Mika Köngäs
Koneoppimisen hyödyntäminen bitumin tunnistamisessa
Diplomityö, joka on jätetty opinnäytteenä tarkastettavaksi diplomi-insinöörin tutkintoa varten.
Espoossa 22.06.2021
Valvoja: Professori Leena Korkiala-Tanttu
Ohjaajat: TkT Michalina Makowska ja DI Katri Eskola
Diplomityön tiivistelmä
Tekijä Mika Köngäs
Työn nimi Koneoppimisen hyödyntäminen bitumin tunnistamisessa
Maisteriohjelma Geoengineering Koodi ENG23
Työn valvoja Professori Leena Korkiala-Tanttu
Työn ohjaaja(t) TkT Michalna Makowska ja DI Katri Eskola
Päivämäärä 22.06.2021 Sivumäärä 74+12 Kieli suomi
Tiivistelmä
Aikaisemmin suomalainen asfaltintuotanto on nojautunut vain yhteen bitumintuotta- jaan, minkä seurauksena bitumin ominaisuudet ovat olleet tuttuja. Uusi tilanne luo uusia haasteita bitumin ominaisuuksien tunnistuksessa. Perinteiset bitumin tutkimusmenetel- mät perustuvat laboratoriokokeisiin ja ovat verrattain hitaita, jolloin asfalttiasemalle jo tullutta bitumia ei pystytä enää tutkimaan ennen kuin se päätyy tuotantoon. Myöskään Asfalttinormien vaatimat testit eivät tällä hetkellä ota huomioon kaikkia niitä ominai- suuksia, joita bitumin toiminnan kannalta olisi järkevää testata. Näitä ovat muun muassa pitkäaikaisen ikääntymisen kesto, kosteuden kestävyys, alhaisten lämpötilojen kesto sekä kestävyys urautumista vastaan.
Näiden uusien ongelmien ratkaisemiseksi on aloitettu Morebit niminen projekti, jonka tarkoituksena on luoda tekoälyyn pohjautuva työkalu. Työkalu tulee olemaan koneoppi- mispohjainen laadunvalvontasysteemi, jota voidaan käyttää asfalttiasemalla bitumin laa- dun nopeaan tarkistamiseen. Tämän opinnäytetyön tavoitteena on todistaa kyseisen sys- teemin toimivuus. Työssä on myös selvitetty, voiko bitumin tunnistamisessa hyödyntää koneoppimista.
Työn aikana on tehty testejä Fourier-muunnosinfrapunaspektroskopialla (FTIR) ja dy- naamisen leikkausreometrin (DSR) avulla 30 näytteelle, jotka on saatu projektissa ole- vilta yrityksiltä. Yhtenä tutkielman tavoitteena on ollut kehittää infrapunaspektroskopi- aan pohjautuvan FTIR-testin parametrejä. Toisena tavoitteena on tutkia voiko testissä saatujen ”kemiallisten sormenjälkien” analysoimisesta tehdä johtopäätöksiä bitumin ominaisuuksista koneoppivalla PCA-algoritmilla. DSR-kokeilla on testattu bituminäyttei- den viskoelastisia ominaisuuksia, joihin koneoppimisen tuloksia on verrattu. Myös DSR- testien tuloksia on analysoitu algoritmilla, jotta on voitu nähdä, onnistuuko algoritmi erottelemaan näytteitä reologisten tulosten perusteella. FTIR-testiä tehtiin kahdella ta- paa. Kaikki näytteet testattiin FTIR:llä +25 ⁰C lämpötilassa ja analysoitiin PCA-algorit- min kanssa. Seitsemän näytettä valittiin myös FTIR testiin, jossa bitumin ikääntymistä seurattiin +163 ⁰C lämpötilassa ja tuloksia analysoitiin myös PCA-algoritmilla.
+25 ⁰C lämpötilassa saatujen koneoppimisen avulla analysoitujen FTIR-tulosten perus- teella voidaan sanoa, että eri näytteiden välillä olevia eroja voidaan tunnistaa menetelmän avulla. Erityisesti pehmeät bitumilaadut erottuivat analyysissa. +163 ⁰C lämpötilassa teh- tyjen FTIR-testien tuloksia analysoimalla PCA-algoritmin avulla pystyttiin todentamaan, että eri bitumien erilainen ikääntyminen on mahdollista tunnistaa koneoppimisen avulla.
Avainsanat Bitumi, FTIR, DSR, Koneoppiminen
Author Mika Köngäs
Title of thesis Use of Machine Learning in Identification of Bitumen
Master programme Geoengineering Code ENG23
Thesis supervisor Leena Korkiala-Tanttu
Thesis advisor(s) D.Sc. Michalina Makowska and MSc Katri Eskola
Date 22.06.2021 Number of pages 74+12 Language Finnish
Abstract
In year 2020 occurred events that have opened the Finnish market to many bitumen suppliers. Before this the Finnish Asphalt industry has relied mainly on one bitumen supplier and the properties of the product have been familiar. As the market opens, the industry faces new problems in identifying properties of bitumen properties. Traditional methods of testing bitumen need laboratory environment and they are time consuming which means that they cannot be exploited when the product arrives to an asphalt plant.
