Zurück Vor

Detailergebnis zu DOK-Nr. 77471

Ein Deep-Learning-Ansatz zur Prognose der Hamburger Spurrinne (Orig. engl.: A deep learning approach to predict Hamburg rutting curve)

Autoren	H. Majidifard B. Jahangiri P. Rath A.H. Alavi W.G. Buttlar
Sachgebiete	9.0 Allgemeines, Prüfverfahren, Probenahme, Güteüberwachung 11.1 Berechnung, Bemessung, Lebensdauer

Road Materials and Pavement Design 22 (2021) Nr. 9, S. 2159-2180, 17 B, 3 T, zahlr. Q

Spurrinnen sind eine der wesentlichen Schädigungen von Straßenbefestigungen aus Asphalt. Sie beeinflussen den Fahrkomfort und die Fahrsicherheit. Zur Prognose der Spurrinnenbildung von Asphaltmischgütern wird das weit verbreitete Laborverfahren "Hamburger Spurbildungstest" (Hamburg Wheel Tracking Test HWTT) eingesetzt. Das wesentliche Ergebnis dabei ist die Spurtiefe zur Charakterisierung des Verformungsverhaltens. Diese Spurtiefe ist allerdings unter anderem von Eigenschaften des Mischguts und von Versuchsbedingungen abhängig. Deshalb wird in den dargestellten Untersuchungen ein Modell unter Verwendung einer Deep-Learning-Methode entwickelt. Für diese Methode – ein Faltendes Neuronales Netzwerk (Convolution Neural Network CNN) – wurde eine Ergebnisdatenbank mit 10 000 Datenpunkten benutzt. Resümierend wird festgestellt, dass dieses Modell ein Mittel zur Prognose der Spurrinnentiefe darstellt, wenn Laborversuche nicht eingesetzt werden können oder einen zu hohen finanziellen Aufwand bedeuten oder wenn es sich um Voruntersuchungen handelt.