Resumen

Este estudio propone un modelo de predicción para detectar con precisión el contenido de estireno-butadieno-estireno (SBS) en el asfalto modificado utilizando la red neuronal profunda (DNN). Los métodos tradicionales utilizados para evaluar el contenido de SBS son inexactos y complicados porque son propensos a producir errores por el cálculo manual. Los datos de las características del contenido de SBS se derivan de los espectros, que se obtienen mediante la prueba de espectroscopia infrarroja por transformación de Fourier. Después de diseñar la DNN, los datos de características preprocesados se utilizan como datos de entrenamiento y de prueba y se introducen en la DNN mediante una matriz de características. Además, se realizan estudios comparativos para verificar la precisión del modelo propuesto. Los resultados muestran que el valor del error cuadrático medio disminuyó en 68o DNN con la reducción de ruido y dimensión. El modelo de predicción basado en la DNN mostró que el coeficiente de correlación entre el valor objetivo y el valor medio predicho es de 0,9978 y 0,9992 para las muestras de entrenamiento y de prueba, respectivamente, lo que indica su notable precisión y aplicabilidad tras el entrenamiento. En comparación con el método de la curva estándar y el método del bosque aleatorio, la precisión de la DNN es superior al 98 o a las mismas condiciones de prueba, logrando el mejor rendimiento de predicción.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:dnn, contenido de sb, métodos de curva estándar, datos de características preprocesadas, red neuronal profunda, valor de error cuadrado, métodos de bosque aleatorio, prueba de espectroscopia infrarroja, precisión de dnn, datos de sb
• Keywords:dnn, sb content, standard curve methods, preprocessed features data, deep neural network, square error value, random forest methods, infrared spectroscopy test, precision of dnn, data of sb