Also, now tests required to do on bitumen by the Finnish Asphalt specification do not consider all bitumen properties that should be tested. These properties are resistance to long term aging, moisture resistance, low temperature resistance and resistance to rut- ting.
Morebit project has been started to face these new challenges. The aim of the project is to create an artificial intelligence tool. The tool is supposed to be a machine learning based system that could be used at the asphalt plant during production of asphalt. The objective of this thesis is to be a proof of concept for the tool. In this study the possibility to use machine learning tool for identifying properties of bitumen.
The companies involved sent to Aalto 30 samples, which have been tested with Fourier- transform infrared spectroscopy (FTIR) and Dynamic Shear Rheometer (DSR) tests. A goal of this dissertation has been to develop parameters for infrared spectroscopy based FTIR test. Another goal has been to find out if analysing “chemical fingerprints” from FTIR tests with machine learning algorithm could help identifying properties of the bi- tumen. Results from the DSR tests have used mainly to evaluate if machine learning re- sults from FTIR tests could be linked to rheological properties of bitumen. FTIR tests were done in two different temperatures. All samples were tested in +25 ⁰C temperature with FTIR and results were analysed with PCA algorithm. Seven of the samples were chosen to be tested with FTIR during aging in 163 ⁰C temperature and the results were in the same way analysed with PCA analysis.
Results from FTIR test done in 25 ⁰C temperature and analysed with PCA algorithm suggest that separation between different bitumen samples can be seen using the method. Especially, softer bitumen grades could be identified based on the results. This would suggest that some properties of bitumen could be identified based on spectra from raw bitumen samples when analysed with machine learning algorithms. Results from test done in 163 ⁰C suggest that bitumen samples that cannot be differentiated based on raw spectra have different patterns in chemical composition during aging and this can be recognized by a machine learning algorithm.
Keywords Bitumen, FTIR, DSR, Machine Learning
Alkusanat
Bitumintutkimus on mielenkiintoisessa tilanteessa tällä hetkellä. Maailmalla tapahtuvat muutokset vaikuttavat bitumin saatavuuteen ja laatuun. Lisäksi bitumi on raakaöljyn valmistuksen sivutuote, mikä luo tuotteelle ristiriitaisia merkityksiä. Öljyteollisuuden vaikutukset ilmastoon on koko maailmaa mietityttävä asia. Kuitenkin bitumi mahdollis- taa meidän infrastruktuurimme ollessaan monissa paikoissa ainoa tämänhetkinen mate- riaali, joka pitää kiviaineksen koossa teitä varten ja mahdollistaa teiden kestävyyden kylmissäkin olosuhteissa. On ollut hyvin mielenkiintoista työskennellä osana Morebit- projektia.
Suuret kiitokset valvojalleni Leena Korkiala-Tantulle ja toiselle ohjaajalleni Katri Esko- lalle, että ovat mahdollistaneet osallistumiseni projektiin. Kiitokset kaikille yhteistyö- kumppaneille, jotka ovat osana projektia ja sen rahoitusta. Näiltä yrityksiltä olen saanut tutkittavat näytteet sekä mahdollisuuden keskittyä työhön kokopäiväisesti. Haluan kiit- tää Aalto-yliopiston tietekniikan henkilökuntaa erityisesti Heli Nikiforowta ja Petri Pel- tosta minun päivittäisestäni auttamisessani laboratoriotyön kanssa sekä Otto Hedströmiä suuresta avusta ilmanpuhdistusjärjestelmän rakentamisessa FTIR-testiin. Suurin kiitos kuuluu ohjaajalleni Michalina Makowskalle. Michalina on opastanut tietäni tietekniikan ja bitumin tutkimuksen parissa ensimmäisestä päivästä lähtien. Ilman hänen tietämys- tään ja apuaan työtä ei olisi koskaan tehty, jos edes aloitettu.
Lisäksi haluan kiittää perhettäni ja ystäviäni heidän tarjoamasta kannustuksesta ja tuesta työn aikana.
