Mechanical performance prediction of asphalt mixtures: a baseline study of linear and non-linear regression compared with neural network modeling

Nicola Baldo; Fabio Rondinella; Fabiola Daneluz; Pavla Vacková; Jan Valentin; Marcin Gajewski; Jan Król

doi:10.7409/rabdim.025.001

Opublikowane: 2025-03-05

Tom 24 Nr 1 (2025)

Przewidywanie właściwości mechanicznych mieszanek mineralno-asfaltowych: badanie modelowania sieciami neuronowymi w porównaniu z metodami referencyjnymi regresji liniowej i nieliniowej

Nicola Baldo

, Fabio Rondinella

, Fabiola Daneluz

, Pavla Vacková

, Jan Valentin

, Marcin Gajewski

, Jan Król

Dział: Artykuły

https://doi.org/10.7409/rabdim.025.001

Abstrakt

Dokładne przewidywanie właściwości mechanicznych mieszanek mineralno-asfaltowych jest kluczowe w doskonaleniu konwencjonalnych procedur projektowania mieszanek oraz optymalizacji ich właściwości i trwałości nawierzchni. Niniejsze badania dotyczą pogłębionej analizy tego zagadnienia z wykorzystaniem analizy porównawczej dwóch różnych podejść do modelowania: konwencjonalnymi metodami regresji liniowej i nieliniowej oraz metodą sztucznych sieci neuronowych. Pierwsze podejście z konwencjonalnymi metodami regresyjnymi jest szeroko stosowane, ale może mieć pewne ograniczenia co do zastosowania, szczególnie tam, gdzie należy uwzględnić złożone zależności między warunkami badania, a odpowiadającymi im wyjściowymi właściwościami mechanicznymi. Drugie podejście stanowi obiecującą alternatywę, ze względu na przydatność sztucznych sieci neuronowych w modelowaniu nieliniowych interakcji między zmiennymi. Niniejsze badania porównują dokładność przewidywania różnymi metodami predykcyjnymi właściwości mechanicznych mieszanek mineralno-asfaltowych, wykorzystując dane eksperymentalne uzyskane w badaniu cztero-punktowego zginania przeprowadzonych w różnych temperaturach i częstotliwościach obciążenia. Wyniki analiz wskazują na przewagę sieci neuronowych nad konwencjonalnymi metodami modeli regresyjnych ze względu na złożoność analizowanych zależności. Dodatkowymi efektami przeprowadzonych badań jest wskazanie mocnych i słabych strony każdego podejścia do modelowania oraz praktyczne rekomendacje dotyczące wyboru optymalnych modeli do zastosowania w praktyce inżynierskiej budownictwa drogowego.

Słowa kluczowe:

sztuczne sieci neuronowe, mieszanka mineralno-asfaltowa, regresja liniowa, uczenie maszynowe, właściwości mechaniczne, regresja nieliniowa

Podobne artykuły

Piotr Zieliński, Badania mieszanek mineralno-asfaltowych z dodatkiem odpadowych pap bitumicznych , Roads and Bridges – Drogi i Mosty: Tom 21 Nr 4 (2022)
Muhammad Karami, Rahayu Sulistyorini, Indah Marlina Ardianti, Krzywa wiodąca modułu sztywności sprężystej mieszanek asfaltowych zawierających lepiszcze modyfikowane asfaltem naturalnym Buton (BRA) , Roads and Bridges – Drogi i Mosty: Tom 19 Nr 4 (2020)
Shahab HasaniNasab, Mohammad Hassan Jebur, Hassan Sharafi, Wpływ nano-CaCO₃ na właściwości mechaniczne i przepuszczalność nawierzchni z betonu wałowanego (RCCP) , Roads and Bridges – Drogi i Mosty: Tom 17 Nr 3 (2018)
Mehdi Modabberifar, Milad Roudi, Ehsan Soury, Analiza statystyczna wyników numerycznej analizy parametrów konstrukcyjnych płyt
z kompozytów FRP z wypełnieniem o strukturze plastra miodu pod obciążeniem momentem skręcającym , Roads and Bridges – Drogi i Mosty: Tom 15 Nr 2 (2016)
Krzysztof Kołodziej, Lesław Bichajło, Tomasz Siwowski, Wpływ składu i właściwości mastyksu na odporność asfaltu lanego na deformacje trwałe , Roads and Bridges – Drogi i Mosty: Tom 20 Nr 1 (2021)
Piotr Radziszewski, Jerzy Piłat, Michał Sarnowski, Karol J. Kowalski, Jan B. Król, Wpływ wysokiej temperatury na właściwości materiałów stosowanych w konstrukcjach asfaltowych nawierzchni mostowych , Roads and Bridges – Drogi i Mosty: Tom 14 Nr 3 (2015)
Andrzej Plewa, Mieszanki mineralno-asfaltowe z lepiszczami upłynnionymi dodatkiem oleju roślinnego do zastosowań jako elastyczne warstwy przeciwspękaniowe , Roads and Bridges – Drogi i Mosty: Tom 18 Nr 3 (2019)
Józef Judycki, Zastosowanie nowej metody obliczania naprężeń termicznych opartej na teorii lepko-sprężystości do analizy spękań niskotemperaturowych w warstwach asfaltowych nawierzchni , Roads and Bridges – Drogi i Mosty: Tom 19 Nr 1 (2020)
Wojciech Bańkowski, Analiza trwałości zmęczeniowej betonów asfaltowych z uwzględnieniem typu mieszanki i rodzaju lepiszcza , Roads and Bridges – Drogi i Mosty: Tom 17 Nr 4 (2018)
Mariusz Jaczewski, Bohdan Dołżycki, Jacek Alenowicz, Piotr Jaskuła, Wpływ materiału odzyskanego z nawierzchni asfaltowej (RAP) na niskotemperaturowe właściwości betonu asfaltowego , Roads and Bridges – Drogi i Mosty: Tom 18 Nr 4 (2019)

