پژوهشنامه حمل و نقل

پژوهشنامه حمل و نقل

ارائه مدل های پیش بینی مشخصات رئولوژیکی قیرهای اصلاح شده حاوی SBS و نانو لوله کربن با استفاده از رگرسیون غیرخطی و شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسنده
امیر امینی
گروه مهندسی عمران، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
10.22034/tri.2025.522495.3341
چکیده
باوجود مزایای قابل‌توجه قیرهای پلیمری اصلاح‌شده با نانو ذرات، ولی تنها تعداد کمی از مطالعات بر روی پیش‌بینی عملکرد شیارشدگی آن‌ها متمرکز شده‌اند. تخمین و پیش‌بینی صحیح رفتار شیارشدگی روسازی به‌عنوان یک رویکرد تأثیرپذیر از متغیرهای عملکردی و محیطی می‌تواند از تولید آسفالت با پتانسیل بالای شیارشدگی در مرحله آزمایشگاهی و پیش از تولید کارخانه‌ای جلوگیری کند. ابن تحقیق به مدل‌سازی تأثیر هم‌افزایی SBS و نانولوله‌های کربنی (CNT) در بهبود خواص رئولوژیکی قیرها با استفاده از هوش مصنوعی و تحلیل‌های آماری می‌پردازد. عملکرد شیارشدگی قیرها حاوی 0، 0.6 و 2/1 درصد CNT و 3 و 6 درصد SBS به صورت جداگانه و ترکیبی با استفاده از آزمایش جاروب دما، تحلیل واریانس و مدل‌های رگرسیون و شبکه عصبی (ANN) بررسی شده است. نتایج نشان داد که هم‌افزایی پلیمر و نانوذرات موجب افزایش مقاومت شیارشدگی و بهبود رفتار رئولوژیکی قیر در دماهای بالا می‌شود. آزمون واریانس نشان داد که افزایش CNT به 1.2% بیشترین تأثیر را بر بهبود مقاومت شیارشدگی دارد. مقایسه عملکرد مدل‌های پیش‌بینی نشان داد که R² برای مدل‌های رگرسیون و ANN بالای 0.90 است. بااین‌حال، مدل ANN با ضریب همبستگی 0.976 عملکرد بهتری دارد و می‌تواند به‌عنوان ابزاری مؤثر در پیش‌بینی رفتار رئولوژیکی قیرهای اصلاح‌شده با نانوکامپوزیت برای جلوگیری از آسفالت با پتانسیل شیارشدگی بالا در مرحله پیش‌تولید پیشنهاد شود.
کلیدواژه‌ها
مشخصات رئولوژیکی
شبکه عصبی مصنوعی
رگرسیون چندگانه
نانو کامپوزیت
قیر اصلاح شده

موضوعات

عنوان مقاله English

Presenting Predictive Models of Rheological Characteristics of Modified Bitumens Containing SBS and Carbon Nanotubes Using Nonlinear Regression and Neural Network

نویسنده English

Amir Amini
Department of Civil Engineering, Na.C, Islamic Azad University, Najafabad, Iran.
چکیده English

Despite the significant advantages of polymer bitumens modified with nanoparticles, only a few studies have focused on predicting their rutting performance. Correct estimation and prediction of pavement rutting behavior as an effective approach of functional and environmental variables can prevent the production of asphalt with high rutting potential in the laboratory stage and before factory production. This research deals with modeling the synergistic effect of SBS and carbon nanotubes (CNT) in improving the rheological properties of bitumens using artificial intelligence and statistical analysis. The rutting performance of bitumens containing 0, 0.6 and 1.2% CNT and 3 and 6% SBS have been investigated separately and in combination using temperature sweep test, analysis of variance and regression and neural network (ANN) models. The results showed that the synergism of polymer and nanoparticles increases the rutting resistance and improves the rheological behavior of bitumen at high temperatures. The variance test showed that the increase of CNT to 1.2% has the greatest effect on improving the rutting resistance. Comparing the performance of prediction models showed that R² for regression and ANN models is above 0.90. However, the ANN model performs better with a correlation coefficient of 0.976 and can be suggested as an effective tool in predicting the rheological behavior of nanocomposite-modified bitumen to prevent asphalt with high rutting potential in the pre-production stage.