Espoo 22.6.2021
Mika Köngäs
Mika Köngäs
Sisällysluettelo
Tiivistelmä Abstract Alkusanat
Sisällysluettelo ... 1
Merkinnät ... 2
Lyhenteet ... 2
1 Johdanto ... 3
2 Bitumin ominaisuudet ja sen reologisten ominaisuuksien testaaminen ... 5
2.1 Bitumi ... 5
2.1.1 Bitumin ominaisuudet ja niiden testaaminen ... 7
2.1.2 Bitumin ikääntyminen ... 10
2.2 Fourier-muunnosinfrapunaspektroskopia ... 12
2.2.1 Infrapunaspektroskopia ... 12
2.2.2 FTIR bitumille ... 14
2.2.3 Bitumin ikääntymisen seuraaminen FTIR:llä ... 16
2.3 Dynaaminen leikkausreometri ... 18
2.3.1 Taajuuspyyhkäisy ... 18
2.3.2 Black-diagrammi ... 18
2.3.3 Bitumin modifioinnin näkyminen Black-diagrammissa ... 22
2.4 Koneoppiminen ... 23
3 Tutkimusmateriaalit ja -menetelmät ... 26
3.1 Bituminäytteet ... 26
3.2 Tutkimusmenetelmät ... 28
3.2.1 Fourier-muunnosinfrapunaspektroskopia ... 28
3.2.2 Dynaaminen leikkausreometri ... 35
3.2.3 Tiedon prosessointi ... 36
3.2.4 Koneoppiminen ... 38
4 Tutkimusparametrien kehitys ... 41
4.1 Koelämpötilat ... 41
4.2 Kokeiden kestot ... 41
4.3 Taustaspektri 163 ⁰C:n koetta varten ... 42
4.4 Ilmanpuhdistusjärjestelmä... 43
4.5 Bitumin määrä ja paksuus ... 44
4.6 Bitumia pitelevä tiivisterengas ... 45
4.7 Dynaamisen leikkausreometrikokeen mittauslämpötilojen valitseminen ... 46
4.8 Dynaamisen leikkausreometrikokeen taajuuksien valitseminen ... 47
5 Tulokset ja analyysi... 50
5.1 Fourier-muunnosinfrapunaspektroskopia 25 ⁰C:ssa ... 50
5.2 Näytteiden valinta jatkotutkimuksiin ... 51
5.3 Fourier-muunnosinfrapunaspektroskopia 163 ⁰C:ssa ... 53
5.4 Dynaaminen leikkausreometri ... 65
6 Johtopäätökset ... 68
7 Lähdeluettelo ... 70
8 Liiteluettelo ... 74 Liitteet
Merkinnät
A [-] Absorptio
C [mol/m3] Konsentraatio
ε [m2/mol] molaarinen absorptiokerroin G* [Pa] Kompleksimoduuli
G’ [Pa] Varastomoduuli G’’ [Pa] Häviömoduuli
I0 [W/m2] Lähetetyn valon intensiteetti I [W/m2] Heijastuvan valon intensiteetti
L [m] matka, jonka valo tunkeutuu aineeseen
T [⁰] Lämpötila
Lyhenteet
ATR Heikentynyt kokonaisheijastus DSR Dynaaminen leikkausreometri FTI engl. Flocculation Toluene Index
FTIR Fourier-muunnosinfrapunaspektroskopia MIR Keski-infrapuna
MSCR engl. Multiple Stress Creep Recovery PAV engl. Pressure Aging Vessel
PCA Pääkomponenttianalyysi
RTFOT engl. Rolling Thin Film Oven Test SBS Styreeni-butadieeni-styreeni
TTS Aika-lämpötila-superpositioperiaate
1 Johdanto
Vuonna 2020 tapahtuneiden poliittisten ja taloudellisten tapahtumien seurauksena suo- malainen asfaltintuotanto on uudessa tilanteessa, jossa markkinat avautuvat useille bitu- mintuottajille. Suomessa ei luultavasti tuoteta ollenkaan bitumia enää lähitulevaisuu- dessa ja siksi on pakko turvautua uusiin bitumintuottajiin. Aikaisemmin asfaltintuottajat ovat nojautuneet yhteen bitumintuottajaan, jolloin bitumin ominaisuudet ovat olleet joh- donmukaisia.
Bitumi on hyvin monimutkainen orgaaninen materiaali, jonka koostumus voi vaihdella suuresti lähteen mukaan. Näin ollen bitumin ominaisuudet voivat olla hyvin erilaisia sen lähteestä riippuen. Suomessa asfalttinormien mukaiset nykyiset bitumille vaaditut testit eivät ota huomioon kaikkia ominaisuuksia, joita bitumilla täytyisi olla, jotta asfaltin hyvä toiminta voitaisiin taata. Sen lisäksi nykyiset bitumille tehtävät kokeet vaativat la- boratorio-olosuhteita ja ovat kestoltaan useamman tunnin mittaisia. Siitä seuraa, ettei tuotantoon tullutta bitumia ehditä enää testata, jotta bitumin laatuun voitaisiin vielä siinä vaiheessa reagoida.
Bitumin laadunvalvonta on uuden haasteen edessä tulevaisuudessa. Bitumin ominai- suuksien testaamiseen ei ole olemassa vielä koemenettelyä, joka tunnistaisi bitumin ominaisuuksia niin nopeasti, että tuotantovaiheessa voitaisiin vielä reagoida bitumin ominaisuuksiin. Tämänhetkisten testausmenetelmien lisäksi tarvitaan uusia innovaati- oita bitumin testausmenetelmiin. Tilanteen ratkaisemiseksi on perustettu Morebit-pro- jekti, jonka osana tämä työ on tehty. Projektin lopullisena tavoitteena on tuottaa bitumin tunnistamisjärjestelmä, joka toimii nopeasti mahdollistaen muun muassa bitumin laa- tuun reagoimisen vielä asfaltin tuotannon aikana.