1 2 3 4 5 6 7 8 9 10 > >>

Możesz również Rozpocznij zaawansowane wyszukiwanie podobieństw dla tego artykułu.

Inne teksty tego samego autora

Beata Gajewska, Marcin Gajewski, Cezary Kraszewski, Leszek Rafalski, Badania modułów sprężystości wybranych mieszanek związanych hydraulicznie (HBM) pod obciążeniem cyklicznym , Roads and Bridges – Drogi i Mosty: Tom 11 Nr 4 (2012)
Mirosław Graczyk, Marcin Gajewski, Radosław Szczerba, Analiza statyczna dyblowanej betonowej nawierzchni lotniskowej z uwzględnieniem zjawiska curlingu płyt , Roads and Bridges – Drogi i Mosty: Tom 15 Nr 2 (2016)
Marcin Błaszczak, Karol J. Kowalski, Jan Król, Metoda oceny współczynnika tarcia, głębokości makrotekstury i poziomu dźwięku za pomocą analizy obrazu pola kontaktu opony z nawierzchnią , Roads and Bridges – Drogi i Mosty: Tom 14 Nr 2 (2015)
Karolina Pełczyńska, Marcin Gajewski, Przegląd wybranych kryteriów zmęczeniowych warstw związanych spoiwami hydraulicznymi w nawierzchniach drogowych , Roads and Bridges – Drogi i Mosty: Tom 17 Nr 3 (2018)
Pavla Vacková, Jan Valentin, Porównanie parametrów mechaniki pękania uzyskanych z badań próbek półwalcowych zmodyfikowaną metodą SCB , Roads and Bridges – Drogi i Mosty: Tom 20 Nr 2 (2021)
Wojciech Bańkowski, Renata Horodecka, Marcin Gajewski, Krzysztof Mirski, Rozszerzona ocena trwałości mieszanek mineralno-asfaltowych na ciepło , Roads and Bridges – Drogi i Mosty: Tom 15 Nr 2 (2016)
Marcin Gajewski, Renata Horodecka, Właściwości reologiczne asfaltów drogowych zmodyfikowanych asfaltem naturalnym , Roads and Bridges – Drogi i Mosty: Tom 17 Nr 2 (2018)
Beata Gajewska, Marcin Gajewski, Cezary Kraszewski, Analiza podatnej nawierzchni drogowej na podłożu z inkluzją w postaci kanału wykonanego wzdłuż osi jezdni , Roads and Bridges – Drogi i Mosty: Tom 17 Nr 4 (2018)
Marcin Gajewski, Porównanie właściwości reologicznych wybranych elastomerów stosowanych do produkcji łożysk mostowych , Roads and Bridges – Drogi i Mosty: Tom 16 Nr 1 (2017)
Peter Gallo, Majda Belhaj, Jan Valentin, Pavla Vackova, Laboratoryjna ocena łącznego wpływu włókien jutowych i środków odświeżających (rejuvenatorów) na niektóre właściwości użytkowe mieszanki mineralno-asfaltowej zawierającej destrukt asfaltowy , Roads and Bridges – Drogi i Mosty: Tom 22 Nr 4 (2023)

