Published April 16, 2022 | Version v1
Publication Open

Machine learning techniques to estimate the degree of binder activity of reclaimed asphalt pavement

Creators

  • 1. Universitat Politècnica de Catalunya
  • 2. University of Palermo
  • 3. Universidade de São Paulo
  • 4. Universidade Federal de Santa Maria
  • 5. University of Nottingham
  • 6. University of Padua
  • 7. University of New Hampshire
  • 8. Universidad de Granada
  • 9. University of Parma
  • 10. University of Belgrade
  • 11. Indian Institute of Technology Kharagpur
  • 12. École de Technologie Supérieure

Description

Abstract This paper describes the development of novel/state-of-art computational framework to accurately predict the degree of binder activity of a reclaimed asphalt pavement sample as a percentage of the indirect tensile strength (ITS) using a reduced number of input variables that are relatively easy to obtain, namely compaction temperature, air voids and ITS. Different machine learning (ML) techniques were applied to obtain the most accurate data representation model. Specifically, three ML techniques were applied: 6th-degree multivariate polynomial regression with regularization, artificial neural network and random forest regression. The three techniques produced models with very similar precision, reporting a mean absolute error ranging from 12.2 to 12.8% of maximum ITS on the test data set. The work presented in this paper is an evolution in terms of data analysis of the results obtained within the interlaboratory tests conducted by Task Group 5 of the RILEM Technical Committee 264 on Reclaimed Asphalt Pavement. Hence, despite it has strong bonds with this framework, this work was developed independently and can be considered as a natural follow-up.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الملخص تصف هذه الورقة تطوير إطار حسابي جديد/حديث للتنبؤ بدقة بدرجة نشاط المادة الرابطة لعينة رصيف الأسفلت المستصلحة كنسبة مئوية من قوة الشد غير المباشرة (ITS) باستخدام عدد أقل من متغيرات الإدخال التي يسهل الحصول عليها نسبيًا، وهي درجة حرارة الدمك والفراغات الهوائية و ITS. تم تطبيق تقنيات التعلم الآلي المختلفة للحصول على نموذج تمثيل البيانات الأكثر دقة. على وجه التحديد، تم تطبيق ثلاث تقنيات لتعلم الآلة: الانحدار متعدد الحدود من الدرجة السادسة مع التنظيم والشبكة العصبية الاصطناعية والانحدار العشوائي للغابات. أنتجت التقنيات الثلاث نماذج بدقة متشابهة للغاية، وأبلغت عن خطأ مطلق متوسط يتراوح من 12.2 إلى 12.8 ٪ من الحد الأقصى لـ ITS في مجموعة بيانات الاختبار. العمل المقدم في هذه الورقة هو تطور من حيث تحليل البيانات للنتائج التي تم الحصول عليها ضمن الاختبارات البينية التي أجرتها مجموعة العمل 5 التابعة للجنة الفنية RILEM 264 بشأن رصف الأسفلت المستصلح. وبالتالي، على الرغم من وجود روابط قوية مع هذا الإطار، فقد تم تطوير هذا العمل بشكل مستقل ويمكن اعتباره متابعة طبيعية.

Translated Description (French)

Résumé Cet article décrit le développement d'un cadre de calcul novateur/de pointe pour prédire avec précision le degré d'activité de liant d'un échantillon de chaussée en asphalte récupéré en pourcentage de la résistance à la traction indirecte (ITS) à l'aide d'un nombre réduit de variables d'entrée relativement faciles à obtenir, à savoir la température de compactage, les vides d'air et ITS. Différentes techniques d'apprentissage automatique (ML) ont été appliquées pour obtenir le modèle de représentation des données le plus précis. Plus précisément, trois techniques de ML ont été appliquées : la régression polynomiale multivariée du 6ème degré avec régularisation, le réseau de neurones artificiels et la régression forestière aléatoire. Les trois techniques ont produit des modèles avec une précision très similaire, signalant une erreur absolue moyenne allant de 12,2 à 12,8% de SON maximum sur l'ensemble de données de test. Les travaux présentés dans cet article sont une évolution en termes d'analyse des données des résultats obtenus dans le cadre des essais interlaboratoires menés par le groupe de travail 5 du Comité technique 264 du RILEM sur les revêtements bitumineux recyclés. Par conséquent, malgré ses liens étroits avec ce cadre, ce travail a été développé de manière indépendante et peut être considéré comme un suivi naturel.

Translated Description (Spanish)

Resumen Este documento describe el desarrollo de un marco computacional novedoso/de vanguardia para predecir con precisión el grado de actividad aglutinante de una muestra de pavimento asfáltico recuperado como porcentaje de la resistencia a la tracción indirecta (ITS) utilizando un número reducido de variables de entrada que son relativamente fáciles de obtener, a saber, la temperatura de compactación, los huecos de aire y el ITS. Se aplicaron diferentes técnicas de aprendizaje automático (ML) para obtener el modelo de representación de datos más preciso. Específicamente, se aplicaron tres técnicas de ML: regresión polinómica multivariada de sexto grado con regularización, red neuronal artificial y regresión de bosque aleatorio. Las tres técnicas produjeron modelos con una precisión muy similar, reportando un error absoluto medio que oscila entre el 12,2 y el 12,8% del ITS máximo en el conjunto de datos de prueba. El trabajo presentado en este trabajo es una evolución en términos de análisis de datos de los resultados obtenidos dentro de las pruebas interlaboratorios realizadas por el Grupo de Trabajo 5 del Comité Técnico 264 del RILEM sobre Pavimento Asfáltico Recuperado. Por lo tanto, a pesar de que tiene fuertes vínculos con este marco, este trabajo se desarrolló de forma independiente y puede considerarse como un seguimiento natural.

Files

s11527-022-01933-9.pdf.pdf

Files (990.3 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:de69dc7f8a395987d9f360428994cc1a
990.3 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تقنيات التعلم الآلي لتقدير درجة نشاط المادة الرابطة لرصيف الأسفلت المستصلح
Translated title (French)
Techniques d'apprentissage automatique pour estimer le degré d'activité du liant de la chaussée en asphalte récupéré
Translated title (Spanish)
Técnicas de aprendizaje automático para estimar el grado de actividad aglutinante del pavimento asfáltico recuperado

Identifiers

Other
https://openalex.org/W4224032805
DOI
10.1617/s11527-022-01933-9

Is supplement to
https://openalex.org/W853136265 (Other)
https://openalex.org/W75194521 (Other)
https://openalex.org/W3207901993 (Other)
https://openalex.org/W3196088517 (Other)
https://openalex.org/W3190066151 (Other)
https://openalex.org/W2953410182 (Other)
https://openalex.org/W2378609698 (Other)
https://openalex.org/W23618939 (Other)
https://openalex.org/W2359009270 (Other)
https://openalex.org/W2034265060 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Brazil

References

  • https://openalex.org/W1502810280
  • https://openalex.org/W1986660560
  • https://openalex.org/W1995341919
  • https://openalex.org/W2015166310
  • https://openalex.org/W2068466064
  • https://openalex.org/W2076063813
  • https://openalex.org/W2120844549
  • https://openalex.org/W2198124527
  • https://openalex.org/W2278446677
  • https://openalex.org/W2297716760
  • https://openalex.org/W2771576206
  • https://openalex.org/W2794060983
  • https://openalex.org/W2909938455
  • https://openalex.org/W2913407066
  • https://openalex.org/W2940560046
  • https://openalex.org/W2972380741
  • https://openalex.org/W2986682949
  • https://openalex.org/W574962919