Tässä työssä on tutkittu mahdollisuuksia hyödyntää koneoppimista bitumin tunnistuk- sessa. Tämän työn tavoitteena on alkaa kehittää systeemiä, jolla bitumintunnistus voi- daan suorittaa nopeasti. Työn tavoitteena on myös hyödyntää infrapunaspektroskopiaan pohjautuvaa FTIR-koetta systeemissä. FTIR:llä voidaan analysoida bituminäyte muuta- missa minuuteissa ja se sopii hyvin materiaalien tunnistukseen. Kuitenkaan FTIR-ko- keen tuloksia ei voida nykyisin käyttää bitumin ominaisuuksien määrittämiseen bitumin monimutkaisen koostumuksen takia. Siksi tässä työssä hyödynnetään koneoppimista tu- loksien analysoimisessa. Tavoitteena oli osoittaa, että koneoppimisen avulla voidaan tehdä päätelmiä bitumin ominaisuuksista analysoimalla bitumista otettuja spektrejä.
Työtä varten saatuja näytteitä testataan muillakin tavoin kuten reologisesti ja kemialli- sesti, jotta koneoppimisella saatuja tuloksia voidaan verrata perinteisillä mittaustavoilla saatuihin tuloksiin ja siten arvioida koneoppimisalgoritmin toimivuutta.
Työn tuloksena syntyvä työkalu tulee olemaan koneoppimispohjainen, työssä on tehty useita vaiheita liittyen tiedon keräämiseen ja sen analysoimiseen. Vaiheita ovat olleet analysoitavan tiedon kerääminen saaduista näytteistä, tiedon prosessointi, algoritmin luonti ja saatujen tulosten analysointi. Koska työssä aloitetaan työkalun kehitys, on myös FTIR-kokeissa käytettyjen muuttujien määritys osana työtä. FTIR-kokeita on tehty sekä 25 ⁰C ja 163 ⁰C lämpötiloissa. Etenkin 163 ⁰C lämpötilassa tehtyjen FTIR- kokeiden ulkoisia muuttujia on testattu ja kehitetty työn aikana, jotta saatuja tuloksia voidaan pitää luotettavina ja toistettavina. FTIR-kokeen tuloksien lisäksi myös DSR-ko- keen tuloksia on analysoitu koneoppimisen algoritmilla.
FTIR-testi soveltuu tutkimuksen kohteeksi, koska spektrin ottaminen kestää vain noin 40 sekuntia bituminäytteelle. Myös ikääntymisen aikana tapahtuvia kemiallisia muutok- sia voidaan simuloida vain kahden tunnin mittaisella kokeella. Ikääntymistä simuloivan kokeen tuloksista voidaan mahdollisesti ennustaa bitumin ominaisuuksia pidemmällä aikavälillä. Kuitenkin spektreistä saatu tieto on äärimmäisen monimutkaista. Siitä syystä tiedon analysointi koneoppimisen algoritmeilla luo mahdollisuuden luoda uusi nopeasti toimiva työkalu bitumin laadunvalvontaa varten.
Työtä varten on saatu näytteitä neljältä projektiin kuuluvalta yritykseltä, jotka ovat As- falttikallio, GRK, Peab ja Skanska. Yhteensä tähän työhön on saatu 30 näytettä. Jokai- nen näyte on analysoitu 25 ⁰C lämpötilassa FTIR:llä. Lisäksi niiden tulosten perusteella on valittu seitsemän näytettä, joita on analysoitu FTIR:llä 163 ⁰C lämpötilassa. DSR- mittauksia on tehty 20 näytteelle 25 mm:n geometrialla ja 17 näytteelle 8 mm:n geomet- rialla näytteiden reologisten ominaisuuksien selvittämiseksi.
Työssä on siis ollut merkittävä kokeellinen osio, johon on liittynyt laboratoriotyötä, tie- donprosessointia, koodin kirjoittamista ja tiedon analysointia. Kirjoitelman rakenne ja- kautuu kolmeen osaan. Ensin on tehty kirjallisuuskatsaus, jossa käyty läpi bitumiin ja sen tutkimukseen liittyvää teoriaa. Kirjallisuuskatsaus pohjautuu aikaisempaan bitumin, FTIR:n, DSR:n ja koneoppimisen tutkimukseen. Työn toinen osuus on ollut testipara- metrien määritystä. Koska tutkimus on osittain kokeellista ja uutta, on ollut tärkeää seu- rata tehtyjen kokeiden tuloksia ja niiden luotettavuuden mukaan muokata bituminäyt- teille tehtävien kokeiden parametrejä. Työn kolmas osio on selostus varsinaisesta tutki- muksesta ja analyysistä, joka on tehty.
