Record #879702 - RWTH Publications

DFG project G:(GEPRIS)459436571

Skalenübergreifende Modellierung und Charakterisierung des Haftverhaltens zwischen Bitumen und Gestein Phase II: Verwendung von Physik-informierten Neuronalen Netzen zur Vorhersage des Ermüdungsverhaltens von Asphalt

Coordinator	Professor Dr.-Ing. Pengfei Liu
Grant period	2021 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)459436571

Note: In Phase I dieses Projekts wurden umfassende multiskalige experimentelle und fortgeschrittene numerische Simulationsmethoden erfolgreich entwickelt, um das Haftverhalten zwischen Bitumen und Gestein besser zu verstehen. Die Untersuchungen lieferten entscheidende Einblicke in die grundlegenden Mechanismen, die die Adhäsion und das Debonding in bituminösen Materialien steuern. Trotz erheblicher Fortschritte bei der Bewältigung von Adhäsionsproblemen bleibt eine große Herausforderung bestehen: die genaue Vorhersage des Ermüdungsverhaltens von bituminösen Materialien über verschiedene Skalen hinweg, von der Bitumenchemie auf der Nanoskala bis hin zur Rissentwicklung auf der Mesoskala. Da Ermüdungsschäden in Asphaltbefestigungen die Straßenstruktur im Laufe der Zeit schwächen und erhebliche Risiken für die Sicherheit im öffentlichen Verkehr darstellen, ist die Lösung dieses Problems zu einer dringenden Aufgabe für die deutschen Straßenbauwissenschaftler geworden. Phase II zielt darauf ab, diese Lücke innovativ zu schließen, indem die experimentellen Daten und Simulationstechniken aus Phase I zusammen mit Physik-informierten Neuronalen Netzen (PINNs) genutzt werden, um ein einheitliches, multiskaliges Rahmenwerk zu schaffen. Dieses Rahmenwerk wird die molekulare Zusammensetzung von Bitumen sowie andere wichtige Parameter verwenden, um die Ermüdungseigenschaften von Asphaltbefestigungen auf der Mesoskala genau und effizient vorherzusagen. Die Integration von physikalischen Gesetzen über verschiedene Skalen hinweg—das Newtonsche Bewegungsgesetz, das Modell des viskoelastischen Kontinuumsschadens (VECD) und das Paris-Gesetz—in die Verlustfunktionen des PINN-Modells wird genaue Vorhersagen über verschiedene Skalen hinweg sicherstellen. Auf jeder Skala werden Daten aus früheren Forschungsprojekten, relevanter Literatur und insbesondere aus den in Phase I entwickelten und validierten experimentellen Tests und numerischen Modellen verwendet, um das neuronale Netz zu trainieren. Die Nutzung dieser umfangreichen Datensätze wird den Bedarf an neuen Experimenten in Phase II minimieren, wodurch das Projekt im vorgegebenen Budget- und Zeitrahmen bleibt. Es werden nur eine begrenzte Anzahl zusätzlicher Ermüdungsversuche durchgeführt, um das Modell weiter zu validieren und zu verfeinern. Die Pareto-Optimierung wird verwendet, um die Verlustfunktionen über die Skalen hinweg auszubalancieren, wodurch die Effizienz und Genauigkeit des Modells weiter verbessert werden. Die wichtigsten Innovationen der Phase II umfassen die Entwicklung dieses umfassenden, multiskaligen PINN-Rahmenwerks, die verbesserte Integration von Asphaltchemie und Ermüdungsverhalten durch physikalische Gesetze sowie die Anwendung fortschrittlicher Optimierungstechniken. Diese Fortschritte werden voraussichtlich die Abhängigkeit von umfangreichen physikalischen Versuchen erheblich reduzieren, die Materialentwicklung beschleunigen und zum nachhaltigen Bau langlebiger Straßen beitragen.