1 2 > >>

Pobierz pliki

PDF

Zasady cytowania

Baldo, N., Rondinella, F., Daneluz, F., Vacková, P., Valentin, J., Gajewski, M., & Król, J. (2025). Przewidywanie właściwości mechanicznych mieszanek mineralno-asfaltowych: badanie modelowania sieciami neuronowymi w porównaniu z metodami referencyjnymi regresji liniowej i nieliniowej. Roads and Bridges – Drogi I Mosty, 24(1), 27–35. https://doi.org/10.7409/rabdim.025.001

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.

Bibliografia

Gandomi A.H., Alavi A.H., Mirzahosseini M.R., Nejad F.M.: Nonlinear genetic-based models for prediction of flow number of asphalt mixtures. Journal of Materials in Civil Engineering, 23, 2011, 248-263, DOI: 10.1061/(ASCE)MT.1943-5533.0000154
Google Scholar

Alavi A.H., Ameri M., Gandomi A.H., Mirzahosseini M.R.: Formulation of flow number of asphalt mixes using a hybrid computational method. Construction and Building Materials, 25, 2011, 1338-1355, DOI: 10.1016/j.conbuildmat.2010.09.010
Google Scholar

Dias J.L.F., Picado-Santos L., Capitão S.: Mechanical performance of dry process fine crumb rubber asphalt mixtures placed on the Portuguese road network. Construction and Building Materials, 73, 2014, 247-254, DOI: 10.1016/j.conbuildmat.2014.09.110
Google Scholar

Pasandín A., Pérez I.: Overview of bituminous mixtures made with recycled concrete aggregates. Construction and Building Materials, 74, 2015, 151-161, DOI: 10.1016/j.conbuildmat.2014.10.035
Google Scholar

Masad E., Tashman L., Little D., Zbib H.: Viscoplastic modeling of asphalt mixes with the effects of anisotropy, damage and aggregate characteristics. Mechanics of Materials, 37, 12, 2005, 1242-1256, DOI: 10.1016/j.mechmat.2005.06.003
Google Scholar

Giunta M., Pisano A.A.: One dimensional viscoelastoplastic constitutive model for asphalt concrete. Multidiscipline Modeling in Materials and Structures, 2, 2, 2006, 247-264, DOI: 10.1163/157361106776240761
Google Scholar

Erkens S.M.J.G., Liu X., Scarpas A.: 3D finite element model for asphalt concrete response simulation. International Journal of Geomechanics, 2, 3, 2002, 305-330, DOI: 10.1061/(ASCE)1532-3641(2002)2:3(305)
Google Scholar

Costanzi M., Cebon D.: Generalized phenomenological model for the viscoelasticity of idealized asphalts. Journal of Materials in Civil Engineering, 26, 3, 2014, 399-410, DOI: 10.1061/(ASCE)MT.1943-5533.0000842
Google Scholar

Collop A.C., McDowell G.R., Lee Y.: Use of the distinct element method to model the deformation behavior of an idealized asphalt mixture. International Journal of Pavement Engineering, 5, 1, 2004, 1-7, DOI: 10.1080/10298430410001709164
Google Scholar

Abbas A., Masad E., Papagiannakis T., Harman T.: Micromechanical modelling of the viscoelastic behavior of asphalt mixtures using the discrete-element method. International Journal of Geomechanics, 7, 2, 2007, 131-139, DOI: 10.1061/(ASCE)1532-3641(2007)7:2(131)
Google Scholar

Dondi G., Simone A., Vignali V., Manganelli G.: Numerical and experimental study of granular mixes for asphalts. Powder Technology, 232, 2012, 31-40, DOI: 10.1016/j.powtec.2012.07.057
Google Scholar

Majidifard H., Jahangiri B., Buttlar W.G., Alavi A.H.: New machine learning-based prediction models for fracture energy of asphalt mixtures. Measurement, 135, 2019, 438-451, DOI: 10.1016/j.measurement.2018.11.081
Google Scholar

Ghafari S., Ehsani M., Nejad F.M.: Prediction of low-temperature fracture resistance curves of unmodified and crumb rubber modified hot mix asphalt mixtures using a machine learning approach. Construction and Building Materials, 314, 2022, Article ID: 125332. DOI: 10.1016/j.conbuildmat.2021.125332
Google Scholar

