ligante asfáltico es fundamental para prolongar la vida útil del pavimento. La evaluación de la
resistencia a la fatiga del aglutinante requiere un acondicionamiento de envejecimiento a corto y largo plazo que produzca
cambios físicos y químicos en el aglutinante.
El desempeño de los modelos se presenta en la Tabla4y una representación gráfica de la comparación punto
por punto de los valores pronosticados y medidos para el conjunto de datos de simulación está en la Figura3.

Tabla 4.Resultados de rendimiento para la predicción de los parámetros del parámetro de fatiga (G*.sinδ) utilizando un conjunto de datos sin

envejecer.

Modelo Resultados de entrenamiento Resultados de la simulación

Conjunto de datos de látex al 3 % Conjunto de datos de látex al 6 %

R2 RMSE MAE R2 RMSE MAE R2 RMSE MAE

ANA 0.98 0.028 0.020 0.49 0.116 0.090 0.70 0.039 0.032

GPR 0.96 0.036 0.024 0,60 0.120 0.019 0.76 0.38 0.032

RNN 0.98 0.028 0.020 0,61 0.142 0.121 0.70 0.071 0.061

MVS 0.96 0.037 0.025 0.49 0.116 0.090 0.70 0.039 0.032
aplicación ciencia2020,10, 7764 10 de 17

0.4 ANN predicho Medido

G* normalizado/senδ
0.3

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex-…

GPR predicho Medido

0.4
G* normalizado/senδ

0.3

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

0.4 RNN previsto Medido

G* normalizado/senδ

0.3

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex----
>

0.4 SVM predicho Medido

0.3
G* normalizado/senδ

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

Figura 3.La comparación de los parámetros G*.sinδ previstos frente a los medidos utilizando el conjunto de datos sin envejecer.
aplicación ciencia2020,10, 7764 11 de 17

Los resultados en la Tabla4muestran que todo el entrenamiento del modelo se desempeñó sustancialmente bien. Sin embargo,
la alta precisión del entrenamiento del modelo no se traduce en rendimiento con una simulación de un nuevo conjunto de datos que
no se usó previamente en la calibración del modelo. Todos los modelos no funcionaron bien con el conjunto de datos de simulación de
mezcla ML-3. Sin embargo, el GPR propuesto dentro de las dos combinaciones (ML-3 y ML-6) utilizadas para la simulación funcionó
mejor que los modelos ANN, RNN y SVM. El bajo rendimiento de los modelos con una modificación del látex del 3 % podría atribuirse a
los complejos cambios químicos y físicos que tienen lugar durante el acondicionamiento del envejecimiento del aglutinante a corto y
largo plazo.
Con una correlación del 76 % entre el valor predicho y el valor medido del parámetro G*.sinδ usando el modelo
GPR, es posible eliminar las condiciones de envejecimiento (PAV y RTFOT) requeridas en la selección del aglutinante
adecuado que cumpla con los criterios de temperatura de PG especificados para tráfico de media y baja densidad.
Esto podría ser beneficioso para los países en desarrollo dentro de la región tropical que necesitan utilizar los datos
de especificación de fabricación para diseñar estructuras de pavimento.

3.3. Predicción del Parámetro de Fatiga (G*.sind) Uso de parámetros de antigüedad a corto plazo

Además, en la sección anterior, la esencia de usar las variables de entrada no envejecidas es reducir el costo de
predicción para la predicción del parámetro de fatiga. Sin embargo, en este estudio de caso, se utilizó el conjunto de
datos condicionados por RTFO para evaluar el progreso del parámetro G*.sinδ en el ligante asfáltico. Aunque el costo
del modelado es más alto, esta investigación tuvo como objetivo investigar la confiabilidad del modelado del
parámetro G*.sinδ utilizando el algoritmo GPR.
Los resultados de los cuatro algoritmos muestran una mayor precisión de entrenamiento para el modelado del parámetro
G*.sinδ usando las variables de entrada envejecidas a corto plazo como se muestra en la Tabla5y figura4. Como se observa en la
Sección3.2, el rendimiento de la simulación fue inferior al rendimiento del entrenamiento. El rendimiento deficiente de los modelos,
especialmente con una modificación de látex del 3 %, implica que el conjunto de datos de entrenamiento es insuficiente para extraer
las complejas características de cambios químicos y físicos que tienen lugar durante el envejecimiento del aglomerante. La complejidad
del envejecimiento del aglomerante se aprecia en los comportamientos del modelo con 3% de modificación de látex.

