Asfalt karışımlarında çatlak ilerlemesinin, değişen sıcaklık ve çentik derinliği altında gerçekleştirilen döngüsel SCB deneyleri kullanılarak derin öğrenme tabanlı sınıflandırılması, tez

Abstract

Bu çalışma, asfalt karışımlarının sıcaklığa bağlı çatlama davranışını incelemek amacıyla, kırılma mekaniği analizi ile desteklenen veri odaklı bir çerçeve sunmaktadır. Yarım daire eğilme (Semi-Circular Bending, SCB) deneyi kullanılarak, farklı çentik derinliklerine sahip SCB numuneleri 23°C ve 0°C sıcaklıklarda test edilmiştir. Çatlak gelişim davranışının yorumlanmasını desteklemek amacıyla, elastisite modülü, kırılma tokluğu ve kırılma enerjisi gibi temel kırılma parametreleri, Etkin Çatlak Modeli (Effective Crack Model, ECM) kullanılarak tahmin edilmiştir. Elde edilen bulgular, sıcaklığın azalmasıyla birlikte kırılma parametrelerindeki değişkenliğin arttığını; elastisite modülünün en belirgin duyarlılığı gösterdiğini, buna karşılık kırılma tokluğunun görece daha sınırlı bir değişim sergilediğini ortaya koymaktadır. Çatlak aşamalarının otomatik olarak belirlenebilmesi amacıyla, SCB deney görüntülerinden görsel çatlak örüntülerini öğrenen Ağırlıklı Artık Dikkat Tabanlı Evrişimsel Sinir Ağı (Weighted Residual Attention-Based Convolutional Network, WRAC) geliştirilmiştir. Önerilen model, her iki sıcaklık koşulu altında da 0.85'in üzerinde ortalama F-skoru ve doğruluk değerlerine ulaşmış ve temel bir evrişimsel sinir ağı (CNN) modeline kıyasla yaklaşık %5–6 oranında daha iyi performans göstermiştir. Sonuçlar, önerilen çerçevenin çatlak gelişim aşamalarının belirlenmesinde güvenilir bir veri odaklı yaklaşım sunduğunu; kırılma analizinin ise farklı çevresel koşullar altında gözlemlenen davranışların yorumlanmasına fiziksel bir bağlam sağladığını göstermektedir.This study proposes a data-driven framework supported by fracture mechanics analysis to investigate the temperature-dependent cracking behavior of asphalt mixtures. Semi-Circular Bending (SCB) specimens with different notch depths were tested at 23°C and 0°C using the Semi-Circular Bending (SCB) test. To support the interpretation of crack propagation behavior, fundamental fracture parameters, namely elastic modulus, fracture toughness, and fracture energy, were estimated using the Effective Crack Model (ECM). The results demonstrated that the variability of fracture parameters increased as the temperature decreased. Among the investigated parameters, the elastic modulus exhibited the highest sensitivity to temperature variations, whereas fracture toughness showed relatively limited changes. To enable the automatic identification of crack propagation stages, a Weighted Residual Attention-Based Convolutional Neural Network (WRAC) was developed to learn visual crack patterns from SCB test images. The proposed model achieved average F-score and accuracy values greater than 0.85 under both temperature conditions and outperformed a conventional Convolutional Neural Network (CNN) by approximately 5–6%. The findings indicate that the proposed framework provides a reliable and effective data-driven approach for identifying crack propagation stages, while the fracture mechanics analysis offers a physical basis for interpreting the observed crack behavior under different environmental conditions.