Počet zrn a povrch kameniva z pohledu výkonnosti predikce asfaltové směsi s R-materiálem pomocí strojového učení

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F25%3A00386571" target="_blank" >RIV/68407700:21110/25:00386571 - isvavai.cz</a>

Výsledek na webu

<a href="https://asfaltove-vozovky.cz/wp-content/uploads/2025/11/Sbornik-AV-2025.pdf" target="_blank" >https://asfaltove-vozovky.cz/wp-content/uploads/2025/11/Sbornik-AV-2025.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Počet zrn a povrch kameniva z pohledu výkonnosti predikce asfaltové směsi s R-materiálem pomocí strojového učení

Popis výsledku v původním jazyce

Zde prezentovaná studie se zabývá možnostmi alternativního přístupu při návrhu složení asfaltové směsi a to prostřednictvím vyhodnocení vlivu plochy povrchu kameniva (ASA) a počtu zrn kameniva (NA) v modelech strojového učení (ML). Byla analyzována datová sada 107 asfaltových směsí obsahujících 0–50 % R-materiálu. Přírodní kamenivo a zrna R-materiálu byly spočítány a změřeny pomocí digitální obrazové analýzy, aby se vypočítaly hodnoty NA a ASA, přičemž specifické plochy povrchu byly určeny v prostředí fyzikálního modelování. Poté byly naměřené průměrné hmotnosti zrn kameniva kalibrovány pomocí 13 vzorků. Byly vyvinuty různé modely ML s algoritmem náhodného lesa, které zahrnovaly různé sady vstupních atributů (IFS), včetně NA, ASA a dalších základních charakteristik směsí. Výsledky ukázaly, že zahrnutí NA a ASA významně nezlepšilo výkon modelu ve srovnání s použitím pouze vstupních údajů o procentuálním rozložení zrnitosti.

Název v anglickém jazyce

Number and surface area of the aggregates from the perspective of machine learning prediction performance of asphalt mix wit RAP

Popis výsledku anglicky

This study addresses the challenge of designing hot-mix asphalt by evaluating the impact of aggregate surface area (ASA) and the number of aggregates (NA) in machine learning (ML) models. A dataset of 107 asphalt mixtures containing 0-50% reclaimed asphalt pavement (RAP) was analyzed. Virgin aggregates and RAP particles were counted and measured via digital photography to calculate NA and ASA, with specific surface areas determined in a physics engine environment. Then, measured average aggregate particle weights were calibrated using 13 specimens. Various ML models were developed with the random forest algorithm, incorporating different input feature sets (IFS), including NA, ASA, and other basic features of the mixtures. Results revealed that including NA and ASA did not significantly improve model performance compared to using only gradation percentage inputs.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2025

Kód důvěrnosti údajů

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

Název statě ve sborníku

Konference Asfaltové vozovky 2025

ISBN

978-80-908948-6-0

ISSN

—

e-ISSN

—

Počet stran výsledku

28

Strana od-do

304-331

Název nakladatele

PRAGOPROJEKT,a.s.

Místo vydání

Praha 4

Místo konání akce

České Budějovice

Datum konání akce

25. 11. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—