Tabla 5.Resultados de rendimiento para la predicción de los parámetros del parámetro de fatiga (G*.sinδ) utilizando un conjunto de datos de

edad a corto plazo.

Modelo Resultados de entrenamiento Resultados de la simulación

Conjunto de datos de látex al 3 % Conjunto de datos de látex al 6 %

R2 RMSE MAE R2 RMSE MAE R2 RMSE MAE

ANA 0.98 0.027 0.019 0.50 0.225 0.214 0,68 0.044 0.035

GPR 0.96 0.036 0.025 0,60 0.136 0.116 0,64 0.050 0.040

RNN 0.97 0.029 0.021 0.52 0.132 0.110 0.71 0.077 0.063

MVS 0.96 0.035 0.025 0.50 0.201 0.187 0,66 0.045 0.036
aplicación ciencia2020,10, 7764 12 de 17

0.4 ANN predicho Medido

G* normalizado/senδ
0.3
0.2
0.1
0
- 0.1
0 18 36 54 72 90 108

<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex-…

0.4
GPR predicho Medido
G* normalizado/senδ

0.3

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

0.4 RNN previsto Medido

G* normalizado/senδ

0.3

0.2

0.1

0
0 18 36 54 72 90 108
<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

0.4 SVM predicho Medido

0.3
G* normalizado/senδ

0.2

0.1

0
0 18 36 54 72 90 108
- 0.1<---3% puntos de datos de látex-----> | <-----6 % puntos de datos de látex---->

Figura 4.La comparación de los parámetros G*.sinδ previstos frente a los medidos utilizando el conjunto de datos de edad a corto plazo.
aplicación ciencia2020,10, 7764 13 de 17

3.4. Análisis de sensibilidad de parámetros

En los últimos tiempos, los modelos computacionales han allanado el camino para proporcionar una solución óptima a
un problema de diseño. Su confiabilidad depende de las características de los parámetros del modelo seleccionado que
agregan incertidumbre a la salida del modelo. Sin embargo, la incertidumbre de los parámetros del modelo en la salida se
puede evaluar utilizando un método de diseño de optimización estructural llamado análisis de sensibilidad (SA). El análisis de
sensibilidad global (GSA) es una clase de SA que proporciona información global valiosa sobre cómo la varianza de salida del
modelo depende de la incertidumbre de un parámetro de modelo particular al permitir que más de un factor varíe al mismo
tiempo.47,48].
En este estudio, el GSA se aplicó usando la solución fácil GSA MATLAB. El estudio de Al et al. (2019) contiene un
desarrollo detallado con datos de investigación para facilitar el GSA. Se utilizaron los índices de orden primero y total
de Sobol para estimar la sensibilidad de los parámetros del modelo a la varianza de salida. El índice de Sobol es un
índice de sensibilidad que descompone la varianza de salida y estima la importancia de un conjunto único o específico
de variables en la incertidumbre de la salida del modelo [47]. El primer orden da cuenta de los efectos individuales
sobre la varianza de la variable dependiente. Por otro lado, los índices totales dan cuenta del efecto general de la
variable dependiente en la varianza de salida del modelo y también de las interacciones entre variables [48].

