شيارشدگي يكي از سه خرابي عمده روسازي¬هاي آسفالتي مي¬باشد و تحت عبور بارهاي سيكلي از روي مقطع مشخصي از روسازي بوجود مي¬آيد. مطالعات نشان مي دهد كه 90% شيارشدگي تحت اثر ضعف برشي مخلوط‌هاي آسفالتي اتفاق مي¬افتد. آزمايش تغيير شكل ماندگار تحت بارهاي تكرارشونده به‌عنوان آزمايش عملكردي ساده به‌منظور بررسي مقاومت مخلوط‌هاي آسفالتي در برابر شيار شدگي معرفي شده است. مهم‌ترين خروجي اين آزمايش عدد رواني (نقطه شروع ناحيه سوم نمودار تغيير شكل ماندگار) مخلوط‌هاي آسفالتي مي-باشد. آزمايش تغيير شكل ماندگار تحت بارهاي تكرارشونده سيكلي آزمايشي بسيار وقت گير مي¬باشد. زمان‌بر بودن و گاها نرسيدن نمونه‌ها در اين شرايط به عدد رواني هزينه سنگين و زمان طولاني نياز دارد. اگرچه پارامتر G*‎/Sin(ϭ) آزمايش رئومتر برشي ديناميك سال‌هاست به‌عنوان شاخصي از شيار شدگي قيرهاي خالص بكار گرفته مي‌شود اما مطالعات جديد نشان داده است كه اين پارامتر نمي¬تواند به‌خوبي عملكرد شيار شدگي قير را پيش‌بيني نمايد. اخيراً آزمايش خزش و بازگشت تكرارشونده به‌عنوان يك روش جايگزين ارزيابي شيار شدگي براي قيرهاي اصلاح‌شده پيشنهاد گرديد. آزمايش خزش و بازگشت تكرارشونده، بارگذاري واقعي‌تري نسبت به روش برش نوساني ديناميكي به قير اعمال مي¬كند و تأثير الاستيك تأخيري را در پاسخ¬هاي قيرهاي اصلاح‌شده در نظر مي¬گيرد. اما به دليل اينكه اين آزمايش در سطح تنش¬هاي پايين انجام مي¬شد، نمي¬توانست رفتار شيار شدگي مخلوط آسفالتي را به‌خوبي نشان دهد. لذا به‌منظور پيش‌بيني بهتر رفتار دماي بالاي قير آزمايش خزش و بازگشت در چند سطح تنش پيشنهاد گرديده است. از آنجايي كه مهمترين‌عامل در افزايش مقاومت در برابر شيارشدگي مخلوط آسفالتي انتخاب صحيح قير مصرفي است، در اين پژوهش، ابتدا روشي نوين با استفاده از داده‌هاي سنجش از دور (RS) MODIS و ASTER، داده‌هاي تحليل مجدد ERA5-Land، داده‌هاي NASA/FLDA و مجموعه داده‌هاي هواشناسي محلي و تكنيك‌هاي يادگيري عميق (DL) براي انتخاب PG قير مورد نياز توسعه داده شد. نتيجتا، PG قير تعيين شده براي منطقه مطالعاتي (جنوب غرب كشور) به‌عنوان دماي آزمايش خزش و بازگشت در چند سطح تنش در نظر گرفته شد. سپس پارامترهاي نرمي خزش بازگشت‌ناپذير (Jnr) و درصد بازيابي (R3.2) قيرهاي خالص و داراي افزودني‌هاي پليمري SBS، SBR و EVA با درصدهاي 0، 2 و 4 تعيين شدند. در ادامه، نمونه‌هاي مخلوط آسفالتي اين قيرها نيز در سطح تنش‌هاي 300 و 450 و در دماهاي 40، 50 و 60 درجه سانتي‌گراد مورد آزمايش خزش ديناميكي براي تعيين عدد رواني قرار گرفتند. با بررسي عدد رواني مخلوط¬هاي آسفالتي اصلاح‌شده پليمري بر اساس رفتار ويسكوالاستوپلاستيك، پس از اثر سنجي پارامترهاي مختلف خزشي قير بر روي عدد رواني، مدل پيش‌بيني عملكرد خزشي مخلوط¬هاي پليمري بر اساس پارامترهاي قير ارائه شد. نتايج تحليل‌هاي آماري نشان دادند كه روش پيشنهادي تعيين PG قير مبتني بر يادگيري عميق مي‌تواند با دقت به مراتب بالاتري نسبت به روش هاي مرسوم دماي عملكردي روسازي آسفالتي و PG قير مورد نياز را تعيين كند و پتانسيل تعيين دقيق PG را مستقل از فاصله از ايستگاه هواشناسي با قدرت تفكيك مكاني 1 كيلومتر دارد. همچنين مدل پيشنهادي پيشبيني عدد رواني مخلوط¬هاي آسفالتي اصلاح‌شده پليمري بر اساس رفتار ويسكوالاستوپلاستيك قادر است تنها با استفاده از نتايج آزمايش MSCR قير مصرفي با خطاي 11 درصد عدد رواني را پيشبيني كند.