Tämän työn tavoitteena ei ollut luoda valmista työkalua bitumin tunnistamiselle. Tavoit- teena oli todistaa, että koneoppimispohjainen työkalu voi toimia bitumin ominaisuuk- sien tunnistamisessa. Tutkimuksessa olevien näytteiden määrä ja käytettävä aika eivät riittäneet siihen, että tämän työn aikana voitaisiin luoda valmis työkalu. Lopullisella työkalulla voitaisiin analysoida bitumin ominaisuuksia pelkästään spektreistä saadun tiedon perusteella. Työn tarkoituksena oli näyttää, että eri bitumeita on mahdollista ero- tella toisistaan käyttäen hyödyksi FTIR:ää ja koneoppimista. Työn aikana on näytetty, että joidenkin bitumien tiettyjä ominaisuuksia pystytään erottamaan spektreistä saadun tiedon avulla. Lisäksi koneoppimistuloksista on tehty havaintoja, jotka voivat auttaa ko- neoppimissysteemin rakentamisessa.
2 Bitumin ominaisuudet ja sen reologisten ominaisuuk- sien testaaminen
2.1 Bitumi
Bitumi on mustan värinen huoneenlämmössä tavallisesti jähmeä tai kiinteä orgaaninen materiaali. Bitumi syntyy raakaöljyn tislauksessa, kun maaöljystä poistetaan kevyet fraktiot. Bitumi koostuu pääosin erilaisista hiilivetymolekyyleistä mutta voi sisältää myös muita alkuaineita kuten rikkiä, typpeä, happea ja metalleja. Bitumin määritelmään kuuluu, että se liukenee kokonaan tai lähes kokonaan tolueeniin. (Lesueur 2009).
Bitumia käytetään sideaineena ja vesieristeenä. Tässä tutkimuksessa on tutkittu bitu- meja, joita käytetään sideaineena asfalteissa. Asfaltti on teiden päällystyksessä käytetty materiaali, joka koostuu eri kokoisesta kiviaineksesta ja bitumista. Asfalttiin voidaan myös lisätä lisäaineita, joita ovat sellaiset aineet, jotka parantavat asfaltin ominaisuuksia jollakin tapaa. Lisäaineina voidaan käyttää muun muassa polymeerejä, kuituja, täytejau- heita, kumeja ja tartukkeita. Lisäaineilla voidaan vaikuttaa asfaltin ominaisuuksiin kuten jäykkyyteen tai parantaa asfaltissa bitumin ja kiviaineksen välistä tartuntaa.
(Asfalttinormit 2011).
Bitumin mekaaniset ominaisuudet vaikuttavat asfaltin suorituskykyyn. Asfaltin tarkoi- tus on kestää vaurioitta liikenteen kuormitusta vuodenympäri vallitsevissa olosuhteissa.
Asfaltti voi vaurioitua monella eri tavalla. Liian pehmeä asfaltti urautuu hitailla kuormi- tusajoilla ja korkeilla lämpötiloilla, kun taas liian jäykkä asfaltti halkeilee alhaisissa lämpötiloissa ja nopeilla kuormitusajoilla.
Eri lähteistä tulevien bitumien ominaisuudet voivat vaihdella suuresti. Bitumin kemialli- nen koostumus riippuu pitkälti sen raakaöljyn koostumuksesta, josta bitumi on tuotettu.
Sen takia eri bitumien kemialliset koostumukset voivat vaihdella. (Lesueur 2009). Suu- rin osa bitumista tuotetaan maissa, joissa raakaöljyä tuotetaan. Suomessa bitumia on valmistettu yhden jalostamon taholta. Kuitenkin bitumin valmistus loppuu kokonaan Suomessa viimeistään vuonna 2022. Siitä syystä kaikkien asfaltintuottajien on turvau- duttava ulkomaiseen bitumiin. Euroopassa on noin 75 jalostamoa, joissa valmistetaan bitumia. (Anon. 2021)
Bitumin kemiallinen rakenne jakautuu tavanomaisesti:
82-88 % hiiltä 8-11 % vetyä
0-6 % rikkiä 0-1 % typpeä 0-1,5 % happea
Bitumi voi myös sisältää pieniä määriä metalleja kuten nikkeliä, vanadiumia, rautaa, kalsiumia ja magnesiumia. (Traxler 1936 ja Hunter et al. 2015)
Bitumi on kemialliselta koostumukseltaan erittäin monimutkainen materiaali. Bitumissa on suunnaton määrä erilaisia hiilivetymolekyylejä. Bitumissa on niin laaja määrä erilai- sia molekyylejä, ettei yksittäisiä molekyylejä pystytä erottelemaan bitumista (Hunter et
al. 2015). Erilaiset molekyylit voidaan kuitenkin ryhmitellä esimerkiksi niiden liukoi- suuden perusteella. Yksi yleinen tapa on jakaa bitumissa olevat molekyylit SARA-frak- tioihin. SARA-fraktiot ovat tyydyttyneet öljyt (Saturates), aromaattiset öljyt (Aroma- tics), hartsit (Resins) sekä asfalteenit (Asphaltenes). Eri fraktioiden esiintymisellä ja määrillä bitumissa on pyritty selittämään bitumin fyysisiä ominaisuuksia. (Corbett 1969 ja Blomberg 1990)