3.4.1. Análisis de sensibilidad de los parámetros del modelo de ahuellamiento

Con respecto a los parámetros no envejecidos en G*/sinδ, que fue el alcance del Estudio de caso-1, Figura5
muestra que la temperatura, el punto de reblandecimiento y la frecuencia de prueba son los parámetros más
influyentes. Además, la influencia del ángulo de fase mostró una tendencia única con el ángulo de fase en T58
◦ C registrando el valor STi más alto. Los resultados están de acuerdo con los valores estándar de laboratorio; el aumento de la

temperatura y la frecuencia de la prueba disminuyen los valores de G*/sinδ del ligante asfáltico. Además, la importancia de las
propiedades viscosas y elásticas del ligante asfáltico que influye en el comportamiento de ahuellamiento se observa en los
valores del ángulo de fase y del punto de reblandecimiento.

Temperatura

δ @T76 °C - CALLEi

δ @T70 °C -

δ @T64 °C - Si
-
δ @T58 °C

δ @T52 °C

δ @T46 °C

G* @T76 °C

G* @T70 °C

G* @T64 °C

G* @T58°C

G* @T52 °C

G* @T46 °C

Viscosidad

Punto de ablandamiento

frecuencia

0 0.2 0.4 0.6 0.8 1

Figura 5.Índices de Sobol obtenidos para los parámetros del modelo de ahuellamiento.
aplicación ciencia2020,10, 7764 14 de 17

3.4.2. Análisis de sensibilidad de los parámetros del modelo de fatiga

Los objetivos de los estudios de caso 2 y 3 fueron predecir el agrietamiento por fatiga usando parámetros sin envejecer
y de corta edad (RTFOT) respectivamente. Este estudio solo se centró en el rango de temperatura predominante que afecta a
las regiones tropicales. Como se obtuvo en el Estudio de Caso 1, el ángulo de fase, el punto de reblandecimiento y la
temperatura y frecuencia de prueba mostraron alta sensibilidad a la variación del parámetro G*.sinδ. Los índices de Sobol
mostraron baja sensibilidad de G* y viscosidad del ligante a la variación del parámetro G*.sinδ como se muestra en la Figura6
.

(a) (b)
Temperatura Temperatura

δ @T76 °C δ @T76 °C

δ @T70 °C δ @T70 °C - CALLEi

- -
δ @T64 °C i
CALLE
δ @T64 °C
- Si
δ @T58 °C δ @T58 °C -
- Si
δ @T52 °C δ @T52 °C
δ @T46 °C δ @T46 °C
G* @T76 °C G* @T76 °C
G* @T70 °C G* @T70 °C
G* @T64 °C G* @T64 °C
G* @T58°C
G* @T58°C
G* @T52 °C
G* @T52 °C
G* @T46 °C
G* @T46 °C
Viscosidad
Viscosidad
Punto de ablandamiento
Punto de ablandamiento

frecuencia
frecuencia

0 0.2 0.4 0.6 0.8 1

0 0.2 0.4 0.6 0.8

Figura 6.Índices de Sobol obtenidos para el modelo de fatiga usando (a) parámetros no envejecidos y (b) Parámetros RTFOT.

4. Conclusiones

En este estudio, se evaluó la confiabilidad del algoritmo GPR para la predicción de ahuellamiento y agrietamiento por
fatiga en el ligante. Para este objetivo, se utilizaron seis SBS y dos aglutinantes modificados con látex para construir la base de
datos del estudio. Los aglutinantes modificados con SBS se utilizaron para entrenar el modelo, mientras que los aglutinantes
modificados con látex se reservaron para la simulación de los modelos. Se evaluaron tres estudios de casos usando variables
de entrada sin envejecer y envejecidas a corto plazo para predecir los parámetros de ahuellamiento y fatiga. La motivación era
proporcionar un modelo predictivo para ayudar a los diseñadores de pavimentos en regiones tropicales con equipos de
laboratorio de carreteras limitados. Los diseñadores pueden basarse en las especificaciones del fabricante y la prueba básica
del aglutinante para evaluar el desempeño del aglutinante seleccionado a temperaturas intermedias y altas. El desempeño del
modelo GPR se verificó contra los modelos tradicionales ANN, SVM y RNN. El modelo GPR propuesto mostró un rendimiento
comparable con los modelos ANN, SVM y RNN. Así, el estudio extrae las siguientes conclusiones:

