Koneoppimisen hyödyntäminen bitumin tunnistamisessa
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021-08-23
Department
Major/Subject
Mcode
Degree programme
Master's Programme in Geoengineering (GEO)
Language
fi
Pages
74 + 12
Series
Abstract
Aikaisemmin suomalainen asfaltintuotanto on nojautunut vain yhteen bitumintuottajaan, minkä seurauksena bitumin ominaisuudet ovat olleet tuttuja. Uusi tilanne luo uusia haasteita bitumin ominaisuuksien tunnistuksessa. Perinteiset bitumin tutkimusmenetelmät perustuvat laboratoriokokeisiin ja ovat verrattain hitaita, jolloin asfalttiasemalle jo tullutta bitumia ei pystytä enää tutkimaan ennen kuin se päätyy tuotantoon. Myöskään Asfalttinormien vaatimat testit eivät tällä hetkellä ota huomioon kaikkia niitä ominaisuuksia, joita bitumin toiminnan kannalta olisi järkevää testata. Näitä ovat muun muassa pitkäaikaisen ikääntymisen kesto, kosteuden kestävyys, alhaisten lämpötilojen kesto sekä kestävyys urautumista vastaan. Näiden uusien ongelmien ratkaisemiseksi on aloitettu Morebit niminen projekti, jonka tarkoituksena on luoda tekoälyyn pohjautuva työkalu. Työkalu tulee olemaan koneoppimispohjainen laadunvalvontasysteemi, jota voidaan käyttää asfalttiasemalla bitumin laadun nopeaan tarkistamiseen. Tämän opinnäytetyön tavoitteena on todistaa kyseisen systeemin toimivuus. Työssä on myös selvitetty, voiko bitumin tunnistamisessa hyödyntää koneoppimista. Työn aikana on tehty testejä Fourier-muunnosinfrapunaspektroskopialla (FTIR) ja dynaamisen leikkausreometrin (DSR) avulla 30 näytteelle, jotka on saatu projektissa olevilta yrityksiltä. Yhtenä tutkielman tavoitteena on ollut kehittää infrapunaspektroskopiaan pohjautuvan FTIR-testin parametrejä. Toisena tavoitteena on tutkia voiko testissä saatujen ”kemiallisten sormenjälkien” analysoimisesta tehdä johtopäätöksiä bitumin ominaisuuksista koneoppivalla PCA-algoritmilla. DSR-kokeilla on testattu bituminäytteiden viskoelastisia ominaisuuksia, joihin koneoppimisen tuloksia on verrattu. Myös DSR-testien tuloksia on analysoitu algoritmilla, jotta on voitu nähdä, onnistuuko algoritmi erottelemaan näytteitä reologisten tulosten perusteella. FTIR-testiä tehtiin kahdella tapaa. Kaikki näytteet testattiin FTIR:llä +25 ⁰C lämpötilassa ja analysoitiin PCA-algoritmin kanssa. Seitsemän näytettä valittiin myös FTIR testiin, jossa bitumin ikääntymistä seurattiin +163 ⁰C lämpötilassa ja tuloksia analysoitiin myös PCA-algoritmilla. +25 ⁰C lämpötilassa saatujen koneoppimisen avulla analysoitujen FTIR-tulosten perusteella voidaan sanoa, että eri näytteiden välillä olevia eroja voidaan tunnistaa menetelmän avulla. Erityisesti pehmeät bitumilaadut erottuivat analyysissa. +163 ⁰C lämpötilassa tehtyjen FTIR-testien tuloksia analysoimalla PCA-algoritmin avulla pystyttiin todentamaan, että eri bitumien erilainen ikääntyminen on mahdollista tunnistaa koneoppimisen avulla.In year 2020 occurred events that have opened the Finnish market to many bitumen suppliers. Before this the Finnish Asphalt industry has relied mainly on one bitumen supplier and the properties of the product have been familiar. As the market opens, the industry faces new problems in identifying properties of bitumen properties. Traditional methods of testing bitumen need laboratory environment and they are time consuming which means that they cannot be exploited when the product arrives to an asphalt plant. Also, now tests required to do on bitumen by the Finnish Asphalt specification do not consider all bitumen properties that should be tested. These properties are resistance to long term aging, moisture resistance, low temperature resistance and resistance to rutting. Morebit project has been started to face these new challenges. The aim of the project is to create an artificial intelligence tool. The tool is supposed to be a machine learning based system that could be used at the asphalt plant during production of asphalt. The objective of this thesis is to be a proof of concept for the tool. In this study the possibility to use machine learning tool for identifying properties of bitumen. The companies involved sent to Aalto 30 samples, which have been tested with Fourier-transform infrared spectroscopy (FTIR) and Dynamic Shear Rheometer (DSR) tests. A goal of this dissertation has been to develop parameters for infrared spectroscopy based FTIR test. Another goal has been to find out if analysing “chemical fingerprints” from FTIR tests with machine learning algorithm could help identifying properties of the bitumen. Results from the DSR tests have used mainly to evaluate if machine learning results from FTIR tests could be linked to rheological properties of bitumen. FTIR tests were done in two different temperatures. All samples were tested in +25 ⁰C temperature with FTIR and results were analysed with PCA algorithm. Seven of the samples were chosen to be tested with FTIR during aging in 163 ⁰C temperature and the results were in the same way analysed with PCA analysis. Results from FTIR test done in 25 ⁰C temperature and analysed with PCA algorithm suggest that separation between different bitumen samples can be seen using the method. Especially, softer bitumen grades could be identified based on the results. This would suggest that some properties of bitumen could be identified based on spectra from raw bitumen samples when analysed with machine learning algorithms. Results from test done in 163 ⁰C suggest that bitumen samples that cannot be differentiated based on raw spectra have different patterns in chemical composition during aging and this can be recognized by a machine learning algorithm.Description
Supervisor
Korkiala-Tanttu, LeenaThesis advisor
Makowska, MichalinaEskola, Katri
Keywords
bitumi, FTIR, DSR, koneoppiminen