توسعه مدل‌های پیش‌بینی برای مدول مرکب برشی و زاویه فاز ماستیک اصلاح شده با استایرن بوتادین استایرن

پیش‌بینی خصوصیات ویسکوالاستیک ماستیک در مهندسی روسازی از اهمیت بالایی برخوردار است. تاکنون پیش‌بینی خصوصیات ویسکوالاستیک ماستیک با استفاده از ابزارهای یادگیری ماشین که رابطه ریاضی ارائه می‌دهند مورد توجه قرار نگرفته است. هدف از این تحقیق پر کردن این خلا تحقیقاتی و  توسعه مدلهای پیش‌بینی برای مدول مرکب برشی (*g) و زاویه فاز (δ) ماستیک با قیر اصلاح شده توسط استایرن بوتادین استایرن (sbs) در دمای پایین و متوسط می‌باشد. سه مقدار متفاوت  sbs(2، 4 و 6 درصد) برای اصلاح قیر و چهار درصد مختلف پرشدگی فیلر (10، 18، 25 و 35 درصد) برای ساخت نمونه‌های ماستیک در نظر گرفته شده است. آزمایش رئومتر برشی دینامیکی (dsr) در حالت جاروب فرکانس در 21 فرکانس بارگذاری از 0.1  تا 100 هرتز و در هفت دمای 22‌، 16‌، 10‌، 0، 10، 16 و 22 درجه سانتیگراد انجام شده است. با استفاده از این آزمایش مقدار *g و  δ  قیر پایه، قیر اصلاح شده و همچنین نمونه‌های ماستیک اندازه‌گیری شده است. به عبارت دیگر، از نتایج حاصل از انجام آزمایش جاروب فرکانس به منظور تهییه داده‌های مورد نیاز برای ساخت مدل پیش‌بینی استفاده شده است. از برنامه‌ریزی ژنتیکی چند ژنی برای توسعه مدل پیش‌بینی *g و  δ  ماستیک با در نظر گرفتن متغیرهای ورودی درصد افزودنی، فرکانس، دما، درصد پر شدگی فیلر و *g و  δ  قیر پایه استفاده شده است. در نهایت دو مدل پیش‌بینی مجزا برای *g و  δ  ارایه شده است که بترتیب دارای ضریب تعیین 0.96 و 0.98 می‌باشند. نتایج نشان می‌دهد که برنامه‌ریزی ژنتیکی چند ژنی می‌تواند با دقت بسیار مناسب رفتار ویسکوالاستیک ماستیک را پیش‌بینی نماید. پس از بررسی عملکرد مدل‌ها، با انجام تحلیل حساسیت روی آن‌ها، نشان داده شد که خصوصیات ویسکوالاستیک قیر پایه به عنوان متغیرهای ورودی بیشترین تاثیر را در پیش‌بینی متغیر‌های خروجی دارند.

development of prediction models for complex shear modulus and phase angle of asphalt mastic modified with styrene-butadiene-styrene

predicting the viscoelastic properties of asphalt mastic is very important in pavement engineering. prediction of viscoelastic properties of mastic using machine learning methods resulting in closed form formulation is not considered in the technical literature up to now. this study aims to develop prediction models for complex shear modulus (g*) and phase angle (δ) of modified asphalt mastic with styrene‌butadiene‌styrene (sbs) at low and medium temperatures. three different amounts of sbs (2, 4, and 6%) are considered for bitumen modification and four different volume filling rates (10, 18, 25, and 35%) are considered for making asphalt mastic samples. dynamic shear rheometer (dsr) test was performed in frequency sweep mode at 21 loading frequencies from 0.1 to 100 hz and seven temperatures of ‌22, ‌16, ‌10, 0, 10, 16, and 22 ° c. this test was used to measure the g* and δ of samples of asphalt, modified asphalt, and asphalt mastic. multi‌gene genetic programming has been used to develop the g* and δ asphalt mastic prediction model based on the additive's dosage, loading frequency, temperature, filler volume filling rate, g* and δ of the base asphalt. finally, two separate prediction models for g* and δ are developed, with a r2 value of 0.96 and 0.98, respectively. the results show that multi‌gene genetic programming can accurately predict the viscoelastic behavior of asphalt mastic. after examining the performance of the models, it was shown that the viscoelastic properties of the asphalt have the greatest impact on the prediction of output variables by performing sensitivity analysis on the prediction models.