Friedman J., Hastie T., Tibshirani R.: Regularization Paths for Generalized Linear Models via Coordinate Descent. Journal of Statistical Software, 33, 1, 2008, 1-22, DOI: 10.18637/jss.v033.i01
Google Scholar

Li Z., Liu F., Yang W., Peng S., Zhou J.: A survey of convolutional neural networks: analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33, 12, 2021, 6999-7019, DOI: 10.1109/TNNLS.2021.3084827
Google Scholar

Aizenbud Y., Sober B.: Approximating the span of principal components via iterative least-squares. Applied and Computational Harmonic Analysis (ACHA), 63, 2023, 84-92, DOI: 10.1016/j.acha.2022.11.006
Google Scholar

Meng K., Gai Y., Wang X., Yao M., Sun X.: Transfer learning for high-dimensional linear regression via the elastic net. Knowledge-Based Systems, 304, 2024, Article ID: 112525, DOI: 10.1016/j.knosys.2024.112525
Google Scholar

Seno M.E., Zeini H.A., Imran H., Noori M., Henedy S.N., Ghazaly N.M.: Advancing in creep index of soil prediction: A groundbreaking machine learning approach with Multivariate Adaptive Regression Splines. Results in Materials, 24, 2024, Article ID: 100641, DOI: 10.1016/j.rinma.2024.100641
Google Scholar

Rondinella F., Oreto C., Abbondati F., Baldo N.: Laboratory Investigation and Machine Learning Modeling of Road Pavement Asphalt Mixtures Prepared with Construction and Demolition Waste and RAP. Sustainability, 15, 23, 2023, Article ID: 16337, DOI: 10.3390/su152316337
Google Scholar

Rondinella F., Daneluz F., Vacková P., Valentin J., Baldo N.: Volumetric Properties and Stiffness Modulus of Asphalt Concrete Mixtures Made with Selected Quarry Fillers: Experimental Investigation and Machine Learning Prediction. Materials, 16, 3, 2023, Article ID: 1017, DOI: 10.3390/ma16031017
Google Scholar

Liu J., Liu F., Zheng C., Fanijo E.O., Wang L.: Improving asphalt mix design considering international roughness index of asphalt pavement predicted using autoencoders and machine learning. Construction and Building Materials, 360, 2022, Article ID: 129439, DOI: 10.1016/j.conbuildmat.2022.129439
Google Scholar

Pattanaik M.L., Kumar S., Choudhary R., Agarwal M., Kumar B.: Predicting the abrasion loss of open-graded friction course mixes with EAF steel slag aggregates using machine learning algorithms. Construction and Building Materials, 321, 2022, Article ID: 126408, DOI: 10.1016/j.conbuildmat.2022.126408
Google Scholar

Tiwari N., Rondinella F., Satyam N., Baldo N.: Alternative Fillers in Asphalt Concrete Mixtures: Laboratory Investigation and Machine Learning Modeling towards Mechanical Performance Prediction. Materials, 16, 2, 2023, Article ID: 807, DOI: 10.3390/ma16020807
Google Scholar

Wang J., Zhang R., Wang R., Bahia H., Huang W., Wang D., Cai W.: Prediction of the fundamental viscoelasticity of asphalt mixtures using ML algorithms. Construction and Building Materials, 442, 2024, Article ID: 137573. DOI: 10.1016/j.conbuildmat.2024.137573
Google Scholar

SIST EN 12591: 2009 Bitumen and Bituminous Binders – Specifications for Paving Grade Bitumens. European Committee for Standardization: Brussels, Belgium
Google Scholar

ČSN 73 6121 (736121): 2019 Stavba Vozovek – Hutněné Asfaltové Vrstvy – Provádění a Kontrola Shody. Česká Technická Norma: Prague, Czech Republic
Google Scholar

SIST EN 12697: 2019 Part 26, Bituminous Mixtures – Test Methods for Hot Mix Asphalt-Stiffness. European Committee for Standardization: Brussels, Belgium
Google Scholar

James G., Witten D., Hastie T., Tibshirani R.: An Introduction to Statistical Learning with Applications in R. Springer: New York, NY, USA, 2013
Google Scholar

Dismuke C., Lindrooth R.: Ordinary least squares. Methods and designs for outcomes research, 93, 1, 2006, 93-104
Google Scholar

Melkumova L.E., Shatskikh S.Y.: Comparing Ridge and LASSO estimators for data analysis. Procedia Engineering, 201, 2017, 746-755, DOI: 10.1016/j.proeng.2017.09.615
Google Scholar

