🤖 machine learning

Predicting the fatigue life of asphalt concrete using neural networks

यह अध्ययन स्ट्रेन, बाइंडर सामग्री और एयर-वॉयड सामग्री के आधार पर डामर कंक्रीट (एस्फाल्ट कंक्रीट) के थकान जीवन (फटीग लाइफ) की सटीक भविष्यवाणी करने के लिए मीन स्क्वायर लॉगरिदमिक एरर लॉस फंक्शन के साथ आर्टिफिशियल न्यूरल नेटवर्क का उपयोग करता है, जो यह प्रदर्शित करता है कि उच्च बाइंडर सामग्री स्थायित्व में महत्वपूर्ण रूप से सुधार करती है और भविष्य के अनुसंधान के लिए ओपन-सोर्स उपकरण प्रदान करती है।

मूल लेखक: Jakub Houlík, Jan Valentin, Václav Nežerka

प्रकाशित 2026-02-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jakub Houlík, Jan Valentin, Václav Nežerka

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि डामर कंक्रीट (वह चीज़ जिससे सड़कें बनाई जाती हैं) एक विशाल, जटिल केक है। इसके "सामग्री" कुचले हुए पत्थर और एक चिपचिपा, तार जैसा गोंद जिसे बिटुमेन (bitumen) कहते हैं, हैं। ठीक वैसे ही जैसे एक केक टूट सकता है यदि आप इसे बार-बार मोड़ते रहें, सड़कें भी लाखों कारों के भार के नीचे टूट जाती हैं। इस प्रक्रिया को "फटीग" (fatigue) कहा जाता है, और यह पता लगाना कि सड़क दरार पड़ने से पहले कितने समय तक चलेगी, इंजीनियरों के लिए एक बड़ा सिरदर्द है।

पारंपरिक रूप से, यह जानने के लिए कि एक सड़क कितनी लंबी चलेगी, इंजीनियरों को लैब में छोटे टेस्ट केक बनाने होते हैं और उन्हें बार-बार मोड़ना पड़ता है। यह धीमा, महंगा और हफ्तों का काम है।

यह पेपर एक कंप्यूटर (विशेष रूप से एक "न्यूरल नेटवर्क," जो एक प्रकार का AI है जो मानव मस्तिष्क की तरह सीखता है) को यह सिखाने के बारे में है कि लैब परीक्षणों के लिए प्रतीक्षा किए बिना यह भविष्यवाणी कैसे की जाए कि इन सड़क "केकों" का जीवनकाल कितना होगा।

यहाँ उन्होंने क्या किया, इसका विवरण सरल उपमाओं का उपयोग करते हुए दिया गया है:

1. सामग्री सबसे अधिक मायने रखती है

शोधकर्ताओं ने तीन मुख्य "सामग्रियों" पर ध्यान केंद्रित किया जो सड़क के जीवन को प्रभावित करती हैं:

स्ट्रेन लेवल (Strain Level): सड़क को कितनी जोर से मोड़ा जा रहा है (जैसे कि एक पेपरक्लिप के टूटने से पहले उसे कितनी बार मोड़ा जाता है)।
बाइंडर कंटेंट (Binder Content): मिश्रण में कितना चिपचिपा गोंद (बिटुमेन) है।
एयर वॉइड्स (Air Voids): केक के अंदर कितनी छोटी हवा के बुलबुले फंसे हुए हैं।

उन्होंने चार अलग-अलग वैज्ञानिक अध्ययनों से डेटा एकत्र किया, जिससे 245 अलग-अलग सड़क नमूनों की एक "रेसिपी बुक" तैयार हुई।

2. डेटा की सफाई (The "Box-Cox" जादू)

उनके द्वारा एकत्र किया गया डेटा अव्यवस्थित था। अधिकांश सड़कें एक "सामान्य" समय तक चलती थीं, लेकिन कुछ बहुत अधिक समय तक चलती थीं, जिससे डेटा में एक लंबा, असंतुलित सिरा बन गया था (जैसे कि एक कमरे में कुछ लोग दिग्गजों की तरह होते हैं जबकि बाकी औसत होते हैं)।

