1AG46-03-2013 DESARROLLO DE UN MODELO MEJORADO PARA LA PREDICCION DE MODULO DINAMICO E* PARA MEZCLAS ASFALTICAS Ing. Fabricio Leiva Villacorta, Ph.D., MBA Investigador. Unidad de Materiales y Pavimentos Laboratorio Nacional de Materiales y Modelos Estructurales, Universidad de Costa Rica, Cédigo Postal: 11501-2060, San Pedro de Montes de Oca, San José, Costa Rica Teléfono: (506) 2511-2529 / Fax: (506) 2511-4440 E-mail: fabricio.leiva@uucr.ac.cr Ing. José Pablo Aguiar Moya, Ph.D. Coordinador. Unidad de Materiales y Pavimentos Laboratorio Nacional de Materiales y Modelos Estructurales, Universidad de Costa Rica, Cédigo Postal: 11501-2060, San Pedro de Montes de Oca, San José, Costa Rica Teléfono: (506) 2511-2529 / Fax: (506) 2511-4440 E-mail: jose.aguiar(@uer.ac.cr Ing, Luis Guillermo Loria Salazar, Ph.D. Coordinador. Programa de Infraestructura del Transporte Laboratorio Nacional de Materiales y Modelos Estructurales, Universidad de Costa Rica, Cédigo Postal: 11501-2060, San Pedro de Montes de Oca, San José, Costa Rica Teléfono: (506) 2511-2500 / Fax: (506) 2511-4440 E-mail: luis loriasalazar@uer.ac.cr Resumen El médulo dinamico E* de mezclas asfilticas puede ser estimado mediante el uso de propiedades volumétricas y fisicas de los materiales constituyentes de la mezcla. El modelo més ampliamente utilizado es la ecuacién de Witezak desarrollada en el proyecto NCHRP 1-37 en 1999. Este ‘modelo utilizé resultados de diferentes mezclas asfalticas de los Estados Unidos. Para el caso de paises de América Latina se vuelve necesario calibrar estos modelos usando condiciones locales ‘como propicdades de los materiales, trénsito y configuraciones de carga, y condiciones ambientales. Como consecuencia, el Laboratorio Nacional de Materiales y Modelos Estructurales de la Universidad de Costa Rica (LanammeUCR) ha realizado, previamente, una calibracién local de este modelo basado en diferentes tipos de mezclas tipicas de Costa Rica. Sin embargo, investigacién adicional ha demostrado que todavia existe espacio para la mejora en la precision del modelo calibrado (llamado Witezak-LANAMME). EI objetivo de este estudio fue desarrollar un mejor modelo y més eficaz para el cilculo del médulo dinémico para las mezclas en Costa Rica por medio del uso de técnicas avanzadas como las Redes Neurales (RN). Los resultados de este estudio indicaron que el nuevo modelo llamado RN-LANAMME es el mas adecuado estadisticamente dado que presenté los mejores parametros de calidad de regresién (Se/Sy, R”) en comparacién con los parametros para el modelo Witczak 1-37A y el modelo Witczak- LANAMME. ResumoO médulo dindmico |E*| das misturas asfiticas pode ser estimado usando as propriedades volumétricas ¢ fisicas dos materiais constituintes da mistura, O modelo mais largamente utilizado € a equacdo de Witczak, desenvolvida no projeto NCHRP 1-37A no 1999. Este modelo foi feito com os resultados de diferentes misturas asfilticas dos Estados Unidos. No caso da America Latina torna-se necessdrio calibrar esses modelos utilizando as condigdes locais como as propriedades dos materiais, trafogo e configuracdo de carga, ¢ condigées ambientais. Em conseqiiéncia, 0 Laboratério Nacional de Materiais e Modelos Estmuturais da Universidade da Costa Rica (LanammeUCR) fez uma calibragio local deste modelo baseado nos diferentes tipos de misturas tipicas da Costa Rica. No entanto, uma investigagao mais aprofundada mostrou que ainda hd espaco para melhorias na precisio do modelo calibrada (chamado Witezak- LANAMME). 0 objetivo deste estudo foi desenvolver um modelo melhor ¢ mais eficaz para o cilculo do médulo dindmico para as misturas asfilticas na Costa Rica por meio do uso de \enicas avangadas como as Redes Neurais Artificiais (ANN em Inglés). Os resultados do estudo indicaram que 0 novo modelo charmado ANN-LANANME ¢ mais adequado estatisticamente, isto porque apresentou uma melhor qualidade de parametros na regressio (Se/Sy, R*) em comparacao com os parametros para 6 modelo Witezak 1-37 e 9 modelo Witezak-LANAMME. INTRODUCCION Una de las propiedades més importantes que influyen en la respuesta estructural de pavimentos flexibles es el médulo dindmico E*, El uso de valores E* como propiedad fimdamental para la prediccién de desempefio del pavimento se ve claamente reflejado en la guia de pavimentos ‘mecanistica empirica de los Estados Unidos o MEPDG por sus siglas en inglés. En esta guia, los valores de E* pueden ser ingresados directamente de valores medidos en ol laboratorio, o por otro lado estos valores pueden ser estimadus a partir de modelos cutibrados como ullemativas & los ensayos de laboratorio (ARA, 2004). El modelo més utilizado para predecir valores E* se muestra en la Eeuacion 1, Ta cual es conocida como ecuacién Witezak 1-37A desarrollada en el ailo 1999 (ARA, 2004). Este modelo fue creado a partir de datos obtenidos de mezclas asfalticas con materiales propios de ciertas regiones, lo cual es una limitanta a la hora de ser aplicado fuera de las fronteras en las cuales el modelo fue deserrollado. La ecuacién de Witezak presenta la posibilidad para predecir el médulo dindmico de mezelas asfalticas en un rango de temperaturas (-17,7 « 54,4 °C), frecuencia de cargas (0,1 a 25 Hz) y condiciones de envejecimiento con informacién disponible de las especificaciones dc los materiales o disefio volumétrico de la mezcta log E* 3,750063+ 0,029329 ~0,001767( Day)? —0,00284 Ip, —0,058097¥,, ¥, i - 2 ~oso2204 “ie __) , 3871977-0,002 1p, + 0,003958 Pq ~0,00001 7744)? +0,005470 4 Fg tY [ote MBS ASSES) CBI) () ‘Donde: E* = médulo dinamico, psi= viscosidad del asfalto al envejecimiento y temperatura de interés, 10° Poise. frecuencia de carga, Hz. Va = Contendido de vacios de aire, %, V sir = Contenido de asfalto efectivo, % por volumen, se = Poreentaje retenido acumulade en la malta de 19 mm (3/4 pulg). iss = Poreentaje rotenido acumulado en la malla de 9,53 mm (3/8 pulg). a= Porcentaje retenido acumulado en la malla No 4. Paes = Porcentaje pasando en la malla No 200. Diferentes centros de investigacién y agencias de transportes han comparado los resultados obtenides del modelo 1-37A con resultados propios de laboratorio. Por ejemplo un estudio desarrollado por la Universidad de Minnesota indicé que médulos dinamicos obtenidos con la couacién L37A fueron estadisticamente similares a los valores de laboratorio para temperaturas intermedias y bajas (Cle et al. 2003), Otro estudio desarrollade por la Universidad de Florida en el 2005 indicé que los valores estimados presentaban una leve desviacién con respecto a los valores de laboratorio lo cual