Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja
Article (Published version)
Metadata
Show full item recordAbstract
U okviru ovog rada razvijen je model za predviđanje čvrsoće pri indirektnom zatezanju (Indirect Tensile Strenght –ITS ) uzoraka struganog asfalta (Reclaimed Asphalt Pavement –RAP) baziran na metodama mašinskog učenja (Machine Learning –ML). Analiza glavnih komponenti (Principal Component Analysis –PCA) korišćena je kako bi se smanjio skup podataka koji opisuje granulometrijske sastave uzoraka RAP-a. Razvijeni su različiti modeli višestruke polinomne regresije (Multivariate Polynomial Regression –MPR) koji u obzir uzimaju karakteristike RAP-a (sadržaj i penetracija ostarelog bitumena, granulometrijske krive pre i posle ekstrakcije bitumena), postupak pripreme uzoraka (temperatura zagrevanja) i karakteristike uzoraka (sadržaj šupljina). Analiza je pokazala da se PCA tranformacija pouzdano može koristiti za smanjivanje skupa podataka o granulometrijskom sastavu (74% varijanse podataka opisanojesa prve dve glavne komp...onente). Takođe je zaključeno da najjednostavniji (linearni) model višestruke regresije pokazuje najveću tačnost od svih analiziranih modelasa koeficijentom determinacije 0.59, što se može smatrati visokim za dati skup podataka (više od 40 uzoraka RAP-a iz različitih izvora).
Keywords:
Strugani asfalt / Čvrstoća pri indirektnom zatezanju / Mašinsko učenjeSource:
Put i saobraćaj, 2022, 68, 2Publisher:
- Via-Vita
Funding / projects:
- Ministry of Science, Technological Development and Innovation of the Republic of Serbia, institutional funding - 200092 (University of Belgrade, Faculty of Civil Engineering) (RS-MESTD-inst-2020-200092)
Institution/Community
GraFarTY - JOUR AU - Milovanović, Nikola AU - Orešković, Marko PY - 2022 UR - https://grafar.grf.bg.ac.rs/handle/123456789/2960 AB - U okviru ovog rada razvijen je model za predviđanje čvrsoće pri indirektnom zatezanju (Indirect Tensile Strenght –ITS ) uzoraka struganog asfalta (Reclaimed Asphalt Pavement –RAP) baziran na metodama mašinskog učenja (Machine Learning –ML). Analiza glavnih komponenti (Principal Component Analysis –PCA) korišćena je kako bi se smanjio skup podataka koji opisuje granulometrijske sastave uzoraka RAP-a. Razvijeni su različiti modeli višestruke polinomne regresije (Multivariate Polynomial Regression –MPR) koji u obzir uzimaju karakteristike RAP-a (sadržaj i penetracija ostarelog bitumena, granulometrijske krive pre i posle ekstrakcije bitumena), postupak pripreme uzoraka (temperatura zagrevanja) i karakteristike uzoraka (sadržaj šupljina). Analiza je pokazala da se PCA tranformacija pouzdano može koristiti za smanjivanje skupa podataka o granulometrijskom sastavu (74% varijanse podataka opisanojesa prve dve glavne komponente). Takođe je zaključeno da najjednostavniji (linearni) model višestruke regresije pokazuje najveću tačnost od svih analiziranih modelasa koeficijentom determinacije 0.59, što se može smatrati visokim za dati skup podataka (više od 40 uzoraka RAP-a iz različitih izvora). PB - Via-Vita T2 - Put i saobraćaj T1 - Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja IS - 2 VL - 68 DO - 10.31075/PIS.68.02.03 ER -
@article{ author = "Milovanović, Nikola and Orešković, Marko", year = "2022", abstract = "U okviru ovog rada razvijen je model za predviđanje čvrsoće pri indirektnom zatezanju (Indirect Tensile Strenght –ITS ) uzoraka struganog asfalta (Reclaimed Asphalt Pavement –RAP) baziran na metodama mašinskog učenja (Machine Learning –ML). Analiza glavnih komponenti (Principal Component Analysis –PCA) korišćena je kako bi se smanjio skup podataka koji opisuje granulometrijske sastave uzoraka RAP-a. Razvijeni su različiti modeli višestruke polinomne regresije (Multivariate Polynomial Regression –MPR) koji u obzir uzimaju karakteristike RAP-a (sadržaj i penetracija ostarelog bitumena, granulometrijske krive pre i posle ekstrakcije bitumena), postupak pripreme uzoraka (temperatura zagrevanja) i karakteristike uzoraka (sadržaj šupljina). Analiza je pokazala da se PCA tranformacija pouzdano može koristiti za smanjivanje skupa podataka o granulometrijskom sastavu (74% varijanse podataka opisanojesa prve dve glavne komponente). Takođe je zaključeno da najjednostavniji (linearni) model višestruke regresije pokazuje najveću tačnost od svih analiziranih modelasa koeficijentom determinacije 0.59, što se može smatrati visokim za dati skup podataka (više od 40 uzoraka RAP-a iz različitih izvora).", publisher = "Via-Vita", journal = "Put i saobraćaj", title = "Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja", number = "2", volume = "68", doi = "10.31075/PIS.68.02.03" }
Milovanović, N.,& Orešković, M.. (2022). Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja. in Put i saobraćaj Via-Vita., 68(2). https://doi.org/10.31075/PIS.68.02.03
Milovanović N, Orešković M. Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja. in Put i saobraćaj. 2022;68(2). doi:10.31075/PIS.68.02.03 .
Milovanović, Nikola, Orešković, Marko, "Razvoj modela za predviđanje čvrstoćepri indirektnom zatezanju uzoraka napravljenih od struganog asfaltaprimenom mašinskog učenja" in Put i saobraćaj, 68, no. 2 (2022), https://doi.org/10.31075/PIS.68.02.03 . .