इसे ठीक करने के लिए, उन्होंने Box-Cox ट्रांसफॉर्मेशन नामक एक गणितीय ट्रिक का उपयोग किया। इसे एक ब्लेंडर के रूप में सोचें जो लंप वाले डेटा को चिकना कर देता है ताकि कंप्यूटर इसे बेहतर तरीके से पचा सके। उन्होंने "आउटलेयर्स" (अजीब, खराब डेटा पॉइंट्स) की भी जांच करने के लिए "Z-score" का उपयोग किया, जो खराब डेटा के लिए एक मेटल डिटेक्टर की तरह है। सौभाग्य से, उनका डेटा साफ था, इसलिए उन्हें कुछ भी फेंकने की आवश्यकता नहीं पड़ी।

3. AI मस्तिष्क को प्रशिक्षित करना

उन्होंने एक डिजिटल मस्तिष्क (एक न्यूरल नेटवर्क) बनाया जो सड़क के जीवन और सामग्रियों के बीच के संबंध को सीख सके।

आर्किटेक्चर (Architecture): उन्होंने इस मस्तिष्क के लिए अलग-अलग आकृतियों का परीक्षण किया। उन्होंने पाया कि दो हिडन लेयर्स (सोचने के दो स्तर) और प्रत्येक परत में 200 न्यूरॉन्स (200 छोटे विचारक) वाला मस्तिष्क सबसे अच्छा काम करता है।
एक्टिवेशन फंक्शन (ReLU): यह मस्तिष्क के "ऑन/ऑफ" स्विच की तरह है। उन्होंने पाया कि "ReLU" स्विच मस्तिष्क को सक्रिय रखने और सीखने में सबसे अच्छा था, जबकि अन्य स्विचों ने मस्तिष्क को सुस्त बना दिया या बहुत सरल बना दिया।
ऑप्टिमाइज़र (RMSprop): यह वह शिक्षक है जो मस्तिष्क का मार्गदर्शन करता है। उन्होंने पाया कि "RMSprop" शिक्षक सबसे स्थिर और प्रभावी था जो गलतियों को सुधारता है।

4. सफलता को मापने के दो अलग तरीके

चूंकि सड़क का जीवन बहुत भिन्न होता है (कुछ हजारों चक्रों तक चलते हैं, कुछ लाखों तक), उन्होंने AI के होमवर्क को ग्रेड करने के दो अलग तरीके आजमाए:

LMSE (लीनियर): यह तरीका बड़े नंबरों को सही करने पर बहुत ध्यान देता है। यह एक ऐसे टेस्ट की तरह है जहाँ कठिन सवालों को सही करने पर आपको सबसे अधिक अंक मिलते हैं। यह तरीका कुल मिलाकर बहुत सटीक था।
LMSLE (लॉगैरिद्मिक): यह तरीका छोटे नंबरों को सही करने पर अधिक ध्यान देता है। यह एक ऐसे टेस्ट की तरह है जहाँ आपको आसान सवालों को मिस न करने के लिए अतिरिक्त अंक मिलते हैं। यह उन सड़कों के जीवन की भविष्यवाणी करने में बेहतर था जो बहुत लंबे समय तक नहीं चलती हैं।

परिणाम: AI भविष्य बताने में अविश्वसनीय रूप से अच्छा हो गया। नए डेटा पर परीक्षण करने पर, इसने लीनियर विधि का उपयोग करके 0.967 का स्कोर (जिसे R² कहा जाता है) प्राप्त किया। यह एक बहुत कठिन परीक्षा में A+ प्राप्त करने जैसा है।

5. AI ने क्या सीखा (The "Secret Sauce")

AI द्वारा की गई भविष्यवाणियों को देखकर, शोधकर्ताओं ने स्पष्ट नियम खोज निकाले:

अधिक गोंद अच्छी बात है: जिन सड़कों में अधिक बिटुमेन (बाइंडर) होता है, वे अधिक समय तक चलती हैं। गोंद पत्थरों को एक साथ रखता है और उन्हें लचीला बनाए रखता है।
कम बुलबुले बेहतर हैं: जिन सड़कों में हवा के बुलबुले (एयर वॉइड्स) कम होते हैं, वे अधिक समय तक चलती हैं। बहुत अधिक बुलबुले सड़क को कमजोर बनाते हैं और दरारें पड़ने के प्रति संवेदनशील बनाते हैं।
सही संतुलन (The Sweet Spot): AI ने सुझाव दिया कि एक सड़क के वास्तव में टिकाऊ होने के लिए, इसमें कम से कम 5.5% बाइंडर होना चाहिए। हालांकि, उन्होंने नोट किया कि यह सड़क की निचली परतों के लिए बहुत अधिक हो सकता है, जहाँ गर्मी में सड़क को बहुत नरम होने से रोकने के लिए कम गोंद का उपयोग किया जाता है।

