CN114065616A - 一种基于神经网络和灰关联的长期老化粘度预测方法 - Google Patents
一种基于神经网络和灰关联的长期老化粘度预测方法 Download PDFInfo
- Publication number
- CN114065616A CN114065616A CN202111296359.4A CN202111296359A CN114065616A CN 114065616 A CN114065616 A CN 114065616A CN 202111296359 A CN202111296359 A CN 202111296359A CN 114065616 A CN114065616 A CN 114065616A
- Authority
- CN
- China
- Prior art keywords
- neural network
- long
- term aging
- aging viscosity
- asphalt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000032683 aging Effects 0.000 title claims abstract description 82
- 230000007774 longterm Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 239000010426 asphalt Substances 0.000 claims abstract description 59
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 4
- 239000011707 mineral Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003679 aging effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003376 analytical array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000000341 volatile oil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Road Paving Structures (AREA)
Abstract
本发明公开了一种基于神经网络和灰关联的长期老化粘度预测方法,涉及道路工程技术领域,所述预测方法主要包括从现有路面长期性能数据库中提取数据作为输入变量和输出变量、采用灰关联分析对输入变量降维简化处理、划分数据集并构建神经网络模型、训练神经网络模型和评价神经网络模型训练效果等步骤。本发明技术方案无需计算传统老化预测模型中复杂冗长的模型系数,即可精准预测沥青路面长期老化粘度,为沥青混合料设计和沥青路面设计提供重要的依据。
Description
技术领域
本发明涉及道路工程技术领域,具体涉及一种基于神经网络和灰关联的长期老化粘度预测方法。
背景技术
由于长期暴露在阳光和大气环境中,沥青路面在服役过程中不可避免的会产生老化现象。老化是一个氧化的过程,也是挥发油流失的过程。老化导致沥青材料的化学和物理性质发生显著变化,伴随着老化的进行沥青粘度增大,粘结力减小,非牛顿性质更为显著,削弱了沥青与骨料颗粒的粘结力。老化直接导致沥青路面变硬变脆,即路面脆性和刚度的增加。这极大地加速了沥青路面裂缝的产生,使得路面更易遭受水损害,进而显著降低路面的使用寿命。简而言之,老化是许多沥青路面表现出比设计时更差性能的最关键原因之一。因此,更合理的沥青混合料设计和沥青路面设计必须要考虑老化的影响,而老化的关键在于粘度的变化。
目前,主要有三种方式表征沥青/沥青路面的老化行为:1.实验室老化模拟测试,主要包括美国AASHO规范规定的沥青长期老化旋转薄膜烘箱试验、压力老化容器试验,来表征实验室条件下的沥青老化效应;2.实验室老化效应试验,即通过评价老化对沥青混合料材料特性和性能影响的试验方法。例如,通过测量不同老化水平的沥青混合料的动态模量来量化老化的影响,或者使用沥青混合料小梁疲劳寿命测试来表征老化的影响等;3.老化预测模型,通常是建立理论方程来精确描述由于老化而导致的沥青路面物理或化学性质的变化,这些理论方程包括动力学和流变动力学等。
上述方式1的弊端在于:无论采用何种方式模拟沥青的老化行为,都无法完全与沥青路面实际服役条件下的老化行为保持一致,因此,方式1不能反映真实的沥青路面老化行为。方式2可以通过采集沥青路面现场芯样试件开展实验,以避免方式1的弊端,然而,采集路面现场芯样试件不仅工作量大,而且会对路面造成永久不可恢复的损害,更重要的是诸如动态模量测试、疲劳寿命测试等试验不仅测试设备昂贵,而且测试周期长、测试精度不易控制。方式3通过建立一系列理论方程来构建老化预测模型,以预测沥青粘度、模量等从而反映老化行为,方式3需要从现有路面长期性能数据库中,提取沥青路面现场性能数据计算理论方程的各项系数。研究表明老化预测模型的预测精度高,与实际沥青路面老化行为能够保持一致。但是,老化预测模型中包含冗长的模型系数,求解复杂耗时,需要大量的数据求解。因此综上所述,目前亟待寻找一种既能够贴合实际沥青路面老化行为、又易操作的方法来表征沥青路面老化。
