🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

Diese Studie nutzt künstliche neuronale Netze mit einer mittleren quadratischen logarithmischen Fehlerfunktion, um die Ermüdungslebensdauer von Asphaltbeton basierend auf Dehnung, Bindemittelgehalt und Hohlraumgehalt genau vorherzusagen, wobei sie zeigt, dass ein höherer Bindemittelgehalt die Dauerhaftigkeit signifikant verbessert und gleichzeitig Open-Source-Werkzeuge für die zukünftige Forschung bereitstellt.

Ursprüngliche Autoren: Jakub Houlík, Jan Valentin, Václav Nežerka

Veröffentlicht 2026-02-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jakub Houlík, Jan Valentin, Václav Nežerka

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Asphaltbeton (das Zeug, aus dem Straßen gebaut sind) als einen riesigen, komplexen Kuchen vor. Die „Zutaten“ sind gebrochene Steine und ein klebriger, teerartiger Kleber namens Bitumen. Genau wie ein Kuchen Risse bekommen kann, wenn man ihn immer wieder biegt, bekommen Straßen unter dem Gewicht von Millionen von Autos Risse. Dieser Prozess wird als „Ermüdung“ bezeichnet, und herauszufinden, wie lange eine Straße hält, bevor sie reißt, ist ein riesiges Kopfzerbrechen für Ingenieure.

Traditionell müssen Ingenieure, um herauszufinden, wie lange eine Straße halten wird, kleine Testkuchen im Labor backen und diese immer wieder biegen. Das ist langsam, teuer und dauert Wochen.

In dieser Arbeit geht es darum, einem Computer (speziell einem „Neuronalen Netz“, einer Art KI, die wie ein menschliches Gehirn lernt) beizubringen, vorherzusagen, wie lange diese Straßen-„Kuchen“ halten werden, ohne auf die langsamen Labortests warten zu müssen.

Hier ist die Aufschlüsselung dessen, was sie getan haben, unter Verwendung einfacher Analogien:

1. Die Zutaten zählen am meisten

Die Forscher konzentrierten sich auf drei Haupt„zutaten“, die das Leben der Straße beeinflussen:

Dehnungsniveau (Strain Level): Wie stark die Straße gebogen wird (wie sehr man eine Büroklammer biegt, bevor sie bricht).
Bindemittelgehalt (Binder Content): Wie viel von dem klebrigen Kleber (Bitumen) in der Mischung enthalten ist.
Luftporen (Air Voids): Wie viele winzige Luftblasen im Inneren des Kuchens eingeschlossen sind.

Sie sammelten Daten aus vier verschiedenen wissenschaftlichen Studien und erstellten so ein „Rezeptbuch“ mit 245 verschiedenen Straßenproben.

2. Die Daten bereinigen (Die „Box-Cox“-Magie)

Die gesammelten Daten waren unordentlich. Die meisten Straßen hielten eine „normale“ Zeit lang, aber einige hielten viel länger, was einen langen, einseitigen Ausläufer in den Daten erzeugte (wie ein paar Riesen in einem Raum voller normaler Menschen).

Um dies zu beheben, verwendeten sie einen mathematischen Trick namens Box-Cox-Transformation. Betrachten Sie dies als einen Mixer, der die klumpigen Daten glättet, damit der Computer sie besser verdauen kann. Sie überprüften auch die „Ausreißer“ (seltsame, fehlerhafte Datenpunkte) mittels eines „Z-Scores“, was wie ein Metalldetektor für schlechte Daten funktioniert. Erfreulicherweise waren ihre Daten sauber, sodass sie nichts wegwerfen mussten.

3. Das KI-Gehirn trainieren

Sie bauten ein digitales Gehirn (ein Neuronales Netz), um die Beziehung zwischen den Zutaten und dem Leben der Straße zu erlernen.

Die Architektur: Sie probierten verschiedene Formen für dieses Gehirn aus. Sie fanden heraus, dass ein Gehirn mit zwei verborgenen Schichten (zwei Ebenen des Denkens) und 200 Neuronen (200 kleine Denker) in jeder Schicht am besten funktionierte.
Die Aktivierungsfunktion (ReLU): Dies ist wie der „An/Aus“-Schalter des Gehirns. Sie fanden heraus, dass der „ReLU“-Schalter am besten geeignet war, das Gehirn aktiv zu halten und lernen zu lassen, während andere Schalter das Gehirn in den Schlaf versetzten oder es zu simpel agieren ließen.
Der Optimierer (RMSprop): Dies ist der Lehrer, der das Gehirn leitet. Sie fanden heraus, dass der „RMSprop“-Lehrer der stabilste und effektivste war, um Fehler zu korrigieren.

4. Zwei verschiedene Wege, um den Erfolg zu messen

Da das Leben von Straßen extrem variiert (einige halten ein paar tausend Zyklen, andere Millionen), probierten sie zwei verschiedene Wege aus, um die Hausaufgaben der KI zu bewerten:

LMSE (Linear): Diese Methode legt großen Wert darauf, die großen Zahlen richtig zu bekommen. Es ist wie die Bewertung eines Tests, bei dem das Lösen der schwierigsten Fragen die meisten Punkte bringt. Diese Methode war insgesamt sehr genau.
LMSLE (Logarithmisch): Diese Methode legt mehr Wert darauf, die kleinen Zahlen richtig zu bekommen. Es ist wie eine Bewertung, bei der man Extrapunkte erhält, wenn man die einfachen Fragen nicht verpasst hat. Dies war besser bei der Vorhersage der Lebensdauer von Straßen, die nicht sehr lange halten.

Das Ergebnis: Die KI wurde unglaublich gut darin, die Zukunft vorherzusagen. Bei Tests mit neuen Daten erreichte sie einen Wert (R²) von 0,967 mit der linearen Methode. Das ist wie eine Eins plus bei einer sehr schwierigen Prüfung.

5. Was die KI gelernt hat (Die „Geheimzutat“)

Indem sie untersuchten, wie die KI ihre Vorhersagen traf, entdeckten die Forscher klare Regeln:

Mehr Kleber ist gut: Straßen mit mehr Bitumen (Bindemittel) neigen dazu, länger zu halten. Der Kleber hält die Steine zusammen und hält sie flexibel.
Weniger Blasen sind gut: Straßen mit weniger Luftporen (Air Voids) halten länger. Zu viele Blasen machen die Straße schwach und anfällig für Risse.
Der optimale Punkt: Die KI deutete darauf hin, dass eine Straße für echte Langlebigkeit mindestens 5,5 % Bindemittel haben sollte. Sie merkten jedoch an, dass dies für die unteren Schichten einer Straße, wo normalerweise weniger Kleber verwendet wird, zu viel sein könnte, um zu verhindern, dass die Straße bei Hitze zu weich wird.

6. Der Haken (Einschränkungen)

Die Autoren sind ehrlich über die Grenzen ihrer Arbeit:

Das Rezeptbuch ist klein: Sie hatten nur 245 Proben. Obwohl das für diese spezielle Art von Test viel ist, ist es wenig für einen Computer, um alles zu lernen.
Voreingenommenheit (Bias): Die meisten ihrer Daten stammten aus nur wenigen Studien. Die KI könnte eine „Voreingenommenheit“ gegenüber diesen spezifischen Straßentypen haben und bei völlig anderen Straßentypen, die sie noch nicht gesehen hat, nicht perfekt sein.
Keine Kristallkugel: Die KI ist großartig darin, Straßen vorherzusagen, die den Proben aus den Trainingsdaten ähneln. Wenn man sie nach einer Straße fragt, die aus völlig anderen Materialien besteht, könnte sie falsch liegen.

Das Fazit

Diese Arbeit zeigt, dass wir ein intelligentes Computerprogramm verwenden können, um zu erraten, wie lange eine Straße halten wird, basierend auf ihrem Rezept (wie viel Kleber und wie viele Luftblasen sie hat). Dies könnte Ingenieure eine enorme Menge an Zeit und Geld sparen, indem es die Notwendigkeit für langsame, repetitive Labortests reduziert. Die Forscher haben sogar ihren Code und ihre Daten online gestellt, damit andere ihre Arbeit überprüfen oder das „Rezept“ verbessern können.

