DESARROLLO DE UN MODELO MEJORADO PARA LA PREDICCIÓN DE MÓDULO DINÁMICO E* PARA MEZCLAS...
14
DESARROLLO DE UN MODELO MEJORADO PARA LA PREDICCIÓN DE MÓDULO DINÁMICO E* PARA MEZCLAS ASFÁLTICAS Ing. Fabricio Leiva Villacorta, Ph.D., MBA Ing. José Pablo Aguiar Moya, Ph.D. Ing. Luis Guillermo Loría Salazar, Ph.D.
description
DESARROLLO DE UN MODELO MEJORADO PARA LA PREDICCIÓN DE MÓDULO DINÁMICO E* PARA MEZCLAS ASFÁLTICAS. Ing. Fabricio Leiva Villacorta , Ph.D., MBA Ing. José Pablo Aguiar Moya, Ph.D. Ing. Luis Guillermo Loría Salazar, Ph.D. ¿ Qué es el LanammeUCR?. - PowerPoint PPT Presentation
Transcript of DESARROLLO DE UN MODELO MEJORADO PARA LA PREDICCIÓN DE MÓDULO DINÁMICO E* PARA MEZCLAS...
DESARROLLO DE UN MODELO MEJORADO PARA
LA PREDICCIÓN DE MÓDULO DINÁMICO E* PARA MEZCLAS
ASFÁLTICAS
Ing. Fabricio Leiva Villacorta, Ph.D., MBA Ing. José Pablo Aguiar Moya, Ph.D.Ing. Luis Guillermo Loría Salazar, Ph.D.
¿Qué es el LanammeUCR?
LanammeUCR es un laboratorio de la Universidad de Costa Rica dedicado a:
• Investigación aplicada• Docencia• Transferencia tecnológica• Cooperación técnica
• Primer laboratorio del ramo ACREDITADO ISO 17025 – 2002 en la región latinoamericana
• 80 ensayos acreditados
Áreas de Especialidad• Ingeniería Sísmica y Gestión del Riesgo.
• Ingeniería de Suelos y Rocas (Geotecnia).
• Ingeniería Estructural.
• Ingeniería de Materiales de Construcción.
• Ingeniería Vial (Programa PITRA –
Ley 8114 y 8603).
• LEY 7099: Laboratorio nacional de referencia
•LEY 8603: Garantizarla máxima Eficiencia de Inversión Pública en Reconstrucción y
Conservación de la Red Vial Costarricense
• LEY 8114: Fiscalización, investigación, transferencia de Tecnología, apoyo a municipios,
evaluación de redes viales y puente especificación vial
costarricense 1.0% Impuesto al combustible
MotivaciónModelo Witczak
))log(393532,0)log(31335,0603313,0(34
238384
42
200200
1
005470,0)(000017,0003958,00021,0871977,3802208,0
058097,0002841,0)(001767,002932,0750063,3*log
fabeff
beff
a
eVV
V
VE
0
10000
20000
30000
40000
0 10000 20000 30000 40000
E* E
stim
ado,
Mpa
E* Laboratorio, MPa
E* Witczak
Igualdad -0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
2 3 4 5
Resi
dual
es -
Mod
elo
Wit
czak
Valores Log(E*) Estimados
MotivaciónModelo Witczak-Lanamme
2200 200 4
24 38 38 34
(0,052941 0,498163log( ) 0,691856log( ))
log * 5,535833 0,002087 0,000566( ) 0,002590 0, 078763
2,399557 0,000820 0,013420 0,000261( ) 0,0054701,865947
1
a
beff
fbeff a
E V
V
V V e
0
10000
20000
30000
40000
0 10000 20000 30000 40000
E* E
stim
ado,
Mpa
E* Lab, MPa
E* Witczak-LanammeEquality
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
2 3 4 5
Resi
dual
es -
Mod
elo
W-L
Valores Log(E*) - Estimados
OBJETIVO
•Desarrollar un modelo mejorado y mas efectivo para la estimación del módulo dinámico para mezclas asfálticas en Costa Rica por medio del uso de redes neurales.