Aikaisemmissa bitumitutkimuksissa on saatu selville, että bitumin kemiallisella koostu- muksella on selvä korrelaatio bitumin mekaanisten ominaisuuksien kanssa. (Simpson et al. 1961, Rostler & White 1959 ja Oyekunle 2007). Esimerkiksi bitumit, joissa on pal- jon asfalteenejä, omaavat korkeamman viskositeetin kuin muut bitumilaadut. Kuiten- kaan vain asfalteenien määrästä ei voida päätellä bitumin viskositeettiä tietyissä olosuh- teissa. (Hunter et al. 2015). Tyydyttyneet öljyt, joka on bitumin vähiten polaarinen osa, ei itsessään liukene asfalteeneihin, joka on taas bitumin polaarisin osa. Polaarisuus tar- koittaa, että molekyylien päät ovat sähköisesti varautuneita. Kuitenkin sekä asfalteenit että tyydyttyneet öljyt pystyvät liukenemaan yhteen homogeeniseen bitumiseokseen, koska seoksessa on niin paljon erilaisia fraktioita, joiden kanssa ääripäissä olevat mole- kyylit ovat vuorovaikutuksessa. Bitumin toiminnan kannalta on tärkeää, että eri tavalla polarisoituneita molekyylejä on sopivassa suhteessa seoksessa. Eri fraktiot ovat joko it- sessään tai toisten fraktioiden kanssa vastuussa bitumin fyysisistä ominaisuuksista. Esi- merkiksi asfalteenit tekevät bitumista paksumpaa ja yhdessä tyydyttyneiden ja aromaat- tisten öljyjen kanssa luovat bitumin monimutkaisen viskoosin ominaisuuden. Molekyy- lien väliset sidokset ovat heikompia kuin molekyylin sisällä olevien atomien välillä ole- vat sidokset. Siksi molekyylien välillä olevat sidokset muuttuvat ulkoisten voimien ku- ten lämpötilan ja jännityksen vaikutuksesta. Molekyylien väliset sidokset vaikuttavat suuresti bitumin viskositeettiin. Vähemmän polarisoituvilla tyydyttyneiden öljyjen frak- tiolla on 100 000 kertaa pienempi viskositeetti kuin polarisoituvalla hartsien fraktiolla samankokoisia molekyylejä vertaillessa. (Petersen 2009).
Toinen tapa tutkia bitumin kemiallista rakennetta ja yhdistää ne bitumin ominaisuuksiin on tarkastella bitumista löytyviä funktionaalisia ryhmiä. Funktionaalisten ryhmien esiin- tymisessä bitumissa voidaan selittää bitumin mekaanisia ominaisuuksia. Funktionaali- sella ryhmällä tarkoitetaan molekyylijoukkoa, joilla on samanlainen atomien välinen si- dos molekyylin rakenteessa. Saman funktionaalisen ryhmän molekyyleillä on havaittu olevan samankaltaisia vaikutuksia materiaalin ominaisuuksiin. Eli huolimatta siitä, että molekyylit ovat keskenään erilaisia niiden sisällä oleva sidos vaikuttaa materiaalin omi- naisuuksiin samankaltaisesti. Myös bitumin kohdalla on huomattu, että erilaisien funk- tionaalisien ryhmien olemassaolo vaikuttaa bitumin ominaisuuksiin. Kuvassa 1 on esi- tetty funktionaalisia ryhmiä, joita bitumista löytyy. (Petersen 2009).
Kuva 1. Bitumista löytyviä funktionaalisia ryhmiä. (Petersen 2009)
2.1.1 Bitumin ominaisuudet ja niiden testaaminen
Bitumi on termoplastinen viskoelastinen materiaali. Viskoosi materiaali käyttäytyy nes- teen tavoin. Kuormituksessa tapahtuva muodonmuutos on pysyvää, koska materiaali ei palaudu kuormituksen hävitessä. Elastinen materiaali taas joustaa kiinteän aineen ta- voin. Elastiseen materiaaliin kohdistuvan kuormituksen aikana tapahtuva muodonmuu- tos palautuu takaisin, kun kuormitus poistetaan. Bitumissa tapahtuu sekä palautuvaa että palautumatonta muodonmuutosta kuormituksen alla. Nämä mekaaniset ominaisuudet riippuvat lämpötilasta ja kuormituksen taajuudesta. Matalilla lämpötiloilla ja nopeilla kuormitusajoilla bitumi toimii elastisesti eli kiinteän aineen tavoin. Taas korkeissa läm- pötiloissa ja hitaammilla kuormitusajoilla bitumi käyttäytyy viskoosisesti eli virtaavasti nesteen tavoin. Normaaleissa bitumin käytön olosuhteissa lämpötila ja kuormitusajat ovat sellaiset, että bitumilla on sekä elastisia että viskooseja ominaisuuksia. (Blomberg 1990 ja Hunter et al. 2015).