Technische Zusammenfassung: Vorhersage der Ermüdungslebensdauer von Asphaltbeton mittels neuronaler Netze

Problemstellung
Die Dauerhaftigkeit von Asphaltbeton (AC) ist grundlegend mit seiner Ermüdungslebensdauer verknüpft, einem Parameter, der die Wartungskosten und die strukturelle Langlebigkeit bestimmt. Traditionelle Bewertungsmethoden, wie der Vierpunkt-Biegeversuch (4PB), sind ressourcenintensiv und zeitaufwendig, da sie oft Wochen für die Probenvorbereitung und -lagerung sowie Stunden oder Tage für die eigentliche Prüfung erfordern. Während maschinelles Lernen (ML) einen Weg zur Vorhersage der Ermüdungslebensdauer unter Verwendung bestehender Daten bietet, mangelte es früheren Anwendungen künstlicher neuronaler Netze (ANNs) in diesem Bereich oft an detaillierten Architekturbeschreibungen oder sie versäumten es, umfangreiche, heterogene Datensätze zu nutzen. Darüber hinaus stellt die inhärente Variabilität der Ermüdungslebensdauerdaten, die oft einer logarithmischen Verteilung mit signifikanter Schiefe folgen, eine Herausforderung für Standard-Regressionsmodelle dar.

Methodik
In dieser Studie wurden ANNs eingesetzt, um die Anzahl der Zyklen bis zum Bruch ( $N_f$ ) basierend auf drei primären Eingangsvariablen vorherzusagen: Dehnungsniveau ( $\varepsilon$ ), Bindergehalt und Hohlraumgehalt.

Datenerhebung und Vorverarbeitung: Der Datensatz bestand aus 245 Proben, die aus vier wissenschaftlich begutachteten Publikationen extrahiert wurden, wobei alle den 4PB-Test bei einer konstanten Dehnungsrate, einer Frequenz von 10 Hz und Temperaturen von 20 °C (oder 70 °F) verwendeten. Um die signifikante Schiefe und die Long-Tail-Verteilung der ursprünglichen $N_f$ -Daten zu adressieren, wurde eine Box–Cox-Transformation mit einem optimalen Parameter $\lambda = -0,09$ angewendet. Diese Normalisierung wurde mittels Shapiro–Wilk-Tests und Q-Q-Plots validiert. Die Ausreißererkennung erfolgte sowohl über Standard-Z-Scores als auch über modifizierte Z-Scores (basierend auf der mittleren absoluten Abweichung); es wurden keine Ausreißer identifiziert, sodass der gesamte Datensatz beibehalten werden konnte.
Modellarchitektur und Training: Das ANN wurde unter Verwendung der Keras-Bibliothek (sequentielles Modell) entwickelt. Die Eingangsvariablen wurden mittels MinMaxScaler normalisiert. Die Modellarchitektur wurde durch eine systematische Hyperparameter-Suche optimiert, bei der die Anzahl der verborgenen Schichten ( $n_h$ ), die Neuronen pro Schicht ( $n_{neur,h}$ ), Aktivierungsfunktionen und Optimierer evaluiert wurden. Die final ausgewählte Architektur bestand aus zwei verborgenen Schichten mit jeweils 200 Neuronen unter Verwendung der ReLU-Aktivierungsfunktion und des RMSprop-Optimierers.
Verlustfunktionen und Validierung: Um der breiten Spanne der Ermüdungslebendauerdaten gerecht zu werden, wurden zwei unterschiedliche Verlustfunktionen verwendet: der mittlere quadratische Fehler (LMSE) und der mittlere quadratische logarithmische Fehler (LMSLE). Der Datensatz wurde zu 75 % für das Training (weiter unterteilt in 80 % Training und 20 % Validierung) und zu 25 % für den Test aufgeteilt. Ein Vier-Schritt-Kreuzvalidierungsansatz (Four-fold Cross-Validation) wurde genutzt, um die Robustheit zu gewährleisten und Overfitting zu minimieren. Die Modellleistung wurde anhand des Bestimmtheitsmaßes ( $R^2$ ), des adjustierten $R^2$ und des Streuindex (SI) bewertet.

Hauptergebnisse

Hyperparameter-Optimierung: Die Konfiguration mit $n_h = 2$ und $n_{neur,h} = 200$ lieferte die höchste Leistung. ReLU übertraf die linearen und Sigmoid-Aktivierungsfunktionen konsequent. Unter den Optimierern zeigte RMSprop eine überlegene Stabilität und Leistung im Vergleich zu Adam und Nadam, insbesondere in Kombination mit ReLU.
Leistung der Verlustfunktionen: Das auf LMSE basierende Modell erreichte ein höheres $R^2$ (0,967) auf dem Testdatensatz, was auf eine starke Übereinstimmung mit Beobachtungen hoher $N_f$ -Werte hindeutet. Im Gegensatz dazu erreichte das auf LMSLE basierende Modell ein niedrigeres $R^2$ (0,86), aber einen signifikant niedrigeren Streuindex (0,503 für LMSE gegenüber 0,926 für LMSLE), was darauf hindeutet, dass LMSLE die relative Ordnung und Verteilung von Proben mit niedrigerer Ermüdungslebensdauer besser erfasst.
Einfluss der Variablen: Partielle Abhängigkeitsdiagramme (Partial Dependence Plots) zeigten, dass ein niedrigerer Hohlraumgehalt (idealerweise unter 3–4 %) und ein höherer Bindergehalt (generell über 5,5 %) mit einer verlängerten Ermüdungslebensdauer korrelieren. Die Modelle bestätigten, dass ein hoher Hohlraumgehalt in Kombination mit einem niedrigen Bindergehalt die Ermüdungsbeständigkeit erheblich reduziert.

Bedeutung und Beiträge
Die Autoren behaupten, dass diese Studie eine umfassende Anwendung neuronaler Netze zur Vorhersage der Ermüdungslebensdauer von AC in Laborproben darstellt, die sich durch die offene Verfügbarkeit sowohl des Codes als auch des Datensatzes über ein GitHub-Repository auszeichnet. Zu den wesentlichen Beiträgen gehören:

Datentransparenz: Bereitstellung einer Open-Access-Grundlage für zukünftige Forschungen, um Modelle zu verfeinern und potenziell zu erweitern, etwa durch die Einbeziehung von Variablen wie Asphalt- und Zuschlagstofftypen, die in dieser Studie aufgrund ihrer hohen Variabilität ausgeschlossen wurden.
Methodische Strenge: Demonstration der Wirksamkeit der Optimierung von Hyperparametern und der Auswahl geeigneter Verlustfunktionen (speziell LMSLE), um die logarithmische Natur von Ermüdungsdaten zu handhaben.
Praktischer Nutzen: Angebot eines Werkzeugs zur vorläufigen Abschätzung der erwarteten Ermüdungslebensdauer, das es Ingenieuren ermöglicht, die Mischdesign-Parameter (Binder- und Hohlraumgehalt) frühzeitig im Designprozess anzupassen, um die Abhängigkeit von umfangreichen experimentellen Tests zu verringern.

Einschränkungen
Die Arbeit räumt bescheiden ein, dass der Datensatz relativ klein und unausgewogen ist, da ein erheblicher Teil aus einer begrenzten Anzahl von Studien stammt. Dies kann eine Verzerrung (Bias) zugunsten der Trends der dominierenden Quellen einführen und die Generalisierbarkeit einschränken, insbesondere für extreme $N_f$ -Werte oder seltene Ermüdungsszenarien. Die Autoren merken an, dass das Modell am besten für Mischungen dient, die den im Training verwendeten dominierenden Datenquellen ähneln, und dass weitere experimentelle Datenerhebungen notwendig sind, um die Robustheit und Generalisierbarkeit des Modells zu erhöhen.