近年来,人工神经网络算法在不同专业领域如货币、金融股票预测分析等方面越来越受到人们的重视。由于人工神经网络算法能够代替传统复杂理论模型的功能,可用于分析多个输入、输出变量之间的复杂对应关系。在道路工程中已经成功应用于多因素影响下路面回弹模量、蠕变柔量和路面粗糙度指数等参数的预测。
在重庆交通大学,王震宇,2014年发表的《基于BP神经网络的沥青老化预测系统研究》中涉及采用神经网络系统对沥青老化路面的进行预测,但是该预测中数据采集较为有限,仅仅考虑了气象因素,且气象因素对于沥青路面的老化而言并不是最关键因素,同时该预测系统中主要预测目标为沥青的三大指标,在现有研究中沥青的三大指标已经不是主流的沥青路面老化参数,同时单一的神经网络预测方式相对来说准确性较差,使得实际的预测结果存在较大的误差。
发明内容
针对现有技术不足,本发明提供一种基于神经网络和灰关联的长期老化粘度预测方法,通过灰关联分析对输入变量进行降维简化处理,再联合神经网络算法,无需复杂冗长的计算即可达到高精度预测的要求,为沥青混合料设计和沥青路面设计提供重要的依据。
为实现以上目的,本发明的技术方案通过以下技术方案予以实现:
一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述预测方法包括以下步骤:
(1)从现有路面长期性能数据库中提取流变活化能(kJ/mol)、沥青初始粘度(cP)、沥青短期老化粘度(cP)、沥青混合料主骨架涂层厚度(mm)、空隙率(%)、矿料间隙率(%)、沥青饱和度(%)、老化时间(月)、恒速活化能/快速活化能、恒速反应常数、快速反应常数和老化温度(℃)等影响长期老化粘度的各项参数作为输入变量,长期老化粘度(cP)作为输出变量;
(2)采用灰关联分析对输入变量进行降维简化处理,所述灰关联分析分析包括以下步骤:
①确定参考数列X0(k),即长期老化粘度,X0(k)={X0(1),X0(2),.......X0(m)};
②确定分析数列Xi(k),即影响长期老化粘度的各项参数,i=1,2,n,
根据各项参数的灰关联度大小进行排序,实现输入变量的降维简化处理。
(3)划分神经网络训练集、验证集和测试集,所述训练集、验证集和测试集分别占整个数据集的50-70%,15-25%和15-25%,并构建包括输入层、隐含层和输出层的神经网络模型,具体的,首先对输入和输出变量归一化处理,然后确定传递函数为pure linear函数和log-sigmoid函数,最后选择learngdm作为学习函数;
(4)调整隐含层个数M、网络节点数目N,并选择Levenberg-Marquardt反向传播算法进行训练神经网络模型;
(5)选择选择均方误差(MSE)、回归值(R值)、标准误(Sy)、估计标准误差(Se)和决定系数(R2)为指标评价,基于各项指标的判别标准,确定最终的长期老化粘度神经网络模型,所述各项指标的表达式如下所示:
所述的MSE趋向于0,R值≮0.8,Se/Sy<0.35,R2≮0.9时,认为神经网络模型训练良好,所述的训练良好的神经网络模型即可用于预测沥青路面长期老化粘度。
本发明提供一种基于神经网络和灰关联的长期老化粘度预测方法,与现有技术相比优点在于:
(1)本发明基于神经网络算法和灰关联分析预测沥青路面长期老化粘度,本发明技术方案具有传统老化预测模型的优点,通过提取现有路面长期性能数据库中的数据,既能够精准而真实的预测实际服役条件下的沥青路面粘度,又能避免传统老化预测模型中复杂冗长的各项模型系数的计算过程,预测精度高、计算速度快。
(2)本发明通过灰关联分析对神经网络模型的输入变量降维简化处理,不仅能够进一步提高神经网络的计算效率,而且能够简化从路面长期性能数据库中的数据提取过程,再次预测时只需要提取影响长期老化粘度的最关键影响参数,即可达到精准预测的目的。
(3)本发明通过计算多个指标评价神经网络模型的训练效果,根据各个指标的评判标准并通过调整隐含层个数M、网络节点数目N,以获得最佳训练效果的神经网络模型用于预测沥青路面长期老化粘度,能够保证最佳的预测精度要求。
附图说明
图1为本发明人工神经网络算法结构示意图;
图2为本发明关联度计算结果示意图;
图3为本发明沥青路面长期老化粘度神经网络模型训练结果示意图;
图4为本发明经网络模型长期老化粘度预测值与实际测试值的对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
从路面长期性能数据库中的提取的数据其统计学参数计算结果,如下表1所示:
表1有关沥青路面长期老化粘度的统计学参数计算结果.
采用灰关联分析对表1中影响长期老化粘度的各项参数进行降维简化处理,灰关联分析的具体步骤如下:
(1)选择长期老化粘度为参考数列X0(k),X0(k)={X0(1),X0(1),......X0(m)};
(2)选择影响长期老化粘度的各项参数为分析数列Xi(k),即表1中的流变活化能(kJ/mol)、沥青初始粘度(cP)、沥青短期老化粘度(cP)、沥青混合料主骨架涂层厚度(mm)、空隙率(%)、矿料间隙率(%)、沥青饱和度(%)、老化时间(月)、恒速活化能/快速活化能、恒速反应常数、快速反应常数和老化温度(℃),所述的输出变量是指长期老化粘度(cp),共12(即n=12)个。
灰关联度的计算结果如图2所示,从图2中可以看到,对于沥青混合料主骨架涂层厚度、空隙率、矿料间隙率和沥青饱和度这四个同类型的沥青混合料结构参数而言,灰关联度的计算结果分别是0.84198,0.94758,0.8893,0.89685,显然,影响长期老化粘度最关键的结构参数是空隙率(灰关联度为0.94758),其他三个结构参数可以忽略。此外,由于其他不同类型参数对长期老化粘度的影响相互独立,即使灰关联度达不到0.9,也无法忽略;
神经网络模型中的训练集、验证集和测试集分别占整个数据集的70%,15%和15%。神经网络模型构建包括输入层、隐含层和输出层,首先对输入和输出变量归一化处理,然后确定传递函数为pure linear函数和log-sigmoid函数,最后选择learngdm作为学习函数。
在本实施例中神经网络模型中隐含层个数为2,网络节点数目为15,选择Levenberg-Marquardt反向传播算法进行训练。
选择均方误差(MSE)、回归值(R值)、标准误(Sy)、估计标准误差(Se)和决定系数(R2),以综合评价神经网络模型训练效果,MSE,Sy,Se和R2的表达式如下所示:
当MSE趋向于0,R值≮0.8,Se/Sy<0.35,R2≮0.9时,认为神经网络模型训练良好。
基于上述步骤的神经网络模型训练结果如图3所示,其中MSE≈0,R≈0.99,Se/Sy≈0.09,R2≈0.91。因此,所有指标的计算结果满足上述判别标准,表明神经网络模型训练良好,可用于精准预测沥青路面长期老化粘度,再将长期老化粘度预测值与实际测试值进行对比,结果如图4所示,即预测值与实际测试值一致性较高,基本发明使用的预测方法准确性高。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述预测方法包括以下步骤:
(1)从现有路面长期性能数据库中提取影响长期老化粘度的各项参数作为输入变量,长期老化粘度作为输出变量;
(2)采用灰关联分析对输入变量进行降维简化处理;
(3)划分神经网络训练集、验证集和测试集,并构建包括输入层、隐含层和输出层的神经网络模型;
(4)调整隐含层个数M、网络节点数目N,并训练神经网络模型;
(5)选择多项指标评价,基于各项指标的判别标准,确定最终的长期老化粘度神经网络模型。
2.根据权利要求1所述的一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于:所述步骤(1)中输入变量包括流变活化能、沥青初始粘度、沥青短期老化粘度、沥青混合料主骨架涂层厚度、空隙率、矿料间隙率、沥青饱和度、老化时间、恒速活化能/快速活化能、恒速反应常数、快速反应常数和老化温度。
4.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述步骤(3)中训练集、验证集和测试集分别占整个数据集的50-70%,15-25%和15-25%。
5.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述步骤(3)中神经网络模型的构建为先对输入和输出变量归一化处理,然后确定传递函数为pure linear函数和log-sigmoid函数,最后选择learngdm作为学习函数。
6.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述步骤(4)中通过Levenberg-Marquardt反向传播算法进行训练神经网络模型。
7.根据权利要1所述的一种基于神经网络和灰关联的长期老化粘度预测方法,其特征在于,所述步骤(5)中的各项指标为:均方误差(MSE)、回归值(R值)、标准误(Sy)、估计标准误差(Se)和决定系数(R2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296359.4A CN114065616A (zh) | 2021-11-03 | 2021-11-03 | 一种基于神经网络和灰关联的长期老化粘度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296359.4A CN114065616A (zh) | 2021-11-03 | 2021-11-03 | 一种基于神经网络和灰关联的长期老化粘度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065616A true CN114065616A (zh) | 2022-02-18 |
Family
ID=80273890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296359.4A Pending CN114065616A (zh) | 2021-11-03 | 2021-11-03 | 一种基于神经网络和灰关联的长期老化粘度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065616A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970276A (zh) * | 2022-06-06 | 2022-08-30 | 邢台路桥建设总公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
-
2021
- 2021-11-03 CN CN202111296359.4A patent/CN114065616A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
Non-Patent Citations (1)
Title |
---|
