Prediction of the hot asphalt mix properties using deep neural networks
Notice bibliographique
Résumé
Abstract Background Marshall design process is the most common method used for estimating the Optimum asphalt content (OAC) and this process is called the asphalt mix design. However, this method is time-consuming, labor-intensive, and its results are subjected to variations. Results This paper employs artificial neural network (ANN) for the estimation of Marshall test parameters (OAC, Stability, Flow, Air voids, Voids in mineral aggregate) using the aggregate gradation as the input of the prediction process. Multiple ANNs are tested in order to optimize the NN hyperparameters and produce accurate predictions. Different activation functions, number of hidden layers, and number of neurons per hidden layer are tested and heatmaps are generated to compare the performance of every ANN. Results show that the optimum ANN hyperparameters change depending on the predicted parameter. Finally, the deep NN can predict the OAC, stability, flow, density, air voids, and voids in mineral aggregate with R values of 0.91, 0.8, 0.53, 0.65, 0.77, and 0.66. Conclusion The linear activation function is the most efficient activation function and generates more accurate results than the logistic and the hyperbolic tangent functions. Additionally, it is shown that the deep neural network approach represents a major innovative tool for the prediction of the asphalt mix properties as results of this approach outperforms results of the shallow ANN that consists of a single hidden layer which is the only approach used in the literature. Thus, the use of the deep ANN can be useful during the phase of the design of the asphalt mix process because of its ability to predict variables with high accuracy. For example, the ANN with 3 hidden layers and 16 neurons per layer with the linear activation function can predict the OAC with high accuracy (R = 0.91), which can be helpful in the design process as the ANN can be employed for the prediction of the OAC of the asphalt mix.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».