Enfoque híbrido de aprendizaje automático para la predicción y optimización del diseño de la estabilidad de Marshall...

Área de la Ciencia:

• Ingeniería civil
• Ciencias de los materiales
• Ciencias computacionales

Sus antecedentes:

• La estabilidad de Marshall (MS) es crucial para el diseño de concreto de asfalto (AC), pero requiere mucha mano de obra y es costosa.
• La modificación de óxido de grafeno (GO) es prometedora para mejorar las propiedades de CA, lo que requiere una evaluación eficiente del rendimiento.

Objetivo del estudio:

• Desarrollar un nuevo marco híbrido de aprendizaje automático para predecir y optimizar el MS de AC modificado por GO.
• Reducir el tiempo y el costo asociados con las pruebas tradicionales de EM.

Principales métodos:

• Se desarrolló un modelo híbrido que combina el Classical Gradient Boosting (CGB) con el Sailfish Optimizer (SFO).
• Se utilizó una base de datos de 33 resultados experimentales de AC para la formación y validación del modelo.
• El rendimiento se evaluó utilizando métricas estadísticas, incluido el coeficiente de correlación (R).

Principales resultados:

• El modelo CGB optimizado por SFO logró una alta precisión de predicción, con un valor R de 0,975 en datos de prueba no vistos.
• El análisis de sensibilidad identificó la gradación agregada (porcentajes de tamiz de 2,36, 4,75 y 9,5 mm) como el factor más influyente en la EM.
• El modelo proporciona una herramienta computacional fiable para predecir el rendimiento del asfalto modificado por GO.

Conclusiones:

• El marco de aprendizaje híbrido propuesto ofrece un método validado y eficiente para predecir la EM en el CA modificado por GO.
• Este enfoque acelera significativamente el proceso de optimización del diseño y reduce los gastos de laboratorio.
• Los hallazgos permiten un desarrollo e implementación más rápidos de materiales de asfalto avanzados.