Ilevo al use de factores de calibrac del modelo (Birgisson et al. 2005). De igeal forma estudios realizados por Singh et al, en el afic 2011 y El-Badawy et al. en el 2012 han introducido faciores de calibracién para mejorar la precisién del modelo, ‘Como alternativa a la introduccién de factores de calibracién, varios cientificos han desarrollado modelos propios que permitan obtener todavia menores resultados con respecto al modelo calibrado de Witezak. Estudios realizados por Far et al. (2009), Ceylan et al. (2009) y Singh et al, (2012) han mostrado ef uso de redes neurales como altemativa mas eficiente para fa estimacién de valores E*. Finalmente, la aplicacién del modelo Witczak para condiciones locales con mezclas en Costa Rica requtitid de una calibracién del mismo (ecuacién 2) en ef alo 2011 (Loria er af, 2027). Investigacion adicional ha demostrado que todavia existe espacio para Ja mejora en ta precisién del modelo calibrado Hamado Witezak-LANAMME. Por lo tanto se desarrollo este estudio con ta idea de implementar un modelo més robusto con mayor precisién para estimar el modulo dinémico de mezelas asfélticas en Costa Rica. log E* = 5,535833 + 0,002087 7.» ~0,000565(2jq,)° -0,002590 2, ~ 0,078763%, ¥, - 261 p,)? =1,865947{ —Yar_), 2:399557-~0,000820p, =0,013420 4 +0,000261(24)° +0,008470. Voag +P Tre rai @ OBJETIVO El objetivo de este estudio fue el desarrollar un modelo mejorado y més fective para i estimacién del médulo dinamico para mezclas asfilticas en Costa Rica por medio del uso de redes neurales, RESULTADOS Y DISCUSIONCaracterizacion de la materia prima En esta etapa de Ia investigacién se procedié a realizar tos disefios de mezela para el asfalto AC- 30 estudiado (ver Tabla 1) y para cada una de Jas granulometrias seleccionadas de una tniea fuente de agregado que constituye unas de las principales fuentes de agregados empleadas para pavimentos asfilticos en Costa Rica (ver Tabla 2 y 3). El disefto de mezela se ejecuté utilizando Ja metodologia SUPERPAVE (ver Tabla 4), buscando un contenido de vacios de discfio de 4.0%, Lo anterior se hizo con la finalidad de comparar las diferencias en los parametros volumétricos en cluso de diferentes metodologias. Sin embargo. para los andlisis posteriores de los médulas de la mezela se utilizaron Gnicamente los resultades volumétricos del disefio SUPERPAVE. Cabe destacar que en el caso de Ia granulometria GS (Tabla 4) no fue posible logtar un disefio adecuado al 4.0% de vacios de diseio. TABLA 1: Propiedades del asfaito Tad Propiedad Unidas eae Original” | Danan OSC ee 7.030 Visvasiad abou a °C Poise 3530 Viscosdad einem «125°C contioiis 961 Viscosiad enemtioa a 135°C cestiPoas 365 Viseosidad einomtion 2 145°C centioae a7 Viscosiad abolum a 6° Poise i512 Viseosdad einemiticn a 12550 céovioie 12 RIFO Viscosidad cinemitica a 135°C centiPoise 938 Viscosidad enematica a 145°C ealiPoke 530 TABLA 2: Propiedades del agregado estudiade Propiedad] Taye [Vator | Gaidad | Wepecifieacita ‘Agregadio graeso LA. Absit ‘AASHTO T 96 wai [% Rema ‘Gravedad Espestfica ‘AASHTO TSS 2.652 285 max! ‘Albsorciéa ‘AASHTO TS 1.69 [9 2% mex, Caras Fractals 100% 30% min” Ucara ASTM D 582! 