1. La predicción del parámetro de formación de surcos con variables no envejecidas arrojó una precisión significativamente mayor del
97 % de correlación con los valores medidos con el modelo GPR en el conjunto de datos de simulación.
aplicación ciencia2020,10, 7764 15 de 17

2. Las variables de entrada seleccionadas y la base de datos no fueron suficientes para predecir los parámetros de
fatiga a temperatura intermedia. Esto resultó en una subestimación del parámetro de fatiga en los Estudios de
Caso 2 y 3.
3. Los resultados indicaron además que las variables de entrada no envejecidas tienen mayor confiabilidad en la
predicción de los parámetros de fatiga.
4. Las variables de ángulo de fase, temperatura, viscosidad y punto de reblandecimiento tienen un efecto significativo en la
varianza de salida del modelo.
5. La limitación del modelo propuesto es la necesidad de una base de datos grande y más completa para
ajustar su precisión predictiva.

Contribuciones de autor:Conceptualización, UDI, PA y SIAA; metodología; UDI, MRMH, AS y KAS; análisis

formal, UDI; redacción: preparación del borrador original, IDU, PA, AS, supervisión, PA, MRMH y SIAA Todos los
autores han leído y aceptado la versión publicada del manuscrito.
Fondos:La investigación fue financiada por la Universiti Sains Malaysia (USM) a través del Plan de subvenciones para investigación a corto plazo
(304/PAWAM/60313048) y el Ministerio de Educación Superior de Malasia para el Plan de subvenciones para investigación fundamental (203/
PAWAM/6071358).

Expresiones de gratitud:Los autores desean agradecer al Kraton®Polymers, Nederland BV por suministrar los polímeros utilizados
para realizar esta investigación.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias

1. Abu El-Maaty Behiry, AE Vidas de fatiga y ahuellamiento en pavimento flexible.Ing. Ain Shams. j2012,3, 367–374. [Referencia
cruzada]
2. Kan, S.; Nagabhushana, M.; Tiwari, D.; Jain, P. Ahuellamiento en pavimento flexible: un enfoque de evaluación con una instalación de
prueba acelerada de pavimento.Procedia Soc. Comportamiento ciencia2013,104, 149–157. [Referencia cruzada]
3. Mirzababaei, P.; Nejad, FM; Vanaei, V. Investigación del rendimiento de ahuellamiento de ligantes asfálticos que contienen aditivo
tibio.Mascota. ciencia Tecnología2016,35, 79–85. [Referencia cruzada]
4. Kim, H.; Waggoner, parlamentario; Buttlar, WG Modelado micromecánico de fracturas de hormigón asfáltico utilizando una prueba de viga con
muescas de un solo borde.Mate. Estructura.2008,42, 677–689. [Referencia cruzada]
5. Sani, A.; Hasan, MRM; Shariff, KA; Jamshidi, A.; Abraham, AH; Poovaneshvaran, S. Ingeniería y características microscópicas
de los aglutinantes modificados con látex de caucho natural que incorporan aditivo de silano.En t. J. Pavimento Ing.2019
, 1–10. [Referencia cruzada]
6. Rahman, M.; Gassman, SL Efecto del módulo resiliente de suelos de subrasante no perturbados sobre la formación de surcos en el pavimento. En t. J.

