ATIK KÖMÜR KATKILI ASFALT BETONU PERFORMANS KARAKTERİSTİKLERİNİN YAPAY SİNİR AĞLARI VE MERKEZİ KOMPOZİT TASARIM YÖNTEMLERİ KULLANILARAK KARŞILAŞTIRILMASI

Year 2019, , 680 - 688, 15.09.2019

Burak Yiğit Katanalp , Zeynel Baran Yıldırım Murat Karacasu , Turgay İbrikçi

https://doi.org/10.21923/jesd.512018

Cited By: 6

Abstract

Bu
çalışmada atık kömür katkılı modifiye bitüm kullanılarak Marshall tasarımı ile
hazırlanmış asfalt betonu numunelerinin performans karakteristikleri deneysel
tasarım yöntemlerinden Merkezi Kompozit Tasarım (MKT) ve Geri Yayılımlı Yapay
Sinir Ağı (YSA) modeli kullanılarak tahmin edilmiştir. Her iki modelin tahmin
ettiği performans değerleri karşılaştırılmıştır. MKT yönteminin optimum olarak
belirlediği koşullarda doğrulama deneyleri gerçekleştirilmiştir. Ayrıca optimum
deney koşulları YSA giriş parametresi olarak tanımlanmış ve ağın ürettiği
çıktılar ile doğrulama deneyi sonuçları % 95 güven aralığının alt ve üst
limitleri arasında incelenmiştir. MKT ve YSA modellerinin yanıt değişkenleri
üzerindeki tahmin değerleri sırası ile %84.8 – 94.3 – 89.65 – 47.1 olarak elde
edilmiştir. Kullanılan modeller karşılaştırıldığında MKT ve YSA tahminlerinin
tamamının, doğrulama deney sonuçlarının ise 
%91.67 nin belirlenen güven aralıklarında kaldığı gözlemlenmiştir. Kullanılan
her iki yöntemin ürettiği çıktılar sayesinde Marshall tasarımı performans
değerlerinin belirlenmesi için üretilmesi gereken numune sayılarının azalacağı
düşünülmüştür. Böylece zaman tasarrufu ve ekonomik kazançların sağlanabileceği
belirlenmiştir.

Keywords

Yapay sinir ağları, Merkezi kompozit tasarım, Marshall tasarımı, Asfalt betonu, Atık kömür

COMPARISON OF WASTE COAL ADDITIVE ASPHALT CONCRETE PERFORMANCE CHARACTERISTICS USING ARTIFICIAL NEURAL NETWORKS AND CENTRAL COMPOSITE DESIGN METHODS

Abstract

In this study, the performance characteristics of the
asphalt concrete samples prepared with Marshall design, using coal waste
modified bitumen, were estimated by using Central Composite Design (CCD) and Back
Propagated Artificial Neural Network (ANN) model. Verification tests were
carried out under optimum conditions determined by CCD method. In addition, the
optimum experimental conditions were defined as the input parameter of ANN and
the results of the validation test with the outputs produced by the network
were examined between the upper and lower limits of the 95% confidence
interval. The estimation values on response variables of MKT and ANN models
were obtained as 84.8 - 94.3 - 89.65 - 47.1%, respectively. Compared both of
the models used in the study, it was observed that both all of the CCD and ANN
predictions and 91.67% of validation test results were within observed
confidence intervals. Due to the outputs produced by both methods, it is
thought that the number of samples that should be produced in order to
determine the Marshall performance values will decrease. Thus, it was
determined that time savings and economic gains could be achieved.

Keywords

Artificial neural networks, Central composite design, Marshall design, Asphalt concrete, Coal waste

