Efficient improvement for the estimation of the surface of free energy asphalt binder using Machine Learning toolss

• Sierra-Porta, David ^[1]
  1. [1] Universidad de Los Andes

     Universidad de Los Andes

     Colombia

     
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 20, Nº. 3, 2021 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 179-188
• Idioma: inglés
• Títulos paralelos:
  • Mejora eficiente para la estimación de la energía libre superficial del ligante asfáltico mediante herramientas de Machine Learning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    La energía libre de superficie de un material se define como la energía necesaria para crear una nueva unidad de superficie en condiciones de vacío. Esta propiedad está directamente relacionada con la resistencia a la fractura y recuperación de un material y con la capacidad de crear una fuerte adhesión con otros materiales. Este valor puede ser utilizado como parámetro complementario para la selección y combinación óptima de materiales para mezclas asfálticas, así como en el modelado micromecánico de procesos de fractura y recuperación de dichas mezclas. Este documento describe los resultados de la implementación del uso del aprendizaje automático y las técnicas de predicción de bosque aleatorio para la estimación de la energía libre superficial basada en datos de estudios anteriores. Las muestras experimentales fueron veintitrés ligantes de asfalto usados en un Programa de Investigación Estratégica de Carreteras (SHRP). Podemos destacar una disminución de 54% y 82% en el error medio absoluto (MAE) y el error cuadrático medio (MSE), respectivamente. Si bien el modelo encaja mejor con una mejora del 12%, según el coeficiente de determinación ajustado, la precisión y la puntuación del modelo también aumentan notablemente en un 2% y 55% respectivamente.

  • English

    The Surface Free Energy (SFE) of a material is defined as the energy needed to create a new surface unit under vacuum conditions. This property is directly related to the resistance to fracture and recovery of material and the ability to create strong adhesion with other materials. This value can be used as a complementary parameter for the selection and optimal combination of materials for asphalt mixtures, as well as in the micromechanical modeling of fracture and recovery processes of said mixtures. This document describes the results of the implementation of the use of machine learning and Random Forest prediction techniques for the estimation of surface free energy based on data from previous studies. The experimental samples were twenty-three asphalt binders used in a Strategic Highway Research Program (SHRP). A decrease of 54% and 82% in the mean absolute error (MAE) and the mean square error (MSE), respectively was found for the new model built. While the model fits better with a 12% improvement, according to the adjusted determination coefficient, the accuracy and the score of the model also increases notably in 2% and 55%, respectively.