1403/07/29

introducing a laboratory prototype to forecast the efficacy of polymer-modified asphalt blends at high temperature based on visco-elastoplastic behaviour and the country's climatic conditions

1/1/1900 12:00:00 AM

Rutting is one of the three main defects of asphalt pavements and occurs under the passage of cyclic loads on a specific section of the pavement. Studies show that 90% of rutting occurs under the effect of shear weakness of asphalt mixtures. The permanent deformation test under repeated loads is introduced as a simple functional test to investigate the resistance of asphalt mixtures against rutting. The most important output of this test is the Flow Number (the starting point of the third region of the permanent deformation diagram) of asphalt mixtures. The permanent deformation test under repeated loads of the test cycle is very time-consuming. Furthermore, the time-consuming nature of this testing, combined with potential delays in sample arrival, can result in substantial costs and lengthy delays. Although the parameter G*‎/Sin(ϭ) utilized in the dynamic shear rheometer test has served as an effective criterion of the rutting tendencies of pure bitumen for numerous years, recent investigations have revealed its inadequacy in accurately predicting the rutting performance of bitumen. As an alternative approach to eva‎luating the rutting characteristics of modified bitumens, the repeated creep and recovery test has been proposed. This test applies a more realistic loading scenario to the bitumen and takes into account the delayed elastic effect exhibited by modified bitumens. However, due to the low stress level at which this test is conducted, it fails to adequately demonstrate the rutting behavior of asphalt mixtures. Consequently, in order to improve the prediction of bitumen's behavior under high temperature conditions, creep and recovery tests have been suggested at various stress levels. The correct choice of bitumen plays a crucial role in enhancing the rutting resistance of the asphalt mixture. Therefore, in this study, a novel approach utilizing MODIS and ASTER remote sensing (RS) data, ERA5-Land reanalysis data, NASA/FLDA data, and local meteorological datasets, along with deep learning (DL) techniques, was developed to determine the appropriate bitumen performance grade (PG). Consequently, the bitumen PG selected for the specific study area, located in the southwest region of the country, was determined based on the creep and recovery test temperature under various stress levels. Then, parameters of permanent creep compliance (Jnr) and recovery percentage (R%) of pure bitumen with SBS, SBR and EVA polymer additives were determined with percentages of 0, 2 and 4. In the following, the asphalt mixture samples of these bitumens were subjected to dynamic creep test at the stress levels of 300 and 450 and at temperatures of 40, 50 and 60 degrees Celsius to determine the Flow Number. By examining the Flow Number of polymer modified asphalt mixtures based on viscoelastoplastic behavior, after measuring the effect of different bitumen rutting on the Flow Number, a model for predicting the rutting of polymer mixtures based on bitumen parameters was presented. The results of statistical analysis showed that the proposed method for determining bitumen PG based on deep learning can determine the performance temperature of asphalt pavement and estimate bitumen PG with much higher accuracy than conventional methods, and the potential for accurate determination of PG is independent of the distance from the meteorological station. It has a spatial resolution of 1 km. Also, the proposed model for predicting the Flow Number of polymer modified asphalt mixtures based on viscoelastoplastic behavior is able to predict the flow rate with an error of 11% using only the results of the MSCR test.

يادگيري عميق , درجه عملكردي , عدد رواني , سنجش از دور , خزش و بازگشت در چند سطح تنش

Deep Learning , PG , Flow Number , Remote Sensing , MSCR

Behrooz Ghobadipour

Barat Mojaradi - Ali Mansour khaki