Bitumin viskoosit ominaisuudet estävät bitumin lopullista repeämistä ja bitumin vir- taava käyttäytyminen tuo bitumille ominaisuuden korjata itseään vaurioilta. Bitumiin muodostuvat mikrorepeämät korjaantuvat itsestään, kun bitumiin kohdistunut jännitys poistuu. Bitumin itseään korjaavaominaisuus tapahtuu molekyylitasolla ja se perustuu vetysidoksiin, joita on bitumin sisällä. Rasituksen alla rikkoutuneet molekyylien sidok- set pystyvät uusiutumaan uusien molekyylien kanssa vetysidosten avulla. Koska kor- jaantuminen johtuu bitumin viskoosista ominaisuuksista, on korjaantumisen taso riippu- vainen lämpötilasta ja ajasta. Kuvassa 2 on esitetty lämpötilan ja ajan vaikutus erilaisten bitumien korjaantumiseen. (Tabakovic & Schlangen 2016 ja Qiu et al. 2012).
Kuva 2. Bitumin vaurioiden itsestään korjaantuminen ajan ja lämpötilan funktiona. (Qiu, et al., 2012).
Bitumin elastiset ominaisuudet mahdollistavat sen, että bitumi joustaa ja palautuu kiin- teän aineen tavoin, kun sitä kuormitetaan liikenteessä nopeilla taajuuksilla. Bitumin elastista palautumista voidaan mitata MSCR-kokeella (Multiple Stress Creep Reco- very). Kokeessa bitumia kuormitetaan eri kuormitustasolla, jotka ovat 0,1; 3,2 ja 6,4 kPa. Jokaisella kuormitustasolla kuormitetaan bitumia syklisesti kymmenen kertaa.
Yksi kuormitus kestää yhden sekunnin ajan ja kuormitusten välillä bitumin annetaan le- vätä yhdeksän sekunnin ajan. Kokeen tarkoitus on selvittää bitumin palautuvaa ja palau- tumatonta käyttäytymistä toistuvan kuormituksen alla. MSCR-kokeen tulokset kertovat bitumin alttiudesta asfaltin urautumiseen. Kokeet tehdään usealla kuormitustasolla, jotta voidaan tutkia, onko bitumin kuormituksenkestävyys lineaarista. Kokeen voi tehdä myös bitumeille, joissa on polymeeriä lisäaineena. (Soenen et al. 2013).
Bitumin monimutkainen koostumus tuottaa haasteen sen ominaisuuksien selvittämi- selle. Toistaiseksi bitumin kemiallisen koostumuksen perusteella ei voida täysin ennus- taa sen käyttäytymistä. Siksi edelleen suosituin tapa luonnehtia bitumin suoriutumista on katsoa sen fyysisiä ominaisuuksia eri lämpötiloissa. Bitumin ominaisuuksia testataan muun muassa mittaamalla tunkeumaa, pehmenemispistettä, viskositeettiä 60 ⁰C ja 135
⁰C lämpötiloissa sekä murtumispistettä. Kyseiset testit muodostavat suuren osan asfaltti- normeissa asetetuista laatuvaatimuksista tiebitumeille. Nämä testit suoritetaan standar- dien SFS-EN 1426, SFS-EN 1427, SFS-EN 12596, SFS-EN 12595, SFS-EN 12593 mu- kaisesti Suomessa (Asfalttinormit 2011).
Tunkeumatestissä 100 g painoinen neula pudotetaan bitumin pinnan korkeudelta bitu- miin 25 ⁰C lämpötilassa. Saatu tunkeuma ilmoitetaan 0,1 mm yksikkönä. Pehmenemis- piste selvitetään kuula- ja rengaskokeella. Kokeessa teräskuula asetetaan bitumin päälle, joka on renkaassa. Testi tapahtuu vedessä tai glyserolissa, jota lämmitetään. Pehme- nemispisteeksi määritellään lämpötila, jossa kuula valahtaa pehmenneen bitumin lä- vitse. Murtumispiste testataan erillisellä laitteella, jolla taivutetaan bituminäytettä laske-
vassa lämpötilassa. Murtumispisteeksi määritellään lämpötila, jossa bitumi murtuu. Vis- kositeetin mittaus tapahtuu viskometrillä, joka on lasista tehty laite, jonka sisällä olevan bitumin etenemistä mitataan. Kinemaattista viskositeettia mitattaessa bitumin liikkeen aiheuttaa maan vetovoima, kun dynaamista viskositeettia mitattaessa käytetään alipai- netta. Kinemaattista viskositeettia mitataan 135 ⁰C lämpötilassa ja dynaamista visko- siteettiä 60 ⁰C lämpötilassa. Kinemaattinen viskositeetti on dynaamisen viskositeetin ja tiheyden osamäärä. (Hunter et al. 2015).
Suomessa suurimpia haasteita bitumin suorituskyvylle ovat vaihtelevat lämpötilat sekä talvisin nastarenkaiden aiheuttama kuluma. Nastarengaskulumaa on estetty vaikutta- malla asfaltin kiviaineksen raekokoon ja laatuun. Kiviaineksen laatu tietysti pitää olla kestävää, jotta renkaiden nastat eivät murenna kiviainesta. Raekoko vaikuttaa nastaren- gaskulumiseen taas siten, että asfalttimassan suurimmat rakeet ovat tarpeeksi suuria.
