AsphaltFatigueANN

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F24%3A00375373" target="_blank" >RIV/68407700:21110/24:00375373 - isvavai.cz</a>

Výsledek na webu

<a href="https://github.com/VaclavNezerka/AsphaltFatigueANN" target="_blank" >https://github.com/VaclavNezerka/AsphaltFatigueANN</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

AsphaltFatigueANN

Popis výsledku v původním jazyce

The durability and maintenance demands of asphalt concrete (AC) are significantly influenced by its fatigue life, traditionally determined through laborious and time-consuming methods. To address this, we developed a software tool that leverages artificial neural networks (ANNs) to predict AC fatigue life with high accuracy. This innovative software focuses on key parameters such as strain level, binder content, and air-void content, using a substantial dataset to manage the wide range of fatigue life data typically represented on a logarithmic scale. By utilizing the mean square logarithmic error as the loss function, our software ensures precise predictions across all fatigue life levels. The tool features an optimized ANN model that captures the intricate relationships within the data, demonstrating that higher binder content significantly enhances fatigue life, while the impact of air-void content varies with binder levels. This user-friendly software provides researchers and engineers with a powerful platform for AC fatigue life modeling, showcasing the efficiency and effectiveness of ANNs in handling large datasets. The software, along with the dataset, is available as open-source on a GitHub repository, facilitating further research and practical applications.

Název v anglickém jazyce

AsphaltFatigueANN

Popis výsledku anglicky

The durability and maintenance demands of asphalt concrete (AC) are significantly influenced by its fatigue life, traditionally determined through laborious and time-consuming methods. To address this, we developed a software tool that leverages artificial neural networks (ANNs) to predict AC fatigue life with high accuracy. This innovative software focuses on key parameters such as strain level, binder content, and air-void content, using a substantial dataset to manage the wide range of fatigue life data typically represented on a logarithmic scale. By utilizing the mean square logarithmic error as the loss function, our software ensures precise predictions across all fatigue life levels. The tool features an optimized ANN model that captures the intricate relationships within the data, demonstrating that higher binder content significantly enhances fatigue life, while the impact of air-void content varies with binder levels. This user-friendly software provides researchers and engineers with a powerful platform for AC fatigue life modeling, showcasing the efficiency and effectiveness of ANNs in handling large datasets. The software, along with the dataset, is available as open-source on a GitHub repository, facilitating further research and practical applications.

Druh

R - Software

CEP obor

—

OECD FORD obor

20501 - Materials engineering

Projekt

<a href="/cs/project/GF22-04047K" target="_blank" >GF22-04047K: Pokročilé postupy pro stanovení a porozumění únavovému chování asfaltových směsí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

AsphaltFatigueANN

Technické parametry

Software byl vyvinut v programovacím jazyce Python 3, ovládání pomocí hlavního skriptu, kde se nastavují jednotlivé řídící parametry modelu strojového učení. Vyvíjeno jako open-source (GNU General Public License).

Ekonomické parametry

Využití softwaru významně uspoří prostředky pro stanovení únavových vlastností aslfaltových směsí, jejichž zkouška je mimořádně časově a tím i finančně náročná. Úspora na jedno testované těleso je přibližně 5 tis. Kč.

IČO vlastníka výsledku

68407700

Název vlastníka

České vysoké učení technické v Praze