Heiberger R.M., Neuwirth E.: Polynomial regression. R Through Excel: A Spreadsheet Interface for Statistics, Data Analysis, and Graphics, 2009, 269-284, DOI: 10.1007/978-1-4419-0052-4
Google Scholar

McCulloch W.S., Pitts W.: A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 1943, 115-133, DOI: 10.1007/BF02478259
Google Scholar

Moayedi H., Mosallanezhad M., Rashid A.S.A., Jusoh W.A.W., Muazu M.A.: A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: Theory and applications. Neural Computing and Applications, 32, 2020, 495-518, DOI: 10.1007/s00521-019-04109-9
Google Scholar

Rondinella F., Oreto C., Abbondati F., Baldo N.: A Deep Neural Network Approach towards Performance Prediction of Bituminous Mixtures Produced Using Secondary Raw Materials. Coatings, 14, 8, 2024, Article ID: 922, DOI: 10.3390/coatings14080922
Google Scholar

Berahas A.S., Nocedal J., Takác M.: A multi-batch L-BFGS method for machine learning. Advances in Neural Information Processing Systems, 29, 2016, 1055-1063, DOI: 10.48550/arXiv.1605.06049
Google Scholar

Rumelhart D.E., Hinton G.E., Williams R.J.: Learning representations by back-propagating errors. Nature, 323, 1986, 533-536, DOI: 10.1038/323533a0
Google Scholar

Kingma D.P., Ba J.: Adam: A Method for Stochastic Optimization. arXiv, 1412.6980, 2014, DOI: 10.48550/arXiv.1412.6980
Google Scholar

Kearns M., Valiant L.: Cryptographic limitations on learning boolean formulae and finite automata. Journal of the ACM (JACM), 41, 1, 1994, 67-95, DOI: 10.1145/174644.174647
Google Scholar

Al-Obeidat F., Spencer B., Alfandi O.: Consistently accurate forecasts of temperature within buildings from sensor data using ridge and lasso regression. Future Generation Computer Sys- tems, 110, 2020, 382-392, DOI: 10.1016/j.future.2018.02.035
Google Scholar

Rondinella F., Daneluz F., Hofko B., Baldo N.: Improved predictions of asphalt concretes’ dynamic modulus and phase angle using decision-tree based categorical boosting model. Construction and Building Materials, 400, 2023, Article ID: 132709, DOI: 10.1016/j.conbuildmat.2023.132709
Google Scholar

Nicola Baldo

nicola.baldo@uniud.it
https://orcid.org/0000-0002-5627-9763

Afiliacja:

University of Udine, Polytechnic Department of Engineering and Architecture, Via del Cotonificio 114, 33100 Udine Włochy

Fabio Rondinella

https://orcid.org/0000-0002-8702-5555

Afiliacja:

University of Udine, Polytechnic Department of Engineering and Architecture, Via del Cotonificio 114, 33100 Udine Włochy

Fabiola Daneluz

https://orcid.org/0000-0002-8305-3911

Afiliacja:

University of Udine, Polytechnic Department of Engineering and Architecture, Via del Cotonificio 114, 33100 Udine Włochy

Pavla Vacková

https://orcid.org/0000-0003-4636-8356

Afiliacja:

Czech Technical University, Faculty of Civil Engineering, Thákurova 7, 166 29 Prague Czechy

Jan Valentin

https://orcid.org/0000-0001-9155-1921

Afiliacja:

Czech Technical University, Faculty of Civil Engineering, Thákurova 7, 166 29 Prague Czechy

Marcin Gajewski

https://orcid.org/0000-0002-3171-8504

Afiliacja:

Warsaw University of Technology, Faculty of Civil Engineering, 16 Armii Ludowej Av., 00-637 Warsaw Polska

Jan Król

https://orcid.org/0000-0001-8728-3530

Afiliacja:

Warsaw University of Technology, Faculty of Civil Engineering, 16 Armii Ludowej Av., 00-637 Warsaw Polska

Przewidywanie właściwości mechanicznych mieszanek mineralno-asfaltowych: badanie modelowania sieciami neuronowymi w porównaniu z metodami referencyjnymi regresji liniowej i nieliniowej

Abstrakt

Słowa kluczowe:

Podobne artykuły

Inne teksty tego samego autora

Pobrania

Nicola Baldo

Fabio Rondinella

Fabiola Daneluz

Pavla Vacková

Jan Valentin

Marcin Gajewski

Jan Król