2omés wE_| % Tan Agrogado Tno Tie oe Plasicdad AASHTOT 99 WF. Tema Equivalente de area AASETOTIIG 73 - Angulridad “AASHTO TPG 32% Gravedad Expecitica ‘AASHTO 84 305 Ta Absoreidn ‘AASHTO T Ba 3283 | _% : "resagn DOT Staal Spasfcton Raed and igs Consvaton 205 ‘StardarlSpeiiasone fy Consens of Roads and Beige ob Fetal ighrays Poles, FP-O3 TABLA 3: Granulometrias usadas en el estudio‘asta | Malla Granulometrias Matin | ™™) | Gt @ | a | ct [cs | co | a | os | o | ao 34 | 190 _| 100100 [700 [190 | 10060100 | 100106800 ia [as 9s | ieo | 90] 9s | 9s | 98 [90 | 100 [9095 3a) 9s | ae | os es 0 9 ss SS A wes | 236) 38 | 33 | 32 | fe ae eo os Wig] tig [30 [93 | 20 [98 a7 aaa ee 350) 0.60 | 13 | tg] ie [af 30 ee N50, 030 | 9 2 [9 i [8 [20] 416) 1 ‘Neos Tos | 7 a 7 5 6 B | 2 fe | 38. ne200 | 0.075 | 5 7 6 6 5 8 5 5 5 7) MiersagTorserados, ‘TABLA 4: Resumen de propiedades volumétricas, \Granutometria| Po(PTA)|Ph(PTM| Pbe | vMA | VFA GL 720 [680 | 30 [732 [77.66 Gr 7.40 | 690 | 6.06 | trad) 76.12 Gs 640 | 6.00 | 5.25” | 15.68 | 5.40 a 550 | 530) 4at | 3214 [73.20 GS z50_| 7.00 | 6.00 “| 20.90 | 61.60 GS 350 | 520] 435 | 14J0 | 7240 GT 500/40 | 332 | 1232) 6220 Ge 500 | 530 | 429 | 1406_| 78.68 Go, 490) 4.70 [374 | 124d | 68.86 aig 600 | 370 [4.76 | 15.00 | 73.00 Determinacién de médulos dinémicos Una vex que se obtuvo Jos resultados de los disefios de mezela, se procedié a fabricar tos especiments por cada granulometria de acuerdo con la norma ASTM D 3496. y luego se realizan los ensayos segin la norma ASTM D3497. Segiin lo establece el procedimicnto de ensayo, los especimenes deben ser compactados en un compactador giratorio SGC. Con fa finalidad de evaluar ct efecto que podrian oblenerse por variaciones en el contenido de vacios de compaciacién, se procedié a evaluar especimenes con 3 distintas energias de compactacién, a saber: + 30 giros de compactacién + 80 giros compactacién, y + tercer punto obtenido al compactar el espécimen para obtener 7.0% vacios de compactacién, Finalmente, se determing el médulo dinémico para 5 temperaturas de ensayo (+5, 5, 20, 40 y 55 °C, aproximadamente) y 6 frecuencias de carga (0.1, 0.5, 1, 5, 10 y 25 Hz). Con los resultados obtenides de los ensayos de médulo dindmico es posible generar las curvas maestras para cl médulo dindmico. En este estudio, las curvas maestras fueron construidas con el ajuste a la funcién sigmoidal (Ecuacién 3). La Tabla 5 muestra los pardmetros de regresién de las 10 diferentes curvas maestras. @ Log 8+ irremacs GB) Donde,£* = médulo dinmico. 1, = tiempo de carga a te temperatura de referencia, valor minimo de B* = parametros de regres TABLA 5: Parametros de regresion Pardmetro Gramvlometria | —> z a z Gi Tass | S368 | “0se51 | 02766 ‘2 rsse7 | 2.4833 | 0.3800 | 05018 G3 vase2_| 23952 | -nsése_| o.a7ed Gs 18013_| 2.5136 | -0.7055 | 0.2589 65, 21775 {1.9360 | -0.1675 | 0.5982 id 173_|_2.7039_[_-0.5207_|_ 0.8182 G7. 21687 | 23301 | -osaes | 0.4960 cs. 20020 | 2078 | “oszes [0.5300 09, 2.0682 | 2.3802 | -0.6617 [0.5529 cio isa {2.7260 | -0.73462 [0.4276 Calidad de los resultados estimados con los datos de laboratorio El modelo de Witezak fue utilizado para predecir valores de E* a partir de propiedades de los materiales constituycntes de las mezclas asfélticas evaluadas. Al comparar resultados de ta ectacién contra resultados de laboratorio de determiné que el modelo Witezak sobre-predice los valores reales de laboratorio, tal como se observa en la Figura 1. Esta sobre-prediccin del médulo dindmico se observé especialmente para condiciones de alta frecuencia de carga y bajas temperaturas. 