Metodología•Análisis estadístico de
modelos Witczak y Witczak-Lanamme (Motivación)
•Desarrollo de modelos NN o RN usando misma base de datos
•Comparación estadística de modelos
Materia Prima
Nº.2
00
Nº.1
00
Nº.5
0
Nº3
0
Nº1
6
Nº.8
Nº.4
Nº8
3/8
"
1/2
"
0
10
20
30
40
50
60
70
80
90
100
0 1 2 3 4Sieve size
%P
assi
ng
G1 G2
G3 Plant
G4 G5
G6 G7
G8 G9
10
100
1000
10000
100000
-10 -8 -6 -4 -2 0 2 4 6 8 10
Log Reduced Time (tr)
Dy
na
mic
Mo
du
lus
, E
* (M
pa
)
G2 G3 G4 G5 G6 G7 G8 G9 G10 G1
10 Mezclas Asfálticas en Caliente
RESULTADOS
•Desarrollo de modelos RN
Variables de entrada:T = temperatura = viscosidad del asfaltof = frecuencia de carga, Hz.Va = Contendido de vacíos de aire, %.V beff = Contenido de asfalto efectivo, % por volumen.38 = Porcentaje retenido acumulado en la malla de 9,53 mm.4 = Porcentaje retenido acumulado en la malla No 4.200 = Porcentaje pasando en la malla No 200.
RESULTADOS
0
10000
20000
30000
40000
0 10000 20000 30000 40000
E* E
stim
ado,
Mpa
E* Laboratorio, MPa
E* RN-Lanamme
Igualdad
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
4 6 8 10 12
Resi
dual
es -
Mod
elo
RN
LN(E*) Estimado - Modelo RN
Ecuaciones del Modelo
-4.2794 23.2425 -4.0547 -12.9996 0.0060 8.4144 -3.4470 -0.0002 0.0118 13.7398
-10.8394 -2.4254 -5.4623 4.0784 -0.0272 -2.1539 -7.4460 0.0250 0.0073 -17.2411
7.5808 5.2567 7.6583 -22.1995 0.1250 -2.7495 0.8265 -0.1192 -0.0303 -5.5932
-15.3861 26.5062 -1.7360 3.2115 0.1505 0.9341 -18.8182 -0.1521 -0.0390 -3.5607
2.3739 -5.2556 8.2966 -4.0598 0.1879 3.7634 3.6738 -0.1812 -0.0185 5.0671
-0.3161 -6.6774 -4.7862 0.2819 0.4871 1.6285 -0.4955 -0.4942 -1.8913 4.2234
-0.1810 -14.1131 -8.9340 2.1166 1.3467 2.3166 -0.5999 -1.3313 -1.8068 2.0520
0.0159 0.6328 0.4785 -0.1558 -0.3746 -0.1602 0.0106 0.3321 -8.0241 0.1222
0.2402
0.0377
0.0410
0.0722
6.6041
-0.0695
-0.2727
7.6429
-13.6531
0.0456
B0 = -13.6918
RESULTADOS
•Desarrollo de modelo RN
Criterio* R2 Se/Sy
Excelente > 0.9 < 0.35
Bueno 0.7 - 0.89 0.36 - 0.55
Aceptable 0.4 - 0.69 0.56 – 0.75
Pobre 0.20 - 0.39 0.76 - 0.90*NCHRP Report 465
ParámetrosModelo R2 R2 adj. Se/Sy aritméticoWitczak 0.592 0.589 0.372
Witczak-Lanamme 0.935 0.934 0.262RN-Lanamme 0.993 0.992 0.086
RESULTADOSy = 1.348x
y = 0.962x
y = 0.993x
0
10000
20000
30000
40000
0 10000 20000 30000 40000
E*Es
timad
o, M
Pa
E* Lab, MPa
E* Witczak
E* Witczak-Lanamme
E* RN-Lanamme
Equality
CONCLUSIONES•El nuevo modelo llamado RN-
LANAMME es el más adecuado estadísticamente dado que presentó los mejores parámetros de calidad de regresión (Se/Sy, R2).
•Metodologías de regresión basadas en redes neurales presenta una ventaja significativa sobre los métodos clásicos de regresión multi-variable.