Geotecnología. Ing.2017,13, 152–161. [Referencia cruzada]

7. Marrón, Urgencias; Kandhal, PS; Roberts, Florida; Kim, YR; Lee, D.-Y.; Kennedy, TWMateriales de mezcla asfáltica en caliente,
diseño y construcción de mezclas, 3ª ed.; Fundación de Investigación y Educación de NAPA: Lanhamm, MD, EE. UU.,
2009.
8. Polacco, G.; Filippi, S.; Merusi, F.; Stastna, G. Una revisión de los fundamentos de los asfaltos modificados con polímeros:
interacciones asfalto/polímero y principios de compatibilidad.Adv. Ciencia de la interfaz coloidal.2015,224, 72–112. [Referencia
cruzada]
9. Oporto, M.; Caputo, P.; Loísa, V.; Eskandarsefat, S.; Teltaiev, B.; Rossi, CO Betún y modificación del betún: una revisión de los
últimos avances.aplicación ciencia2019,9, 742. [Referencia cruzada]
10. Ay, M.; Ali, SIA Predicción del rendimiento a alta temperatura de un aglutinante de asfalto modificado con geopolímero utilizando
redes neuronales artificiales.En t. J. Tecnología.2019,10, 417. [Referencia cruzada]
11. Kök, BV; Yilmaz, M.; Sengóz, B.; Sengur, A.; Avci, E. Investigación del módulo complejo de betún modificado base y SBS con
redes neuronales artificiales.Sistema experto aplicación2010,37, 7775–7780. [Referencia cruzada]
12. Yan, K.; Tú, L. Investigación del módulo complejo de masilla asfáltica mediante redes neuronales artificiales.Indio J. Ing.
Mate. ciencia2014,21, 445–450.
13. Cui, L.; Yang, S.; Chen, F.; Ming, Z.; Lu, N.; Qin, J. Una encuesta sobre la aplicación del aprendizaje automático para Internet de las cosas.En t. J.
Mach. Aprender. cibernético2018,9, 1399–1417. [Referencia cruzada]
14. Bjornson, E.; Giselsson, P. Dos aplicaciones del aprendizaje profundo en la capa física de los sistemas de comunicación
[Notas de clase].Proceso de señal IEEE. revista2020,37, 134–140. [Referencia cruzada]
aplicación ciencia2020,10, 7764 16 de 17

15. Qin, Z.; Vosotros, H.; Li, GY; Juang, B.-HF Aprendizaje profundo en comunicaciones de capa física.Cable IEEE. común 2019,26, 93–99.
[Referencia cruzada]
16. Voulodimos, A.; Doulamis, N.; Doulamis, A.; Protopapadakis, E. Aprendizaje profundo para la visión por computadora: una breve
revisión.computar Intel. Neurosci.2018,2018, 7068349. [Referencia cruzada]
17. Pingel, J.; Ja, G. Aprendizaje profundo para visión artificial. Disponible en linea:https://www.mathworks.com/videos/deep-
learning-for-computer-vision-120997.html(consultado el 29 de junio de 2019).
18. Li, S.; Zhao, X. Detección de grietas en el hormigón basada en imágenes utilizando una red neuronal convolucional y una técnica de búsqueda
exhaustiva.Adv. civ. Ing.2019,2019, 6520620. [Referencia cruzada]
19. Guo, Y.; Liu, Y.; Oerlemans, A.; Lao, S.; Wu, S.; Lew, MS Aprendizaje profundo para la comprensión visual: una revisión.
neurocomputación2016,187, 27–48. [Referencia cruzada]
20. Cao, C.; Liu, F.; Tan, H.; Canción, D.; Shu, W.; Li, W.; Zhou, Y.; Caja.; Xie, Z. Deep Learning y sus aplicaciones en biomedicina.
genoma Proteoma. Bioinformar.2018,dieciséis, 17–32. [Referencia cruzada]
21. Lee, T.-L.; Lin, H.-M.; Lu, Y.-P. Evaluación de fallas en taludes de carreteras utilizando redes neuronales.J. Universidad de Zhejiang. A
2009,10, 101–108. [Referencia cruzada]
22. Martínez-Morales, J.; Palacios-Hernandez, ER; Velazquez-Carrillo, GA Modelado y optimización multiobjetivo de un motor
de gasolina mediante redes neuronales y algoritmos evolutivos.J. Universidad de Zhejiang. A 2013,14, 657–670. [
Referencia cruzada]
23. Akpinar, P.; Khashman, A. Sistema de clasificación inteligente para la resistencia a la compresión del hormigón. Cómputo de
procedimientos. ciencia2017,120, 712–718. [Referencia cruzada]
24. Khashman, A.; Akpinar, P. Predicción no destructiva de la resistencia a la compresión del hormigón mediante redes neuronales.Cómputo de
procedimientos. ciencia2017,108, 2358–2362. [Referencia cruzada]
25. Xi-Zhao, W.; Qing-Yan, S.; Qing, M.; Jun-Hai, Z. Selección de arquitectura para redes entrenadas con una máquina de aprendizaje
extremo utilizando un modelo de error de generalización localizado.neurocomputación2013,102, 3–9. [Referencia cruzada]
26. Berka, P.; Rauch, J.; Zighed, DAMinería de datos y gestión del conocimiento médico: casos y aplicaciones; IGI Global:
Hershey, Pensilvania, EE. UU., 2009; ISBN 9781605662183.
27. Asante-Okyere, S.; Shen, C.; Ziggah, YY; Rulegeya, MM; Zhu, X. Investigación del rendimiento predictivo de la regresión del proceso
gaussiano en la evaluación de la porosidad y la permeabilidad del yacimiento.Energías2018,11, 3261. [Referencia cruzada]