杨永明等: "基于灰关联-神经网络的电力工程造价估算", 《重庆大学学报》, vol. 36, no. 11, 15 November 2013 (2013-11-15), pages 15 - 20 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970276A (zh) * | 2022-06-06 | 2022-08-30 | 邢台路桥建设总公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
CN114970276B (zh) * | 2022-06-06 | 2024-05-24 | 邢台路桥建设集团有限公司 | 一种基于bp神经网络的沥青路面潜在破坏参数计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Prediction and sensitivity analysis of long-term skid resistance of epoxy asphalt mixture based on GA-BP neural network | |
CN111488713A (zh) | 一种混凝土早期碳化预测的方法、预测系统及存储介质 | |
CN101792992B (zh) | 永久性路面设计方法 | |
CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
Almeida et al. | Energy and water consumption variability in school buildings: review and application of clustering techniques | |
Xiao et al. | Model developments of long-term aged asphalt binders | |
CN114065616A (zh) | 一种基于神经网络和灰关联的长期老化粘度预测方法 | |
Hussain et al. | Quantifying the differential phase angle behaviour of asphalt concrete mixtures using artificial neural networks | |
MolaAbasi et al. | Use of GMDH-type neural network to model the mechanical behavior of a cement-treated sand | |
Tutu et al. | Recursive pseudo fatigue cracking damage model for asphalt pavements | |
Zhang et al. | Developing fragility curves for asphalt mixture to assess the uncertainty of the permanent deformation performance | |
Naik et al. | Predictive models to estimate phase angle of asphalt mixtures | |
Luo et al. | Mechanistic composition–specific fatigue life of asphalt pavements | |
CN117252107A (zh) | 可解释机器学习模型赋能的沥青混合料体积指标预测及设计优化方法 | |
Li et al. | Durability evaluation of concrete bridges based on the theory of matter element extension—entropy weight method—unascertained measure | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN113222255B (zh) | 一种合同履约表现量化及短期违约预测的方法及装置 | |
Martinez et al. | The estimation of the dynamic modulus of asphalt mixtures using artificial neural networks | |
Sakhaeifar et al. | Development of artificial neural network predictive models for populating dynamic moduli of long-term pavement performance sections | |
Wang et al. | A quantitative rating system for pollutant emission reduction of asphalt mixture | |
Wang et al. | Variable-order fractional derivative rutting depth prediction of asphalt pavement based on the RIOHTrack full-scale track | |
Karahancer et al. | Marshall Stability estimating using artificial neural network with polyparaphenylene terephtalamide fibre rate | |
Zeghal | Modeling the creep compliance of asphalt concrete using the artificial neural network technique | |
Zofka et al. | Prediction of asphalt creep compliance using artificial neural networks | |
Li et al. | Evaluation of asphalt mixture cracking performance using the monotonic direct tension test in the AMPT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |