Hybrid generative adversarial network and machine learning approach for performance prediction of marshall stability and marshall flow of recycled asphalt shingle pavements
Notice bibliographique
Résumé
Recycling asphalt shingles waste offers a promising way to enhance the performance of hot-mix asphalt pavements and reduce both environmental impact and reconstruction costs. Growing interest in sustainable pavement materials has initiated research into how recycled asphalt shingle (RAS) can improve key performance indicators such as Marshall Stability (MS) and Marshall Flow (MF). Despite this impetus, progress has been delayed due to limited and imbalanced datasets, making it difficult for traditional machine learning models to deliver reliable predictions. As a result, much of the potential of RAS remained unrealized, and decision-makers lacked robust tools to evaluate performance outcomes. Therefore, this study introduced a conditional tabular generative adversarial network to generate synthetic data from 70% of the real dataset. The method produced a well-balanced training environment for model development, which helped overcome data paucity and improve prediction accuracy. This hybrid strategy significantly improved the generalization of the model and accuracy by achieving R² values of 0.9887 for MS and 0.9505 for MF for the testing set, respectively. The Huber losses of MS and MF of the testing sets were 1.654 and 0.0763, in the stated order. SHAP analysis further revealed that binder content and mix gradation were the most influential parameters, reinforcing existing domain knowledge while opening the door to more data-driven pavement design. This work not only filled a critical data gap but also demonstrated the powerful integration between synthetic data and advanced ML models in civil engineering applications.
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 ».