کلیدواژه‌ها English

Rheological Characteristics
Artificial Neural Network
Multiple Regression
Nanocomposite
Modified Bitumen
-Al-Hadidy, A., & Tan, Y.-q. (2009). Mechanistic analysis of ST and SBS-modified flexible pavements. Construction and Building Materials, 23(8), 2941-2950.
-Ameri, M., Nowbakht, S., Molayem, M., & Aliha, M. (2016). Investigation of fatigue and fracture properties of asphalt mixtures modified with carbon nanotubes. Fatigue & Fracture of Engineering Materials & Structures, 39(7),
896-906.
-Amini, A., Ziari, H., Saadatjoo, S. A., Hashemifar, N. S., & Goli, A. (2021). Rutting resistance, fatigue properties and temperature susceptibility of nano clay modified asphalt rubber binder. Construction and Building Materials, 267, 120946.
-Amirkhanian, A. N., Xiao, F., & Amirkhanian, S. N. (2011). Characterization of unaged asphalt binder modified with carbon nano particles. International Journal of Pavement Research and Technology, 4(5), 281.
-Arabani, M., & Faramarzi, M. (2015). Characterization of CNTs-modified HMA’s mechanical properties. Construction and Building Materials, 83, 207-215.
-Che, T., Pan, B., Li, Y., Ge, D., Jin, D., & You, Z. (2022). The effect of styrene-butadiene rubber modification on the properties of asphalt binders: Aging and restoring. Construction and Building Materials, 316, 126034.
 doi.org/10.1016/j.conbuildmat.2021.126034
-Goli, A., Ziari, H., & Amini, A. (2017). Influence of carbon nanotubes on performance properties and storage stability of SBS modified asphalt binders. Journal of Materials in Civil Engineering, 29(8), 04017070.
-Gong, Y., Wu, S., Bi, H., & Tian, L. (2023). Study on Thermal Stability and Fatigue Properties of SBS/CNT-Modified Asphalt Sealant. Polymers, 15(19), 3968.
-Hirsch, A., & Brettreich, M. (2006). Fullerenes: chemistry and reactions: John Wiley & Sons.
-Jafari, M., Babazadeh, A., & Aflaki, S. (2015). Effects of stress levels on creep and recovery behavior of modified asphalt binders with the same continuous performance grades. Transportation Research Record: Journal of the Transportation Research Board(2505), 15-23.
-Lamb, L. D., & Huffman, D. R. (1993). Fullerene production. Journal of Physics and Chemistry of Solids, 54(12), 1635-1643.
-Liu, H., Zeiada, W., Al-Khateeb, G. G., Shanableh, A., & Samarai, M. (2021). Use of the multiple stress creep recovery (MSCR) test to characterize the rutting potential of asphalt binders: A literature review. Construction and Building Materials, 269, 121320.
-Mirzaiyan, D., Ameri, M., Amini, A., Sabouri, M., & Norouzi, A. (2019). Evaluation of the performance and temperature susceptibility of gilsonite-and SBS-modified asphalt binders. Construction and Building Materials, 207,
679-692.
-Moniri, A., Ziari, H., Amini, A., & Hajiloo, M. (2022). Investigating the ANN model for cracking of HMA in terms of temperature, RAP and fibre content. International Journal of Pavement Engineering, 23(3), 545-557.
-Oberlin, A., Endo, M., & Koyama, T. (1976). Filamentous growth of carbon through benzene decomposition. Journal of Crystal Growth, 32(3), 335-349.
-Omranian, S. R., Hernando, D., Arab, A., Hamzah, M. O., Keong, C. K., Vuye, C., & Van den bergh, W. (2021). Validation of a model to predict the effect of short-term aging on the rheological properties of asphalt binders. Construction and Building Materials, 278, 122381. doi:org/10.1016/j.conbuildmat.2021.122381
-Santagata, E., Baglieri, O., Tsantilis, L., Chiappinelli, G., & Aimonetto, I. B. (2015). Effect of sonication on high temperature properties of bituminous binders reinforced with nano-additives. Construction and Building Materials, 75, 395-403.
-Tang, Y., Fu, Z., Ma, F., Liu, J., Sun, Q., & Li, C. (2023). Carbon nanotubes for improving rheological and chemical properties of styrene–butadiene–styrene modified asphalt binder. International Journal of Pavement Engineering, 24(1), 2211212.
-Xiao, Y., Chang, X., Yan, B., Zhang, X., Yunusa, M., Yu, R., & Chen, Z. (2021). SBS morphology characteristics in asphalt binder and their relation with viscoelastic properties. Construction and Building Materials, 301, 124292.
-Xu, P., Zeng, Z. A., Miao, Y., Zhang, D., & Fu, C. (2023). Field Aging Characterization of Asphalt Pavement Based on the Artificial Neural Networks and Gray Relational Analysis. Journal of Materials in Civil Engineering, 35(7), 04023188.
Yang, P. (2003). The Chemistry of Nanostructured Materials, World Scientific.
-Yılmaz, B., & Gürbüz, H. E. (2021). Rheological and morphological evaluation of nanoclay modified asphalt binder. Construction and Building Materials, 313, 125479.
-Zhang, F., & Yu, J.-Y. (2009). The resarch for asphalt modified with phosphorus trichloride/SBS. International Polymer Processing, 24(2), 148-156.
-Ziari, H., Amini, A., Goli, A., & Mirzaiyan, D. (2018). Predicting rutting performance of carbon nano tube (CNT) asphalt binders using regression models and neural networks. Construction and Building Materials, 160, 415-426.