28. Caywood, MS; Roberts, DM; Colombe, JB; Greenwald, SA; Weiland, MZ Regresión del proceso gaussiano para modelos de
aprendizaje automático predictivos pero interpretables: un ejemplo de predicción de la carga de trabajo mental entre tareas.
Frente. Tararear. Neurosci.2017,10, 647. [Referencia cruzada]
29. Richardson, RR; Osborne, MA; Howey, D. Regresión del proceso gaussiano para pronosticar el estado de salud de la batería.J.
Fuentes de energía2017,357, 209–219. [Referencia cruzada]
30. Sí, S.; Heyns, P. Una regresión del proceso gaussiano integrado para la predicción de la vida útil restante de los rodamientos de baja velocidad
en función de la emisión acústica.mecánico sist. Proceso de señal.2017,84, 485–498. [Referencia cruzada]
31. Yu, H.; Wang, Z.; Rezaee, R.; Zhang, Y.; Xiao, L.; Luo, X.; Wang, X.; Zhang, L. El proceso de regresión gaussiana para la
estimación de TOC utilizando registros de cable en yacimientos de gas de esquisto. En Actas de la Conferencia
Internacional de Tecnología del Petróleo, Sociedad de Ingenieros de Petróleo (SPE), Bangkok, Tailandia, 14 a 16 de
noviembre de 2016.
32. Fyfe, C.; Der Wang, T.; Chuang, SJ Comparación de procesos gaussianos y redes neuronales artificiales para pronósticos. En
Actas de la 9ª Conferencia Conjunta sobre Ciencias de la Información (JCIS), Kaohsiung, Taiwán, 8 al 11 de octubre de
2006; Atlantis Press: Ámsterdam, Países Bajos, 2006; Volumen 2006, págs. 29–32.
33. Chaurasia, P.; Younis, K.; Qadri, OS; Srivastava, G.; Osama, K. Comparación de la regresión del proceso gaussiano, la red neuronal
artificial y los enfoques de modelado de la metodología de superficie de respuesta para predecir el tiempo de secado de la
cáscara de mosambi (Citrus limetta).J. Proceso de Alimentos. Ing.2018,42, e12966. [Referencia cruzada]
34. Ghasemi, P.; Aslani, M.; Rollins, SDK; Williams, RC Redes neuronales de componentes principales para modelado, predicción y
optimización del módulo dinámico de mezcla asfáltica en caliente.Infraestructuras2019,4, 53. [Referencia cruzada]
35. El-Badawy, SM; El-Hakim, RTA; Awed, A. Comparación de redes neuronales artificiales con modelos de regresión para la predicción
del módulo dinámico de mezcla asfáltica en caliente.J.Mater. civ. Ing.2018,30, 04018128. [Referencia cruzada]
36. Liu, J.; Yan, K.; Liu, J.; Zhao, X. Uso de redes neuronales artificiales para predecir el módulo dinámico de mezclas de asfalto
que contienen tejas de asfalto reciclado.J.Mater. civ. Ing.2018,30, 04018051. [Referencia cruzada]
37. De Souza, VMA Clasificación de pavimento de asfalto usando acelerómetro de teléfono inteligente y distancia invariante de complejidad.Ing.
aplicación Artefacto Intel.2018,74, 198–211. [Referencia cruzada]
aplicación ciencia2020,10, 7764 17 de 17

