Predicting the fatigue life of asphalt concrete using neural networks

Technische Samenvatting: Voorspellen van de vermoeidheidslevensduur van asfaltbeton met behulp van neurale netwerken

Probleemstelling
De duurzaamheid van asfaltbeton (AC) is fundamenteel verbonden met de vermoeidheidslevensduur, een parameter die de onderhoudskosten en de structurele levensduur bepaalt. Traditionele beoordelingsmethoden, zoals de vierpuntig buigtest (4PB), zijn arbeidsintensief en tijdrovend, waarbij vaak weken nodig zijn voor de voorbereiding en uitharding van monsters, gevolgd door uren of dagen aan testen. Hoewel machine learning (ML) een weg biedt om de vermoeidheidslevensduur te voorspellen met behulp van bestaande gegevens, hebben eerdere toepassingen van kunstmatige neurale netwerken (ANN's) in dit domein vaak een gebrek aan gedetailleerde architecturale beschrijvingen getoond of faalden ze in het benutten van uitgebreide, heterogene datasets. Bovendien vormt de inherente variabiliteit van vermoeidheidsgegevens, die vaak een logaritmische distributie met aanzienlijke scheefheid vertonen, een uitdaging voor standaard regressiemodellen.

Methodologie
De studie maakte gebruik van ANN's om het aantal cycli tot falen ($N_f$) te voorspellen op basis van drie primaire inputvariabelen: vervormingsniveau ($\varepsilon$), bindmiddelgehalte en luchtgehalte.

• Gegevensverzameling en Preprocessing: De dataset bestond uit 245 monsters afkomstig uit vier wetenschappelijk beoordeelde publicaties, die allemaal 4PB-testen gebruikten bij een constante vervormingssnelheid, een frequentie van 10 Hz en temperaturen van 20°C (of 70°F). Om de aanzienlijke scheefheid en de long-tail distributie van de oorspronkelijke $N_f$-gegevens aan te pakken, werd een Box–Cox-transformatie toegepast met een optimale parameter $\lambda = -0,09$. Deze normalisatie werd gevalideerd met Shapiro–Wilk-tests en Q-Q-plots. Detectie van uitschieters werd uitgevoerd met zowel standaard Z-scores als gemodificeerde Z-scores (gebaseerd op de mediaan absolute afwijking); er werden geen uitschieters geïdentificeerd, waardoor de volledige dataset behouden kon blijven.
• Modelarchitectuur en Training: De ANN werd ontwikkeld met de Keras-bibliotheek (sequential model). Inputvariabelen werden genormaliseerd met behulp van MinMaxScaler. De modelarchitectuur werd geoptimaliseerd door middel van een systematische hyperparameterzoektocht, waarbij het aantal verborgen lagen ($n_h$), het aantal neuronen per laag ($n_{neur,h}$), activatiefuncties en optimizers werden geëvalueerd. De uiteindelijke geselecteerde architectuur bestond uit twee verborgen lagen met elk 200 neuronen, gebruikmakend van de ReLU-activatiefunctie en de RMSprop-optimizer.
• Verliesfuncties en Validatie: Om de brede reeks vermoeidheidslevensduurgegevens te accommoderen, werden twee verschillende verliesfuncties gebruikt: Mean Square Error (LMSE) en Mean Square Logarithmic Error (LMSLE). De dataset werd gesplitst in 75% voor training (verder onderverdeeld in 80% training en 20% validatie) en 25% voor testen. Een vier-voudige kruisvalidatie-aanpak werd gebruikt om robuustheid te garanderen en overfitting te minimaliseren. De modelprestaties werden geëvalueerd met behulp van de determinatiecoëfficiënt ($R^2$), aangepaste $R^2$ en de Scatter Index (SI).
• Belangrijkste Resultaten
• Hyperparameteroptimalisatie: De configuratie van $n_h = 2$ en $n_{neur,h} = 200$ leverde de hoogste prestaties op. ReLU presteerde consequent beter dan lineaire en sigmoid activatiefuncties. Onder de optimizers vertoonde RMSprop een superieure stabiliteit en prestatie vergeleken met Adam en Nadam, met name wanneer deze werd gekoppeld aan ReLU.
• Prestaties van Verliesfuncties: Het op LMSE gebaseerde model bereikte een hogere $R^2$ (0,967) op de testset, wat wijst op een sterke uitlijning met hoge $N_f$-observaties. Daarentegen behaalde het op LMSLE gebaseerde model een lagere $R^2$ (0,86) maar een aanzienlijk lagere Scatter Index (0,503 voor LMSE versus 0,926 voor LMSLE), wat suggereert dat LMSLE de relatieve volgorde en distributie van monsters met een lagere vermoeidheidslevensduur beter vastlegt.
• Variabele Invloed: Partial dependence plots onthulden dat een lager luchtgehalte (ideaal onder de 3–4%) en een hoger bindmiddelgehalte (over het algemeen boven de 5,5%) correleren met een verlengde vermoeidheidslevensduur. De modellen bevestigden dat een hoog luchtgehalte in combinatie met een laag bindmiddelgehalte de vermoeidheidsweerstand aanzienlijk vermindert.

Betekenis en Bijdragen
De auteurs stellen dat deze studie een uitgebreide toepassing van neurale netwerken vertegenwoordigt voor het voorspellen van de vermoeidheidslevensduur van AC in laboratoriummonsters, onderscheiden door de open beschikbaarheid van zowel de code als de dataset via een GitHub-repository. De belangrijkste bijdragen zijn:

1. Transparantie van Gegevens: Het bieden van een open-access fundament voor toekomstig onderzoek om modellen te verfijnen en potentieel uit te breiden met variabelen zoals asfalt- en aggregaattypen, die in deze studie werden uitgesloten vanwege hun hoge variabiliteit.
2. Methodologische Rigor: Het demonstreren van de effectiviteit van het optimaliseren van hyperparameters en het selecteren van geschikte verliesfuncties (specifiek LMSLE) om de logaritmische aard van vermoeidheidsgegevens te verwerken.
3. Praktisch Nut: Het aanbieden van een instrument voor de voorlopige schatting van de verwachte vermoeidheidslevensduur, waardoor ingenieurs in staat worden om mengselontwerpparameters (bindmiddel en luchtgehalte) vroegtijdig in het ontwerpproces aan te passen om de afhankelijkheid van uitgebreid experimenteel testen te verminderen.

Beperkingen
Het artikel erkent bescheiden dat de dataset relatief klein en ongebalanceerd is, waarbij een aanzienlijk deel afkomstig is van een beperkt aantal studies. Dit kan leiden tot een bias richting de trends van de dominante bronnen en de generaliseerbaarheid beperken, met name voor extreme $N_f$-waarden of zeldzame vermoeidheidsscenario's. De auteurs merken op dat het model het beste dient voor mengsels die lijken op de dominante databronnen die voor de training zijn gebruikt en dat verdere experimentele gegevensverzameling noodzakelijk is om de robuustheid en generaliseerbaarheid van het model te verbeteren.