Hot mix asphalt volumetric optimization using artificial intelligence

Useche, Jesus (2022). Hot mix asphalt volumetric optimization using artificial intelligence. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (12MB) | Prévisualisation

Résumé

The empirical procedure of HMA volumetric design requires time and effort. This procedure is a common practice when adjusting the job formula due to eventual changes in aggregates and binder properties imposing upon asphalt plants. This empirical method is based on gradation specifications limits in which correlations between the desire state of voids and aggregate gradation remain unclear, thereby producing a material (HMA) with uncertain performance at which validation test is essential.

This work compares 4 gradation factors in which aggregate gradation is quantified as a number. This evaluation permits knowing which gradation factor has the highest correlation with HMA volumetric properties, thereby reducing the endeavor implied in the empirical design due to a simple calculation of the factor could produce an effective estimation of volumetric properties.

This study applies deep neural networks (DNNs) based on supervised machine learning method to predict two volumetric properties: 1) the maximum specific gravity (Gmm) which is obtained by running the Rice test and 2) the bulk specific gravity (Gmb) in which the aggregate packing is compacted when SGC test is applied, and asphalt binder content produces bulk density changes at the same level of energy compaction for the same aggregate blend. These neural networks are built based on aggregate and binder properties as input variables and HMA volumetric properties as output variables. These DNNs are training to use raw data collected from the Long-Term Pavement Performance (LTPP) database. This research explores how to accurately establish links between aggregate and binder properties with HMA volumetric properties (Gmb and Gmm).

A strong correlation was found between the aggregate volumetric property Gsb and Gmm prediction. Moreover, the generalization of the Rice test phenomenon to adequately predict Gmm using DNNs could allow designers to precisely estimate the HMA volumetric property (Gmm), thus avoiding running this test to calculate the volumetric values.

Titre traduit

Hot mix asphalt volumetric optimization using artificial intelligence

Résumé traduit

La conception volumétrique des enrobés à chaud est une procédure empirique qui demande du temps et des efforts. Cette procédure est une pratique habituelle lorsque de possibles changements dans les agrégats et les propriétés du bitume imposent aux usines d'enrobage l'ajustement de la formule de travail. Cette conception volumétrique est basée sur des spécifications dans lesquelles la granulométrie est limitée, ne peut pas fournir un lien clair entre l’état des vides souhaités et le mélange des agrégats. Donc, un matériau d’enrobé est produit avec une performance incertaine auquel un test de validation est essentiel.

Ce travail compare 4 facteurs granulométriques dans lesquels la granulométrie de l’enrobé est quantifiée sous forme de nombre. Cette évaluation permet de savoir quel facteur granulométrique a la corrélation la plus élevée concernant les propriétés volumétriques de l’enrobé, en réduisant ainsi les efforts impliqués dans la conception empirique en raison d'un simple calcul. Ces facteurs pourraient produire une estimation efficace l’état des vides de l’enrobe.

Cette étude applique des réseaux de neurones profonds (deep neural networks : DNN) basés sur une méthode d'apprentissage automatique supervisé pour prédire deux propriétés volumétriques : 1) la densité maximale de l’enrobé (Dmm) laquelle est déterminée avec l’essai Rice et 2) la densité brute de l'enrobé (Dmb) dans laquelle le paquet d’agrégats est compacté avec la presse à cisaillement giratoire sous le standard superpave et la teneur en bitume produit des changements de densité de l’enrobé au même niveau d’énergie de compactage à la même granulométrie. Ces réseaux de neurones sont construits sur la base de propriétés d'agrégat et du bitume comme variables indépendantes et de propriétés volumétriques de l’enrobé en tant que variables dépendantes. En plus, ces réseaux de neurones sont développés en utilisant des données collectées de la base de données de Long-Term Pavement Performance (LTPP). Cette recherche explore établir avec précision des liens entre les propriétés des agrégats et du bitume avec les propriétés volumétriques des enrobés.

Une corrélation robuste a été trouvée entre la propriété volumétrique du combiné granulométrique (Dgb) et la prédiction de la Dmm. De plus, la prédiction de la Dmm basée sous une généralisation correctement évaluée du phénomène à l'aide de réseaux de neurones, pourrait permettre aux concepteurs d'estimer avec précision la propriété volumétrique (Dmm), en évitant ainsi de réaliser ce test dans la méthode de conception d’enrobés pour calculer les valeurs volumétriques.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for a master’s degree with thesis in construction engineering". Comprend des références bibliographiques (pages 116-119).
Mots-clés libres:	enrobés, conception volumétrique, optimisation, intelligence artificielle, réseaux de neurones profonds pour la conception des enrobés
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Carter, Alan
Codirecteur:	Codirecteur Sanchez-Leal, Freddy
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	30 janv. 2023 19:51
Dernière modification:	30 janv. 2023 19:51
URI:	https://espace.etsmtl.ca/id/eprint/3138

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt