Bitümlü sicak karişimlarin fiziksel özelliklerinin makine öğrenmesi ile analizi
Analysing the parameters of the marshall experiment using machine learning
- Tez No: 1000787
- Danışmanlar: PROF. DR. ENGİN YENER
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Iğdır Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu makalede, laboratuvar koşullarından elde edilmiş olan Marshall deneyine ait 453 adet asfalt karışım numunesinin test verisi toplanmıştır. Agreganın efektif özgül ağırlığı (Gef), agreganın hacim özgül ağırlığı (Gsb), agreganın içerisindeki bitümün ağılıkça yüzdesi (Wa), karışımın içerisindeki agreganın ağılıkça yüzdesi (Pb), kaba agrega/ince agrega (CA/FA), filler/bitüm (F/B), maksimum agrega boyutu (Dmax), bitüm penetrasyonu, karışımın maksimum teorik özgül ağırlığı (Dt) , hacim özgül ağılıkları (Dp), ve VMA (agregalar arası boşluk), Vh (hava boşluğu) ve Vf (asfaltla dolu boşluk) olmak üzere toplamda 13 adet girdi parametresi kullanılmıştır. Çıktı parametresi değeri ise Marshall Stabilitesi (MS) olarak seçilmiştir. Çalışmada MS değişkenini tahmin etmek için Random Forest, XGBoost, GBoost ve Ekstra Trees algoritmaları kullanılmış; modeller MAPE, R² ve RMSE gibi performans metrikleriyle karşılaştırılmıştır. Sonuç olarak XGBoost modelinin MS değerini tahmin etmede diğer modellere göre daha iyi bir performans göstermiştir. Bu model test verisi üzerinde; 0.96 R² (determinasyon katsayısı), 0.37 RMSE (kök ortalama kare hata) ve %0.02 MAPE (ortalama mutlak yüzde hata) değerleri ile yüksek doğruluk ve düşük hata oranı sunarak MS tahmini için güçlü bir yöntem olduğunu ortaya koymuştur. Ayrıca girdi parametrelerinin MS değişkenin tahmini üzerindeki etkilerini incelemek amacıyla SHAP analizi gerçekleştirilmiştir. Analiz sonuçları XGBoost modeli için MS tahmininde en etkili değişkenlerin Gef ve Gsb olduğunu ortaya koymuştur. Bu tür açıklana bilirlik analizleri tasarım parametrelerinin optimize edilebilmesine olanak sağlayarak yol tasarımlarının erken aşamalarında karar verme sürecini kolaylaştırmaktadır.
Özet (Çeviri)
Road transport is the most widespread transport network in the world and in Turkey. Every year, asphalt mix designs are prepared for the deterioration or reconstruction of road pavements. Asphalt mixture designs affect the mechanical and physical properties of roads, they also directly affect their performance. Marshall design, which is one of the experimental methods, is used for this purpose. The calculation of design parameters used in Marshall mix design is complex, time consuming and costly. To solve this prob-lem, it is economical and practical to develop models that predict the experimental results using machine learning methods. In this paper, test data of 453 asphalt mix specimens from the Marshall test obtained from laboratory conditions were collected. Effective specific gravity of aggregate (Gef), volume specific gravity of aggregate (Gsb), percentage by weight of bitumen in the aggregate (Wa), weight percentage of aggregate in the mix (Pb), coarse aggregate/fine aggregate (CA/FA), filler/bitumen (F/B), maximum aggregate size (Dmax), bitumen penetration, maximum theoretical specific gravity of the mixture (Dt), bulk (practical) specific gravity of the mixture (Dp), and VMA (void between aggregates), Vh (air void) and Vf (void filled with asphalt). The output parameter value was chosen as Marshall Stability (MS). In the study, random forest, XGBoost, GBoost and Extra Trees algorithms were used to estimate the MS variable and the models were compared with performance metrics such as MAPE, R² and RMSE. As a result, the XGBoost model performed better than the other models in predicting the MS value. This model has proved to be a powerful method for MS prediction by providing high accuracy and low error rate with R² (coefficient of determination) of 0.96, RMSE (root mean square error) of 0.37 and MAPE (mean absolute percentage error) of 0.02% on the test data. In addition, SHAP analysis was performed to examine the effects of input parameters on the prediction of the MS variable. The results of the analysis revealed that Gef and Gsb are the most effective variables in predicting MS for the XGBoost model. This type of explanatory analysis facilitates decision-making in the early stages of road design by enabling optimisation of design parameters.
Benzer Tezler
- Ereğli Demir Çelik Fabrikası cürufunun asfalt betonunda kullanılması
Use of Ereğli Iron and Steel Factory slag in the asphalt concrete
EKREM TOLGA SOMURKIRAN
Yüksek Lisans
Türkçe
2005
İnşaat MühendisliğiFırat Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. TANER ALATAŞ
- Bitümlü sıcak karışımların trafik etkisi altında mekanik özelliklerinin incelenmesi
Investigation of mechanical properties of hot mix asphalts under the traffic effect
AHMET SERTAÇ KARAKAŞ
- Farklı plastik atıkların birlikte pirolizinden elde edilen katı ürünle modifiye edilmiş bitümlü sıcak karışımların mühendislik özelliklerinin araştırılması
Investigation of engineering properties of hot mix asphalt modified with solid product obtained from co–pyrolysis of different waste plastics
MUHAMMET MEVLÜT AKMAZ
Doktora
Türkçe
2020
UlaşımKonya Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ ÇELİK
- Atık kızartma yağı ve atık tarımsal kül ile modifiye edilmiş bitümlü bağlayıcıların fiziksel ve kimyasal özelliklerinin incelenmesi
Investigation of the chemical and physical properties of bituminous binders modified with waste frying oil and waste agricultural ash
ELİF ZORLU
Yüksek Lisans
Türkçe
2023
UlaşımErzincan Binali Yıldırım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED ALİ ÇOLAK
- Geri dönüşümlü asfalt ilavesi ile modifiye karışımların mekanik özelliklerinin incelenmesi
Investigation of mechanical properties of modified mixtures with recycled asphalt addition
AYKUT FATİH KORAL
Doktora
Türkçe
2023
İnşaat MühendisliğiFırat Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. TANER ALATAŞ