6. कमी (सीमाएं)

लेखक अपने काम की सीमाओं के बारे में ईमानदार हैं:

रेसिपी बुक छोटी है: उनके पास केवल 245 नमूने थे। हालांकि यह इस विशिष्ट प्रकार के परीक्षण के लिए बहुत है, लेकिन यह कंप्यूटर के सब कुछ सीखने के लिए छोटा है।
पूर्वाग्रह (Bias): उनका अधिकांश डेटा केवल कुछ ही अध्ययनों से आया था। AI उन विशिष्ट प्रकार की सड़कों के प्रति "पक्षपाती" हो सकता है और उन पूरी तरह से अलग सड़क प्रकारों के लिए एकदम सही नहीं हो सकता है जिन्हें उसने पहले नहीं देखा है।
कोई भविष्य बताने वाला क्रिस्टल बॉल नहीं: AI उन सड़कों की भविष्यवाणी करने में बहुत अच्छा है जो प्रशिक्षण डेटा में दिखने वाली सड़कों जैसी हैं। यदि आप इसे पूरी तरह से अलग सामग्रियों से बनी सड़क के बारे में पूछते हैं, तो यह गलत अनुमान लगा सकता है।

निचोड़

यह पेपर दिखाता है कि हम एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग करके यह अनुमान लगा सकते हैं कि एक सड़क (उसकी रेसिपी यानी उसमें कितना गोंद और कितने हवा के बुलबुले हैं के आधार पर) कितने समय तक चलेगी। यह इंजीनियरों को धीमी, दोहराव वाली लैब परीक्षाओं की आवश्यकता को कम करके उनके बहुत सारे समय और पैसे बचाने में मदद कर सकता है। शोधकर्ताओं ने अपना कोड और डेटा ऑनलाइन डाल दिया है ताकि अन्य लोग उनके काम की जांच कर सकें या "रेसिपी" में सुधार करने का प्रयास कर सकें।

तकनीकी सारांश: न्यूरल नेटवर्क का उपयोग करके डामर कंक्रीट (Asphalt Concrete) के थकान जीवन (Fatigue Life) की भविष्यवाणी करना

समस्या विवरण
डामर कंक्रीट (AC) की स्थायित्व मौलिक रूप से इसके थकान जीवन (fatigue life) से जुड़ी होती है, जो एक ऐसा पैरामीटर है जो रखरखाव लागत और संरचनात्मक दीर्घायवधि को निर्धारित करता है। पारंपरिक मूल्यांकन विधियाँ, जैसे कि फोर-पॉइंट बेंडिंग (4PB) परीक्षण, संसाधन-गहन और समय लेने वाली होती हैं, जिनमें अक्सर नमूना तैयार करने और क्यूरिंग के लिए हफ्तों का समय लगता है, जिसके बाद घंटों या दिनों का परीक्षण होता है। हालांकि मशीन लर्निंग (ML) मौजूदा डेटा का उपयोग करके थकान जीवन की भविष्यवाणी करने का एक मार्ग प्रदान करती है, लेकिन इस क्षेत्र में आर्टिफिशियल न्यूरल नेटवर्क (ANN) के पिछले अनुप्रयोगों में अक्सर विस्तृत आर्किटेक्चरल विवरणों का अभाव रहा है या वे व्यापक, विषम डेटासेट का उपयोग करने में विफल रहे हैं। इसके अलावा, थकान जीवन डेटा की अंतर्निहित परिवर्तनशीलता, जो अक्सर महत्वपूर्ण विषमता (skewness) के साथ एक लॉगरिदमिक वितरण का पालन करती है, मानक रिग्रेशन मॉडल के लिए चुनौतियां पेश करती है।