000 as Ba Baw ga 2 ge © 20000 Ba g $ °° 8 10000 | Bo + er whee 02 ° co gual 2a; * © 1e000 2om00 san00 e000 2 2 ‘ s er abocston,aaFs Valores og(é*) Estimades Figura 1: Evaluaci6n del modelo Witczak con mezelas de Costa Rica Adicional a esta comparacién, se realiz6 un anilisis de los residnales obteaidos de Ia aplicacién de este modelo. BI anélisis de los residuos es basico para chequear si se verifican las hipdtesis del modelo de regresién. En este caso se observé que ef modelo incumple ia hipotesis de varianza constante ya que los vatores residuales no sigucn ua patrén constante como se observa en la Figura 1. El patrén curvilineo observado también indica que términos de mayor orden deben ser incluidos on ef modelo.Desarrollo de modelo con redes neurales Las redes neurales 0 neuronales son modelos de aprendizaje y procesamiento automético inspirado en la forma en que funciona el sistema nervioso de los animales. El aprendizaje en este tipo de modelos es adquirido a través de entrenamiento. Una red neuronal tipica se puede caracterizar por la funcién de base o de combinacién y la funcién de activacién o transformacién de la funcién base. Para este estudio la funcién de activacién se muestra en la Ecuacién 3, mientras que la Ecuacién 4 funciond como la funcién base. La Figura 2 muestra cl proceso de entrenamiento de la red neuronal que es del tipo aprendizaje hacia adelante con retro-propagacién del error utilizado para desarrollar el modelo llamado E* RN-Lanamme. @) Hy = BE+ TW “ Salida = Ln(E") = f(Bo + E72, HEM, ) © Donde: P, = variables de entrada (p200, p4, 938, Va, Vier loglog(n), temperatura y frecuencia), T= variable transferida, H= valores transferidos de los nodos en la capa oculta, W,, = pesos de interconexién de la capa oculta, W, = pesos de interconexién de la capa de salida, B= factores de sesgo de la primera capa, BO= factores de sesgo de la éiltima capa, ‘m= mimero de nodos en la capa oculta Ln(E*) = Logaritmo natural de E* Figura 2: Esquema de aplicacién de redes nourales Factores de peso y sesgo de! modelo E* RN-LanammeLas siguientes matrices muestran los factores de peso y sesgo obtenidos para el modelo desarrollado en este estudio. Por ejemplo, si estos factores son utilizados en las ecuaciones 3 a 5 con los valores de entrada p200 = 5, p4 = 63, p38 = 12, Va = 7.41, Vian = 5.69, loglog(n) = 3.7859, temperatura = -3.4 7 25, el valor obtenido es In{Z*)= 9.31415 0 E* = 11,402 MPa. 3134 4.0247 21380 - 11,9793 0.3330 -6,3721 -5.0298 0.2873 — 10.6756 10.3805) “42794 23.2425 -40547 12.9996 0.0060 8.4144 -3.4470 -0.0002 0.0118 13.7398 10.8398 2.4256 5.4623 4.0784 -0.0272 2.1539 -7.4460 0.0250 0.0073 -17.2411 7.5808 5.2567 7.6583 -22.1995 0.1250 -2.7495 0.8265 0.1192 -0.0303 -5.5932 153861 26.5062 1.7360 3.2115 0.1505 0.9341 188182 -0.1521 -0.0390 -3.5607 2.3739 5.2556 8.2965 -40598 0.1879 3.7634 3.6738 -0.1812 -0.0185 5.0671 03161-66774 -4.7862 0.2819 0.4871 1.6285 0.4955 -0.4942 -1.8913 4.2234 0.1810 -14.1131 8.9340 2.1166 1.3467 2.3166 -0.5999 1.3313 -1.8068 2.0520 0.0159 0.6328 0.4785 0.1558 -0.3746 -0.1602 0.0105 0.3321 -80281 0.1222 wee = | 02402 0.0377 00810 0.9722 s.so41 -0.0695 -02727 7.6829 126521 00456 8, =-13.6918 Al comparar resultados del modelo RN contra resultados de laboratorio se observé una mejora significativa en la estimacién de valores E* (ver Figura3) comparado con el modelo Witezak que ticnde a sobre-estimar los valores reales de laboratorio. El analisis de los residuales obtenidos de la aplicacién de este modelo indicé que en este caso si se cumple la hipétesis de varianza constante ya que los valores residuales siguen un patrén constante como se observa en la Figura 3. El grado de precisién del modelo también fue analizado mediante el uso de criterios de calidad de regresién, La Tabla 6 muestra la comparacién de parémetros de regresién para la aplicacién de la ecuacién de Wietzak, la ecuacién calibrada en el 2011 (Loria et al, 2011) y el modelo con redes neurales. Estos parimetros fueron calculados para los valores estimados en el medio aritmético en lugar del medio logaritmico para poder utilizar los criterios de calidad. Se determiné que a pesar del aumento significativo en la calidad de regresién del el segundo modelo con respecto al primero (59% aumento en R* y 29% reduccién en Se/Sy), cl modelo mas adecuado para predecir el médulo dindmico de las mezelas asfilticas en Costa Rica es el tercer modelo con los valores més altos de R? (mayor variabilidad explicada) y més bajos de Se/Sy (menor error en la estimacién) lo cual produjo un 69% aumento en R” y un 77% reduccién en Se/Sy con respecto al primer modelo.* RN-tanamme buna vee g FResiduales-Modelo RN © o> 10000 = at 02 i o# i 03 © t000 20000 30000 eens 4 5 sw BR E Laboratorio, MPa UES) Estimads -Modelo RN Figura 3: Evaluacién del modelo RN con mezclas de Costa Rica TABLA 6: Parametros de calidad de !a segresién Pardmetros Criterio de calidad (Witezak et al, 2002) Moat me | wank | Se, [entero [sey ee ce Wenktoeems | tet tse | 0 | Mag et on | Soe cns tae [east esse tase Bienes ee a CONCLUSIONES Se ha demosirado nuevamente que el uso de modelos y ecuaciones formutadas con cantidades limitadas de datos y con propiedades caracteristicas de la regién donde fueron desarroliados presentan un factor limitante para su aplicacién globalizada. Para Jidiar con cstas limitaciones se han presentado dos alternativas; la primera, la calibracién del modelo existente utilizando la misma metodologia de regresin que no necesariamente fue a més apropiada para ef modelo original o la segunda, el desarrollo de un modelo nuevo que incluya fos materiales y condiciones propias de la regién donde se pretende utilizar dicho modelo. Los resultados de este estudio indicaron que el nuevo modelo Hamado RN-LANAMME es ct més adecuado estadisticamente dado que presenté los mejores parémetros de calidad de regresién (Se/Sy, R°) en comparacién con los parametros para cl modelo Witezak 1-37A y el modelo Witezak-LANAMME. La aplicacién de metodologias de regresién hasadas en redes neurales presenta una ventaja significativa sobre los métodos eldsicos de regresién multi-variable, No obstante, el uso que se le da cualquier modelo sin imporiar la metodologia de regresién empleada esti limitada por la cantidad y calidad de datos utilizados para su desarrollo, Por lo tanto se recomienda incrementar Ja base de datos de médulo dinamico con mezclas asfilticas nucvas y s¢ recomienda el