Zurück Vor

Detailergebnis zu DOK-Nr. 82357

Maschinelles Lernen unterstützte rheologische Prognosemodelle von Asphaltbindemitteln auf der Basis chemischer Eigenschaften (Orig. engl.: Machine learning-aided rheological prediction models of asphalt binders based on chemical properties)

Autoren	F. Zhang D. Wang Y. Sun A. Cannone Falchetto
Sachgebiete	9.0 Allgemeines, Prüfverfahren, Probenahme, Güteüberwachung 9.1 Bitumen, Asphalt

Advances in Materials and Pavement Performance Prediction IV: Contributions to the 4th International Conference on Advances in Materials and Pavement Performance Prediction (AM3P 2025), 7-9 May, 2025, Vienna, Austria. Wien: TU Wien, Institut für Verkehrswissenschaften, Forschungsbereich Straßenwesen, 2025, S. 583-586, 4 B, 10 Q. − Online-Ressource: verfügbar unter: https://doi.org/10.37425/9259

Die Rheologie von Asphaltbindemitteln umfasst deren Fließ- und Verformungseigenschaften unter verschiedenen Last- und Temperaturbedingungen. Sie ist ein wesentlicher Aspekt für die Beurteilung des Verhaltens von Asphalt in Straßenbefestigungen. Die entsprechenden Laborversuche wie Dynamischer Schertest (DSR) und Biegebalkentest (BBR) werden von den Autoren in diesem Kontext als zeitaufwendig betrachtet. Sie entwickeln daher ein Maschinelles Lernen unterstütztes rheologisches Prognosemodell auf der Basis chemischer Eigenschaften. Dazu wurden vergleichend zur Messung der chemischen und rheologischen Eigenschaften die Fourier-Transformations-Infrarotspektroskopie (FTIR) und der Dynamische Schertest eingesetzt. Als Material wurden 18 handelsübliche reine Bindemittel unterschiedlicher Penetration untersucht. Bei der FTIR konnte die Anzahl der Merkmale von sechs auf zwei reduziert werden. Als Resümee wird ausgeführt, dass multiple lineare Regressionsmodelle den Phasenwinkel prognostizieren können, während bei Anwendung des Modells der Gauß’schen Prozessregression zusätzlich der E-Modul vorhergesagt werden kann.