References

• Aksoy, D.O. and Sağol, E., 2016. Application of central composite design method to coal flotation: Modelling, optimization and verification. Fuel, 183 (2016)609-616.
• ASTM, D., 2006. 4402. Standard test method for viscosity determination of asphalt at elevated temperatures using a rotational viscometer.
• ASTM, D., 2013. Standard test method for penetration of bituminous materials. USA, ASTM International.
• ASTM, D., 2006. Standard Test Method for Softening Point of Bitumen (Ring‐and‐Ball Apparatus). Annual Book of Standards.
• ASTM, D., 2002. Standard test method for flash and fire points by Cleveland open cup tester. Annual Book of Standards.
• Bala, N., Napiah, M. and Kamaruddin, I., 2017. Application of Response Surface Methodology for Mix Design Optimization of Nanocomposite Modified Asphalt Mixtures. International Journal of Geomate, 13(39): 237-244.
• Box, G.P.E., Wilson, K.B., 1951. On the experimental attainment of optimum conditions, Journal of Royal Statistical Society, 13, 1-45.
• Çelik, O., 2001. Öğütülmüş Atık Otomobil Lastiğiyle Modifiye Edilmiş Bitümler ile Yapılan Asfalt Betonunun Yorulma Davranışı. Turk. J. Engin. Environ. Sci., Tübitak, 25: 487-495.
• Çetin, A. and Tuncan, M., 1997. Endüstriyel Atıkların Asfalt Beton Kaplama Karışımında Değerlendirilmesi. Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, Anadolu Üniversitesi, Eskişehir, Türkiye.
• Eriskin, E., Karahancer, S., Terzi, S. and Saltan, M., 2017. Waste frying oil modified bitumen usage for sustainable hot mix asphalt pavement. Archives of Civil and Mechanical Engineering, 17(4): 863-870.
• Haghshenas, H., Khodaii, A., Khedmati, M. and Tapkin, S., 2015. A mathematical model for predicting stripping potential of Hot Mix Asphalt. Construction and Building Materials, 75: 488-495.
• Hamzah, M.O., Golchin, B. and Tye, C.T., 2013. Determination of the optimum binder content of warm mix asphalt incorporating Rediset using response surface method. Construction and Building Materials, 47: 1328-1336.
• Haykin, S., 1994. Neural networks: a comprehensive foundation. Prentice Hall PTR.
• Hınıslıoğlu, S. and Ağar, E., 2004. Use of waste high density polyethylene as bitumen modifier in asphalt concrete mix. Materials letters, 58(3-4): 267-271.
• İsfalt, 2002. Asfalt El Kitabı, İstanbul Büyükşehir Belediyesi. İSFALT Bilimsel Yayın(2).
• Huang, Y., Bird, R.N. and Heidrich, O., 2007. A review of the use of recycled solid waste materials in asphalt pavements. Resources, Conservation and Recycling, 52(1): 58-73.
• Kavussi, A., Qorbani, M., Khodaii, A. and Haghshenas, H., 2014. Moisture susceptibility of warm mix asphalt: a statistical analysis of the laboratory testing results. Construction and Building Materials, 52: 511-517.
• Keskin, M. and Karacasu, M., 2018. Atık Bor İçeren Asfalt Betonlarının Performanslarının Değerlendirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 30(2): 185-192.
• Khodaii, A., Haghshenas, H. and Tehrani, H.K., 2012. Effect of grading and lime content on HMA stripping using statistical methodology. Construction and Building Materials, 34: 131-135.
• Khodaii, A., Khedmati, M. and Haghshenas, H., 2014. Statistical evaluation of hot mix asphalt resilient modulus using a central composite design. International Journal of Pavement Research and Technology, 7(6): 445-450.
• Kırbaş, U., Karaşahin, M., Demir, B., Komut, M. ve Ünal, E.N., 2018. Bitümlü Sıcak Karışım Üstyapılarda Görülen Yüzey Bozulmaları ile Düzgünsüzlük Arasındaki İlişkilerin Modellenmesinde Bazı Yaklaşımlar. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi: DOI: 10.19113/sdufbed. 32804-Online Yayınlanma: 16.02. 2018.
• Kök, B., Yılmaz, M., Kuloğlu, N. and Şengür, A., Değişik Şartlarda Hazırlanmış SBS Modifiyeli Bitümün Viskozitesinin Yapay Sinir Ağları ile Modellenmesi.
• Matlab, U.s.G., 1760. The mathworks. Inc., Natick, MA, 1992.
• Moghaddam, T.B., Soltani, M. and Karim, M.R., 2015. Stiffness modulus of Polyethylene Terephthalate modified asphalt mixture: A statistical analysis of the laboratory testing results. Materials & Design, 68: 88-96.
• Morova, N., Serin, S. and Terzi, S., 2011. Bitüm Miktarının Asfalt Betonu Dayanımına Etkisinin Bulanık Mantık Yaklaşımıyla Değerlendirilmesi, 6th International Advanced Technologies Symposium, Elazığ.
• KGM, 2013. Karayolu Teknik Şartnamesi. TC Bayındırlık ve İskan Bakanlığı, Karayolları Genel Müdürlüğü, Kısım, 218: 82-92.
• Myers, R.H. and Montgomery, D.C., 1995. Response surface methodology: process and product optimization using designed experiments, 4. Wiley New York.
• Nassar, A.I., Thom, N. and Parry, T., 2016. Optimizing the mix design of cold bitumen emulsion mixtures using response surface methodology. Construction and Building Materials, 104: 216-229.
• Önal, M. and Karaca, S., 1984. Asfalt betonu ve diğer sıcak karışım tipleri için karışım dizayn metotları. Karayolları Genel Müdürlüğü Teknik Araştırma Daire Başkanlığı(s 200).
• Öztemel, E., 2003. Yapay Sinir Ağlari. Papatya Yayincilik, Istanbul.
• Schmidhuber, J., 2015. Deep learning in neural networks: An overview. Neural networks, 61: 85-117.
• Tortum, A., Çelik, C. and Aydin, A.C., 2005. Determination of the optimum conditions for tire rubber in asphalt concrete. Building and Environment, 40(11): 1492-1504.
• Vaitkus, A., Cygas, D., Laurinavicius, A., Vorobjovas, V. and Perveneckas, Z., 2016. Influence of warm mix asphalt technology on asphalt physical and mechanical properties. Construction and Building Materials: 112, 800-806.
• White, T.D., 1985. Marshall procedures for design and quality control of asphalt mixtures. Asphalt Paving Technology; 54, 265-284.
• Yıldırım, Z.B., Karacasu, M. and Okur, V., 2018. Optimisation of Marshall Design criteria with central composite design in asphalt concrete. International Journal of Pavement Engineering: 1-11.
• Zhang, S.L., Zhang, Z.X., Xin, Z.X., Pal, K. and Kim, J.K., 2010. Prediction of mechanical properties of polypropylene/waste ground rubber tire powder treated by bitumen composites via uniform design and artificial neural networks. Materials & Design, 31(4): 1900-1905.