re- entronamiento del modelo E* RN-Lanamme cuando se cuente con nuevos resultados,Parner REFERENCIAS ARA, Inc., ERES Consultants Division. Guide for Mechanistic—Empirical Design of New and Rehabilitated Pavement Structures. Final report, NCHRP Project 1-37A. ‘Transportation Research Board of the National Academies, Washington, D.C., 2004. hip: //arww.trb.org/mepdg/guide. American Society of Testing and Materials (ASTM) Designation D 3497, “Standard Test Method for Dynamic Modulus of Asphalt Mixtures”,2003. American Society of Testing and Materials (ASTM) Designation D 3496, “Standard Practice for Preparation of Bituminous Mixture Specimens for Dynamic Modulus Testing”, 2005. Birgisson, B., Sholar, G., and Roque, R., “Evaluation of Predicted Dynamic Modulus for Florida Mixtures.” 84th Annual Meeting of the Traxsportation Research Board, Paper No. 05-1309, Washington D.C, 2005. Ceylan, H., Schwarte2 C. W.; Kim S., and Gopalakrishnan K,, “Accuracy of Predictive Models for Dynamic Modulus of Hot-Mix Asphalt”. Joumal of Materials in Civil Engineering, Vol. 21, No, 6, June 1, 2009. Clyne, T.R., Li, X., Marastenau, M.O., and Skok, E.L., “Dynamic and Resilient Modulus of ‘Mn/DOT Asphalt Mixtures." Final Report MN/RC ~ 2003-09. University of Minuesota, Minneapolis, MN, 2003. El-Badawy S., Bayomy F., Awed A., Performance of MEPDG Dynamic Modulus Predictive ‘Models for Asphalt Concrete Mixtures — Lozal Calibration for Idaho. Joumal of Materials in Civil Engineering, ASCE, 2012. Far M, S. S., Underwood B. S., Ranjithan $. R., Kim Y. R. and Jackson N., “Application of Attificial Neural Networks for Estimatirg Dynamic Modulus of Asphalt Concrete”. ‘Transportation Research Record: Journal of the Transportation Research Board, No. 2127, ‘Transportation Research Board of the National Academies, Washington, D.C., 2009, pp. 173- 186. Loria, F., Aguiar, LP., Flizondo, F., Badilla,G., and Jimenez, M. “Experiences in the characterization of materials used in the calibration of the AASHTO Mechanistic-Empirical Pavement Design Guide (MEPDG) for Flexible Pavement for Costa Rica.” 90th Annual Meeting of the Transportation Research Board, Paper No. 11-3359, Washington D.C, 2011. Singh D. V., Zaman M., and Commuti S., Artificial Neural Network Modeling for Dynamic Modulus of Hot Mix Asphalt Using Aggregate Shape Properties. Journal of Materials in Civil Engineering, ASCE, 2012.bo PARA CE A DECLARACION JUR: DE PARTICIPACION OBRAS COLECTWAS Titulo de la publicacién: LA PREDICCION DE MODULO DINAMICO E+ 1AG46-03-2013 DESABFOLLO DE UN MODELO MEJORADO PARA (RA MEZCLAS ASFALTICAS Publicado en: XVII CONGHESO IBERO-LATINOAMERICANO DEL ASFALTO (CILA) Antigua Guatemala, Guatgrfala, C.A. Grado de | Porcentaje de participacion de cada dificultad concepto 1 2 3 4 6 20% trabajo, ifvestigacion bibliogrdfica -—| Ejecuc Recopilacién. 35% datos for Anélisis e interpretacion 30° (Desarrollo-Sintesis Investigacién bibliografica). Redaccién de! texto para 15% publicacién. Grado de partic 100% C S 40 porcentual por afftor ~ ~ LL * Con le comespondighte justficacién podré considerar otros conceptos y variar los porcentajes indicados. Firma sdula 1. Luis Guillermo Loria Salazar ="S +-0802-0218 2. José Pablo Aguiar Moya 1-1096-0827 3. Fabricio Leiva Villacorta 4-0170-0477 Juclude en cu A 20(5/1¢