Application of AI Techniques for Asphalt Concrete Mix Production Optimization
Notice bibliographique
Résumé
In present-day conditions of road infrastructure development, ensuring the high quality of asphalt concrete mixes contributes to the durability and reliability of road pavements.This article investigates the application of artificial intelligence techniques to analyze asphalt quality aimed at optimizing production and improving the reliability of road pavements.This study introduces a pioneering approach to asphalt concrete mix quality enhancement using artificial intelligence (AI) techniques, specifically artificial neural networks (ANN) and least-squares support vector machine (LS-SVM).The application of these methods allows for carrying out efficient analysis of data, reflecting asphalt quality, predicting asphalt characteristics, and optimizing production processes.The authors conducted experiments using real asphalt properties, which were used to train and set ANN and LS-SVM models.The obtained results were compared with existing methods of asphalt quality analysis.The conducted analysis confirmed the effectiveness of using ANN and SVM to analyze asphalt quality.This approach provides an opportunity for accurate prediction of asphalt performance characteristics and production process optimization, contributing to the improvement of the durability and reliability of road pavements.The obtained results have practical significance for engineers and specialists in the field of road infrastructure construction and maintenance.The results of the study validate the superiority of AI-driven models in achieving precise and reliable asphalt mix designs, marking a considerable advancement over traditional methods.
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 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 | 0,001 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».