38. Chen, C.-L.; Tai, C.-L. Segmentación adaptativa de colores difusos con red neuronal para detecciones de carreteras.Ing. aplicación Artefacto
Intel.2010,23, 400–410. [Referencia cruzada]
39. Daneshvar, D.; Behnood, A. Estimación del módulo dinámico de hormigones asfálticos utilizando el algoritmo de bosques
aleatorios.En t. J. Pavimento Ing.2020, 1–11. [Referencia cruzada]
40. Yu, J.Modificación de modelos predictivos de módulo dinámico para mezclas de asfalto que contienen tejas de asfalto reciclado;
Universidad Estatal de Iowa: Ames, IA, EE. UU., 2018.
41. Bari, J.; Witczak, MW Desarrollo de una nueva versión revisada del Modelo Predictivo Witczak E para mezclas asfálticas en
caliente.Electrón. J. Asf. Tecnología de pavimentación.2006,75, 381–423.
42. Akpinar, P.; Uwanuakwa, ID Predicción inteligente de la profundidad de carbonatación del concreto usando redes neuronales. Toro.
Transilv. Universidad Braşov. Ser. III Matemáticas. física2016,9, 99–108.
43. Akpinar, P.; Uwanuakwa, ID Investigación de los parámetros que influyen en el progreso de la profundidad de carbonatación del hormigón
mediante el uso de redes neuronales artificiales.Mate. Constr.2020,70, 209. [Referencia cruzada]
44. Wu, C.; Chau, K. Predicción de series temporales de lluvia utilizando métodos modulares de computación suave.Ing. aplicación Artefacto Intel.
2013,26, 997–1007. [Referencia cruzada]
45. Al, R.; Behera, CR; Zubov, A.; Gernaey, KV; Sin, G. Análisis de sensibilidad global eficiente basado en metamodelado para plantas de
tratamiento de aguas residuales: una aplicación al modelo BSM2.computar química Ing.2019,127, 233–246. [Referencia cruzada]

46. Liu, X.; Ren, Y.; Canción, X.; Witarto, W. Un método de análisis de sensibilidad global basado en la integración de Gauss-Lobatto y
su aplicación en cimentaciones periódicas estratificadas con tensión inicial.compos. Estructura.2020, 244, 112297. [Referencia
cruzada]
47. Zhang, X.-Y.; Trame, MN; Lesko, LJ; Schmidt, S. Sobol Análisis de sensibilidad: una herramienta para guiar el
desarrollo y la evaluación de modelos de farmacología de sistemas.Farmacomet CPT. sist. Farmacol.2015, 4, 69–
79. [Referencia cruzada] [PubMed]
48. Saltelli, A.; Ratto, M.; Y descansar.; Campolongo, F.; Cariboni, J.; Gatelli, D.; Saisana, M.; Tarántola, S. Análisis de sensibilidad
global: el manual básico; John Wiley and Sons: Chichester, Reino Unido, 2008; ISBN 9780470059975.

Nota del editor:MDPI se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones
institucionales.

©2020 por los autores. Licenciatario MDPI, Basilea, Suiza. Este artículo es un artículo de
acceso abierto distribuido bajo los términos y condiciones de la licencia Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).