Aging characteristics evaluation of polyphosphoric acid modified asphalt based on thermal analysis kinetics and artificial neural network methods
Notice bibliographique
Résumé
Polyphosphoric acid (PPA) modified asphalt is cost-effective and efficient, but its aging stability requires more precise quantitative analysis. This study investigate the aging behavior of PPA-modified asphalt considering the effects of PPA dosage, aging temperature and time. Softening points were measured after the rolling thin film oven tests (RTFOT) and pressure aging vessel (PAV) tests. Analysis of variance was used to evaluate the factors influencing the softening point. First-order reaction for the aging of PPA-modified asphalt was validated. Aging kinetics and back-propagation neural network model were developed to predict softening points under various aging conditions. Fourier transform infrared (FTIR) was used to explored the mechanism under PAV-aging. The results show that higher PPA dosages negatively affect asphalt’s aging resistance. PPA dosage having the greatest influence on softening points. The aging behavior of matrix asphalt, 0.5%PPA, and 1.0%PPA follows first-order reaction kinetics, allowing the aging kinetics model to accurately predict their softening points. Delayed RTFOT effectively simulates the softening point variation of PPA-modified asphalt during long-term aging. The back-propagation neural network model accurately predicts changes in the softening point of PPA-modified asphalt. The differences in softening points of PPA-modified asphalt after PAV-aging are primarily related to S=O, P–O, and P=O groups.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».