Tällöin renkaissa olevat nastat osuvat prosentuaalisesti enemmän kiviainekseen eikä bi- tumiin, joka on materiaalina pehmeämpää. Kuitenkin aikaisemman tutkimuksen mu- kaan bitumin laadulla on vaikutus nastarengaskulumiseen. Kuvassa 3 esitetään tulokset ASTO tutkimuksesta. Kulutuskokeet tutkimuksessa on tehty SRK-menetelmällä. Mene- telmässä asfalttinäytteen päällä pyöritetään kolmea pyörää, johon on kiinnitetty nastoja.
Kokeessa mitataan kulutuksen aiheuttamaa massanmuutosta näytteessä. Tutkimuksen mukaan tietty bitumi paransi asfaltin kulumiskestävyyttä yli 10 prosenttia ja huonoin bi- tumilaatu heikensi asfaltin kulumiskestävyyttä 20 prosenttia referenssinäytteeseen ver- rattuna. Tutkimuksen tulosten mukaan on bitumin luokka siis vaikuttaa nastarengasku- lumiseen. (Kurki et al. 1993).
Kuva 3. Bitumin vaikutus asfaltin kulumiseen. (Kurki et al. 1993).
2.1.2 Bitumin ikääntyminen
Bitumi jäykistyy ajan kuluessa ulkoisten tekijöiden vaikutuksesta. Näitä ulkoisia teki- jöitä ovat happi, UV-valo ja lämpötilavaihtelut. Ilmiötä kutsutaan ikääntymiseksi. Bitu- min jäykistyminen aiheuttaa viskositeetin ja pehmenemispisteen nousua tehden bitu- mista hauraampaa. (Hunter et al. 2015). Pääasiallinen syy bitumin ikääntymiseen on happimolekyylien reagointi bitumin hiilivetymolekyylien kanssa. Bitumin hapettuminen on peruuttamaton tapahtuma, jossa happi molekyylit reagoivat bitumin kanssa luoden polaarisempia ja aromaattisempia molekyylejä. Näin ollen hapettuminen muuttaa bitu- min kemiallista rakennetta. Kuvassa 4 on esitetty bitumissa tapahtuvan viskositeetin nousu ikääntymisen vaikutuksesta. Kuvasta on huomattava, että viskositeetin nousu ta- pahtuu hapettumisen alkuvaiheessa nopeammassa tahdissa ja hidastuu ajan myötä.
Kuva 4. Ikääntymisen vaikutus bitumin viskositeettiin. (Petersen, 2009).
Bitumin jäykistymisen kannalta suurimpia tekijöitä rakenteen muutoksessa on funktio- naalisten ryhmien lisääntyminen. Hapettumisen seurauksena muodostuu neljää funktio- naalista ryhmää bitumiin. Nämä neljä ryhmää ovat ketonit, karboksyylihapot, anhydridit ja sulfoksidit. Kuvassa 5 näkyy funktionaalistenryhmien muodostuminen bitumissa sen ikääntymisen seurauksena. (Petersen 2009). Bitumissa hapettuminen tapahtuu kahdessa osassa bitumin elinkaaren aikana. Ensimmäinen on asfalttimassan sekoittamisen aikana, kun seosta kuumennetaan tuotantovaiheessa. Toinen vaihe on pitkäaikainen hapettumi- nen asfaltin käytön aikana.
Kuva 5. Funktionaalisten ryhmien muodostuminen bitumissa hapettumisen seurauksena.
(Petersen, 2009).
Hapettuminen muuttaa myös bitumissa olevien SARA-fraktioiden suhdetta. Tyydytty- neiden öljyjen määrä ei muutu juuri hapettumisen takia, koska tyydyttyneet öljyt eivät reagoi hapen kanssa. Muuten hapettumisen seurauksena molekyylit muuttuvat polaari- semmiksi ja aromaattisemmiksi. SARA-fraktioissa muutos näkyy niin, että aromaattis- ten öljyjen ja hartsien määrä vähentyy ja asfalteenien määrä kasvaa. On todistettu, että eri fraktioiden osuudet korreloivat bitumin ikääntymisessä tapahtuvan jäykistymisen kanssa mutta korrelaatio ei ole vahva. Eri fraktioiden suuruuksilla ei siis voi täysin en- nustaa ikääntymisen aikana tapahtuvaa jäykistymistä. (Petersen 2009).
Sen sijaan funktionaalisten ryhmien määrällä on ollut vahvempi korrelaatio bitumin jäy- kistymisen kanssa. Happimolekyylien yhdistyessä bitumin orgaanisen rakenteen mole- kyyleihin muodostuu kovalenttisia sidoksia sekä aromaattisia molekyylirakenteita.
Nämä molemmat edistävät bitumin jäykistymistä, mistä voi aiheutua asfalttipäällysteen repeytymistä etenkin kylmillä lämpötiloilla. