Optimizing modified asphalt binder performance at high and intermediate temperatures using experimental and machine learning approaches
Notice bibliographique
Résumé
Asphalt pavements are highly susceptible to temperature-induced stresses, which can lead to significant deterioration such as rutting at high temperatures and cracking at low temperatures. These challenges are exacerbated by global warming, which raises pavement temperatures and potentially accelerates material degradation . Addressing these issues, this study utilizes two base asphalt binders , PG 64–22 and PG 76–22, and the use of phase change materials (PCMs) like styrene-butadiene-styrene, lignin, and ground tire rubber to enhance the resilience of asphalt binders. Through an extensive experimental investigation, which includes aging processes such as rolling thin film oven and pressure aging vessel, alongside a series of both traditional and advanced tests (including dynamic shear rheometer , rotational viscometer , Fourier transform infrared spectroscopy, among others), a comprehensive set of 51 samples were analysed. By incorporating these binders and PCMs into asphalt, the experimental work demonstrated a significant improvement in the thermal and mechanical properties, effectively increasing resistance to high-temperature rutting and fatigue cracking. Complementing the experimental approach, machine learning models were employed to predict complex asphalt binder properties , such as combustion value and failure temperature, based on the experimental data. This dual approach fills a significant gap in the literature by offering a more efficient method and prediction model for optimizing pavement materials amidst climate change , while also promising to significantly advance pavement technology by enhancing material design and performance.
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 | 0,000 | 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 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 ».