Approcci Machine Learning per la modellazione del comportamento fisico-meccanico di miscele bituminose per infrastrutture viarie

In recent years, one of the key concepts representing the direction toward which research is heading in many areas of engineering is represented by the twin transition. The twin transition refers to the merging of both digital and environmental technological breakthroughs in order to meet the sustainable development goals announced by the United Nations. In this framework, pavement engineering plays a crucial role as a key sector for the socio-economic development of a country. In this respect, this dissertation aims to implement innovative machine learning algorithms for the processing of large amounts of data and the subsequent development of predictive models of asphalt mixtures' physical-mechanical behavior for road and/or airport pavements. By means of modern preprocessing procedures, data augmentation techniques, cross-validation and hyperparameter optimization, it has been possible to predict with high accuracy and remarkable reliability one or (simultaneously) several parameters related to the physical-mechanical behavior of the investigated mixtures, even if they greatly differ from each other. In this sense, the impact of machine learning on modern pavement engineering may be far from negligible, affecting several procedural stages of road and/or airport pavement design, construction and maintenance. In particular, a specific result of the current dissertation is the feasibility of simplifying and speeding up conventional pavement design procedures, reducing laboratory workloads and the subsequent waste generation. In this way, in addition to a potential digitalization of data in terms of performance characterization of asphalt mixtures, the sustainability of the associated production processes would be increased, satisfying both requirements of a successful twin transition.

Negli ultimi anni, uno dei concetti fondamentali che rappresenta la direzione verso cui tende la ricerca in molti settori dell'ingegneria è rappresentato dalla doppia transizione. Per doppia transizione si intende la fusione degli avanzamenti tecnologici sia in chiave digitale che ambientale al fine di soddisfare gli obiettivi di sviluppo sostenibile annunciati dalle Nazioni Unite. In questo contesto, gioca un ruolo cruciale l'ingegneria delle pavimentazioni in quanto settore fondamentale per lo sviluppo socio-economico di un Paese. A tal proposito, questo elaborato di tesi si propone di implementare innovativi algoritmi di apprendimento automatico per l'elaborazione di ingenti quantità di dati e lo sviluppo di modelli predittivi del comportamento fisico-meccanico di miscele bituminose per pavimentazioni stradali e/o aeroportuali. Attraverso moderne procedure di pre-elaborazione, generazione sintetica di osservazioni, validazione incrociata ed ottimizzazione degli iperparametri è stato infatti possibile prevedere con elevata precisione e ragguardevole attendibilità uno o (simultaneamente) più parametri legati alle caratteristiche prestazionali delle miscele investigate, anche se molto diverse tra loro. In questo senso, l'impatto dell'apprendimento automatico sulla moderna ingegneria delle pavimentazioni può risultare tutt'altro che trascurabile, andando ad interessare diverse fasi procedurali che coinvolgono la progettazione, la costruzione e la manutenzione delle pavimentazioni stradali e/o aeroportuali. Nello specifico, un risultato tangibile del presente elaborato è rappresentato dalla possibilità di semplificare e velocizzare le convenzionali procedure di progettazione delle pavimentazioni, riducendo i carichi di lavoro in laboratorio e la successiva generazione di scarti. In questo modo, oltre ad una potenziale digitalizzazione dei dati di caratterizzazione prestazionale dei conglomerati bituminosi, si provvede ad aumentare la sostenibilità dei correlati processi produttivi, soddisfacendo entrambe le richieste in termini di doppia transizione.