一种预测汉堡车辙曲线的深度学习方法
机器学习
2020-11-20 v1 应用统计
统计计算
摘要
车辙仍然是全球沥青路面主要病害之一。此类病害由重载反复作用下沥青混合料的永久变形和剪切破坏引起。汉堡轮迹试验（HWTT）是一种广泛使用的测试程序，旨在加速并在实验室中模拟车辙现象。作为 HWTT 输出之一的车辙深度依赖于许多与混合料设计和测试条件相关的参数。本研究引入了一种使用深度学习技术——卷积神经网络（CNN）预测沥青混合料车辙深度的新模型。一个包含全面 HWTT 结果的数据库被用于开发基于 CNN 的机器学习预测模型。该数据库包含跨越多种沥青混合料测量的 10,000 个车辙深度数据点。模型以已知的影响混合料变量（如沥青结合料高温性能等级、混合料类型、集料尺寸、集料级配、沥青含量、再生沥青结合料总含量）和测试参数（包括测试温度和轮载次数）构建。采用严格的验证流程评估模型预测总车辙深度和 HWTT 车辙曲线的准确性。给出了敏感性分析，评估所研究变量对 CNN 模型车辙深度预测的影响。该模型可用作在无法进行实验室测试或出于节省成本、预设计试验目的时估算沥青混合料车辙深度的工具。
引用
@article{arxiv.2011.09853,
title = {A Deep Learning Approach to Predict Hamburg Rutting Curve},
author = {Hamed Majidifard and Behnam Jahangiri and Punyaslok Rath and Amir H. Alavi and William G. Buttlar},
journal= {arXiv preprint arXiv:2011.09853},
year = {2020}
}