कार्यप्रणाली
इस अध्ययन में तीन प्राथमिक इनपुट वेरिएबल्स: स्ट्रेन स्तर ( $\varepsilon$ ), बाइंडर सामग्री, और एयर-वॉयड (air-void) सामग्री के आधार पर विफलता के चक्रों की संख्या ( $N_f$ ) की भविष्यवाणी करने के लिए ANNs का उपयोग किया गया।

डेटा संग्रह और प्रीप्रोसेसिंग: डेटासेट में चार सहकर्मी-समीक्षित (peer-reviewed) वैज्ञानिक प्रकाशनों से निकाले गए 245 नमूने शामिल थे, जो सभी एक स्थिर स्ट्रेन दर, 10 Hz आवृत्ति, और 20°C (या 70°F) के तापमान पर 4PB परीक्षणों का उपयोग करते थे। मूल $N_f$ डेटा की महत्वपूर्ण विषमता और लॉन्ग-टेल वितरण को संबोधित करने के लिए, एक बॉक्स-कॉक्स (Box–Cox) ट्रांसफॉर्मेशन लागू किया गया जिसमें इष्टतम पैरामीटर $\lambda = -0.09$ था। इस सामान्यीकरण (normalization) को शापिरो-विल्क (Shapiro–Wilk) परीक्षणों और Q-Q प्लॉट्स का उपयोग करके मान्य किया गया। आउटलियर डिटेक्शन के लिए मानक Z-स्कोर और संशोधित Z-स्कोर (मीडियन एब्सोल्यूट डेविएशन पर आधारित) दोनों का उपयोग किया गया; कोई आउटलियर नहीं पाया गया, जिससे पूर्ण डेटासेट को बनाए रखना संभव हुआ।
मॉडल आर्किटेक्चर और प्रशिक्षण: ANN को केरास (Keras) लाइब्रेरी (सीक्वेंशियल मॉडल) का उपयोग करके विकसित किया गया। इनपुट वेरिएबल्स को MinMaxScaler का उपयोग करके नॉर्मलाइज़ किया गया। मॉडल आर्किटेक्चर को एक व्यवस्थित हाइपरपैरामीटर सर्च के माध्यम से अनुकूलित किया गया, जिसमें हिडन लेयर्स की संख्या ( $n_h$ ), प्रति लेयर न्यूरॉन्स ( $n_{neur,h}$ ), एक्टिवेशन फंक्शन और ऑप्टिमाइज़र का मूल्यांकन किया गया। अंतिम चयनित आर्किटेक्चर में 200 न्यूरॉन्स के साथ दो हिडन लेयर्स शामिल थीं, जिसमें ReLU एक्टिवेशन फंक्शन और RMSprop ऑप्टिमाइज़र का उपयोग किया गया।
लॉस फंक्शन्स और वैलिडेशन: थकान जीवन की विस्तृत रेंज को समायोजित करने के लिए, दो अलग-अलग लॉस फंक्शन्स का उपयोग किया गया: मीन स्क्वेयर एरर (LMSE) और मीन स्क्वेयर लॉगरिदमिक एरर (LMSLE)। डेटासेट को 75% ट्रेनिंग (जिसे आगे 80% ट्रेनिंग और 20% वैलिडेशन में विभाजित किया गया) और 25% टेस्टिंग के लिए विभाजित किया गया। मजबूती सुनिश्चित करने और ओवरफिटिंग को कम करने के लिए फोर-फोल्ड क्रॉस-वैलिडेशन दृष्टिकोण का उपयोग किया गया। मॉडल के प्रदर्शन का मूल्यांकन कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ ), एडजस्टेड $R^2$ , और स्कैटर इंडेक्स (SI) का उपयोग करके किया गया।
मुख्य परिणाम:
- हाइपरपैरामीटर ऑप्टिमाइजेशन: $n_h = 2$ और $n_{neur,h} = 200$ के कॉन्फ़िगरेशन ने उच्चतम प्रदर्शन दिया। ReLU ने लीनियर और सिग्मॉइड एक्टिवेशन फंक्शन की तुलना में लगातार बेहतर प्रदर्शन किया। ऑप्टिमाइज़र में, RMSprop ने Adam और Nadam की तुलना में बेहतर स्थिरता और प्रदर्शन प्रदर्शित किया, विशेष रूप से ReLU के साथ जुड़ने पर।
- लॉस फंक्शन प्रदर्शन: LMSE-आधारित मॉडल ने टेस्टिंग सेट पर उच्च $R^2$ (0.967) प्राप्त किया, जो उच्च $N_f$ अवलोकनों के साथ मजबूत संरेखण को दर्शाता है। इसके विपरीत, LMSLE-आधारित मॉडल ने कम $R^2$ (0.86) प्राप्त किया, लेकिन काफी कम स्कैटर इंडेक्स (LMSE के लिए 0.503 बनाम LMSLE के लिए 0.926) दिखाया, जो यह सुझाव देता है कि LMSLE कम थकान जीवन वाले नमूनों के सापेक्ष क्रम और वितरण को बेहतर ढंग से कैप्चर करता है।
- वेरिएबल इन्फ्लुएंस: पार्शियल डिपेंडेंस प्लॉट्स से पता चला कि कम एयर-वॉयड सामग्री (आदर्श रूप से 3-4% से नीचे) और उच्च बाइंडर सामग्री (सामान्यतः 5.5% से ऊपर) विस्तारित थकान जीवन के साथ सह-संबंध रखती है। मॉडलों ने पुष्टि की कि उच्च एयर-वॉयड सामग्री के साथ कम बाइंडर सामग्री स्पष्ट रूप से थकान प्रतिरोध को कम करती है।

महत्व और योगदान
लेखक दावा करते हैं कि यह अध्ययन प्रयोगशाला नमूनों के लिए डामर कंक्रीट (AC) के थकान जीवन की भविष्यवाणी करने के लिए न्यूरल नेटवर्क का एक व्यापक अनुप्रयोग है, जो एक गिटहब (GitHub) रिपॉजिटरी के माध्यम से कोड और डेटासेट दोनों की खुली उपलब्धता द्वारा विशिष्ट है। मुख्य योगदानों में शामिल हैं:

डेटा पारदर्शिता: भविष्य के अनुसंधान के लिए एक ओपन-एक्सेस आधार प्रदान करना ताकि मॉडलों को परिष्कृत किया जा सके और संभावित रूप से उन्हें डामर और एग्रीगेट प्रकारों जैसे वेरिएबल्स तक विस्तारित किया जा सके, जिन्हें इस अध्ययन में उच्च परिवर्तनशीलता के कारण बाहर रखा गया था।
मेथोडोलॉजिकल रिगर (पद्धतिगत कठोरता): थकान डेटा की लॉगरिदमिक प्रकृति को संभालने के लिए हाइपरपैरामीटर ऑप्टिमाइजेशन और उपयुक्त लॉस फंक्शन्स (विशेष रूप से LMSLE) के चयन की प्रभावकारिता को प्रदर्शित करना।
व्यावहारिक उपयोगिता: अपेक्षित थकान जीवन के प्रारंभिक अनुमान के लिए एक उपकरण प्रदान करना, जिससे इंजीनियरों को विस्तृत प्रयोगात्मक परीक्षणों पर निर्भरता कम करने के लिए डिज़ाइन प्रक्रिया के शुरुआती चरण में ही मिक्स डिज़ाइन मापदंडों (बाइंडर और एयर-वॉयड सामग्री) को समायोजित करने में सक्षम बनाया जा सके।

सीमाएं
पेपर विनम्रतापूर्वक स्वीकार करता है कि डेटासेट अपेक्षाकृत छोटा और असंतुलित है, जिसमें एक बड़ा हिस्सा सीमित संख्या में अध्ययनों से प्राप्त हुआ है। इससे प्रमुख स्रोतों के प्रति पूर्वाग्रह (bias) उत्पन्न हो सकता है और सामान्यीकरण (generalizability) सीमित हो सकता है, विशेष रूप से चरम $N_f$ मानों या दुर्लभ थकान परिदृश्यों के लिए। लेखक नोट करते हैं कि मॉडल सबसे अच्छा उन मिश्रणों के लिए काम करता है जो प्रशिक्षण में उपयोग किए गए प्रमुख डेटा स्रोतों के समान हैं और मॉडल की मजबूती और सामान्यीकरण को बढ़ाने के लिए और अधिक प्रयोगात्मक डेटा संग्रह आवश्यक है।