Asfalt betonu karışım tasarımı parametrelerinin hızlı tahmini için bir model geliştirilmesi

Asfalt betonu karışım tasarımı, yol yapımında kullanılan asfalt karışımının en uygun performansı göstermesi için agrega, bitüm ve varsa katkı maddelerinin oranlarının belirlenmesi sürecidir. Marshall karışım tasarımı, dünyada en yaygın kullanılan asfalt karışım tasarım yöntemlerinden biri olmaya devam etmekte olup Türkiye'de de hala kullanılan tek asfalt karışım tasarım yöntemidir. Marshall karışım tasarım prosedürü, uzun laboratuvar deneylerinden oluşmakla birlikte önemli miktarda zaman ve işçilik gerektirmektedir. Bu çalışmanın amacı toplam 724 adet aşınma, binder ve bitümlü temel tabakaları için tasarlanmış asfalt karışım verileri kullanılarak girdi ve çıktı parametreleri belirlenip arasında bir ilişki kurmak amacıyla çeşitli makine öğrenimi (ML) algoritmaları (Boosted Tree (BT), Bootstrap Forest (BF), Destek Vektör Makineleri (SVM) ve YSA (ANN)) kullanılarak tahmin modelleri geliştirilmek ve her bir çıktı parametresinin tahmininde hangi algoritmanın daha başarılı olacağının karşılaştırmalı bir şekilde analiz edilmesidir. Bu çalışma sonucunda Boosted Tree (BT) algoritması kullanılarak elde edilen modellerin diğer algoritmalar kullanılarak elde edilen modellere göre daha başarılı olduğu, bu algoritma kullanılarak geliştirilen tahmin modellerinin her bir tasarım çıktı parametresini başarılı bir şekilde tahmin edebildiği belirlenmiştir. Bu çalışma sonucunda, Marshall karışım tasarımı için gereken süreyi azaltmak, Marshall stabilitesi, akma ve hacimsel özellikler gibi bazı karışım tasarım parametrelerini, elde edilmesi önemli ölçüde daha az zaman gerektiren girdi parametrelerini kullanarak tahmin ederek hızlı bir şekilde elde etmek amacıyla Boosted Tree (BT) algoritması kullanılarak elde edilen modellerin kullanılması önerilmektedir. Bu şekilde karışım tasarımı için gereken süre, özellikle yoğun inşaat sezonunda önemli ölçüde azaltılabilecektir.

Asphalt concrete mixture design is the process of determining the proportions of aggregates, bitumen, and additives, if any, to ensure the optimal performance of the asphalt mixture used in road construction. The Marshall mix design remains one of the most widely used methods globally and is currently the sole asphalt mixture design method employed in Turkey. However, the Marshall mix design procedure involves extensive laboratory testing, requiring significant time and labor. The objective of this study is to develop predictive models by establishing relationships between input and output parameters using a total of 724 asphalt mixture datasets designed for wearing, binder, and bituminous base courses. Various machine learning (ML) algorithms, including Boosted Tree (BT), Bootstrap Forest (BF), Support Vector Machines (SVM), and Artificial Neural Networks (ANN), were utilized and a comparative analysis was conducted to determine which algorithm performs best in predicting each output parameter. The results of the study indicated that the models developed using the Boosted Tree (BT) algorithm outperformed the other algorithms, demonstrating a high success rate in predicting each design output parameter. Consequently, this study suggests utilizing models based on the Boosted Tree (BT) algorithm to rapidly obtain mixture design parameters—such as Marshall stability, flow, and volumetric properties—by predicting them from input parameters that require significantly less time to acquire. In this way, the time required for mixture design can be substantially reduced, particularly during peak construction seasons.