Hot mix asphalt volumetric optimization using artificial intelligence

Résumé

La conception volumétrique des enrobés à chaud est une procédure empirique qui demande du temps et des efforts. Cette procédure est une pratique habituelle lorsque de possibles changements dans les agrégats et les propriétés du bitume imposent aux usines d'enrobage l'ajustement de la formule de travail. Cette conception volumétrique est basée sur des spécifications dans lesquelles la granulométrie est limitée, ne peut pas fournir un lien clair entre l’état des vides souhaités et le mélange des agrégats. Donc, un matériau d’enrobé est produit avec une performance incertaine auquel un test de validation est essentiel. Ce travail compare 4 facteurs granulométriques dans lesquels la granulométrie de l’enrobé est quantifiée sous forme de nombre. Cette évaluation permet de savoir quel facteur granulométrique a la corrélation la plus élevée concernant les propriétés volumétriques de l’enrobé, en réduisant ainsi les efforts impliqués dans la conception empirique en raison d'un simple calcul. Ces facteurs pourraient produire une estimation efficace l’état des vides de l’enrobe. Cette étude applique des réseaux de neurones profonds (deep neural networks : DNN) basés sur une méthode d'apprentissage automatique supervisé pour prédire deux propriétés volumétriques : 1) la densité maximale de l’enrobé (Dmm) laquelle est déterminée avec l’essai Rice et 2) la densité brute de l'enrobé (Dmb) dans laquelle le paquet d’agrégats est compacté avec la presse à cisaillement giratoire sous le standard superpave et la teneur en bitume produit des changements de densité de l’enrobé au même niveau d’énergie de compactage à la même granulométrie. Ces réseaux de neurones sont construits sur la base de propriétés d'agrégat et du bitume comme variables indépendantes et de propriétés volumétriques de l’enrobé en tant que variables dépendantes. En plus, ces réseaux de neurones sont développés en utilisant des données collectées de la base de données de Long-Term Pavement Performance (LTPP). Cette recherche explore établir avec précision des liens entre les propriétés des agrégats et du bitume avec les propriétés volumétriques des enrobés. Une corrélation robuste a été trouvée entre la propriété volumétrique du combiné granulométrique (Dgb) et la prédiction de la Dmm. De plus, la prédiction de la Dmm basée sous une généralisation correctement évaluée du phénomène à l'aide de réseaux de neurones, pourrait permettre aux concepteurs d'estimer avec précision la propriété volumétrique (Dmm), en évitant ainsi de réaliser ce test dans la méthode de conception d’enrobés pour calculer les valeurs volumétriques.

Date	24 nov. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Alan Carter (Directeur(-trice)) & Freddy Sanchez-Leal (Codirecteur(-trice))