PURPOSES : This study aims to determine whether machine learning techniques based on the results of chemical analysis experiments can be rationally applied to evaluate the aging of various asphalt binders used throughout the country. METHODS : We conducted chemical experiments such as FT-IR, H-NMR, C- NMR, and GPC for the three-stage aging levels of eight types of asphalt binders used in the country and utilized two artificial neural network models to determine valid chemical experimentation and conditions for the use of neural modeling through predictions. RESULTS : The M-prop model, which combined the findings from each neural network model into a single artificial neural network model, demonstrated superior predictive performance compared with the M-base model, which assessed aging using two cluster layers. In addition, the minimum amount of data required to achieve 100% predictive accuracy for the target asphalt binders, regardless of the artificial neural network model, was 18, and the amount of training data decreased to less than 50%. CONCLUSIONS : The predictive accuracy of the aging of asphalt binders was significantly enhanced when GPC data was used, indicating that GPC should be prioritized in evaluating the aging of asphalt binders.

본 연구는 국내 현장실정에 적절한 아스팔트 혼합물의 실내노화방법을 개발하기 위한 연구이다. 강제공기순환식 오븐에서 154℃ 2시간의 단기노화를 거친 혼합물로 제작한 공시체를 110℃에서 24, 48, 72, 96시간 동안 장기노화를 시켰다. 또한 노화시간의 증가에 따라 아스팔트 바인더의 노화정도를 측정하기 위하여 GPC 분석을 수행하였다. 본 연구를 통해 노화시간이 길어짐에 따라 대형분자양이 증가하는 것을 확인하였고, 이에 대한 분석으로부터 적절한 인공노화시간의 추정이 가능함을 알 수 있었다. 본 연구에서 수행된 단기노화방법은 다소 과다하나 이를 RTFO와 유사한 수준으로 처리한다면 110℃로 약 48시간 이상 노화를 시키면 PAV 처리와 유사한 수준의 혼합물 노화가능성이 있음을 확인하였다.