Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Roads and Bridges - Drogi i Mosty

1 2025

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

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

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

Roads and Bridges - Drogi i Mosty

2025

Vol. 24, no. 1

27--35

Accurate predictions of asphalt mixtures’ mechanical performance are crucial to improve the conventional mix-design procedures and to optimize both pavements’ performance and service life. This research explores this issue by means of a comparative analysis between different modeling approaches: conventional regressions, both linear and non-linear, and artificial neural networks. The former are widely used but may lack the flexibility to capture complex relationships between testing conditions and the corresponding mechanical behavior. The latter represent promising alternatives due to their capability to successfully model non-linear interactions between variables. This research compares the predictive accuracy of these different modeling approaches using experimental data resulting from 4-point bending tests carried out under several temperatures and loading frequencies. The outcomes suggest that neural networks outperform conventional regression models in capturing complex relationships, highlighting the strengths and limitations of each modeling approach and providing insights for selecting optimal models in road pavement engineering applications.

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.