Predicting the Recovery and Nonrecoverable Compliance Behaviour of Asphalt Binders Using Artificial Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Additives are widely used to enhance the rheological and performance properties of asphalt binder to satisfy the demands of extreme loading and climatic conditions. Meanwhile, adding to the complexity of asphalt binder behaviour that requires more time, effort, and material resources during laboratory work. The purpose of this research was to use Artificial Neural Networks (ANNs) to predict the recovery (R) and nonrecoverable compliance (Jnr) behaviour of asphalt binder based on mechanical test parameters and rheological properties of asphalt binder. A comprehensive experimental database consisting of the results of the frequency sweep and Multiple Stress Creep Recovery (MSCR) test using a dynamic shear rheometer (DSR) at five test temperatures (46 ∘C, 52 ∘C, 58 ∘C, 64 ∘C, and 70 ∘C). Prediction models for R and Jnr of asphalt binder modified with different contents of fly ash, fly ash-based geopolymer, glass powder/fly ash-based geopolymer, and styrene–butadiene styrene (SBS) were developed. The ANNs model was developed using five input parameters (temperature, frequency, storage modulus, loss modulus, and viscosity) and one hidden layer with five neurons. The results pointed out that the hybrid and 4%SBS binders achieved the highest ability to resist extremely heavy traffic and to recover the deformation with 60.1% and 85.5% at 46 ∘C, respectively, compared with the other modified asphalt binders. Excellent R-values for the total data set of 0.937, 0.997, 0.985, and 0.987 for Jnr3.2 of unaged binder, Jnr3.2 of aged binder, R3.2 of unaged binder, and R3.2 of aged binder, respectively. Therefore, the ANNs model is appropriate tool to predict the R3.2 and Jnr3.2 using unaged or aged binders at different temperatures.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle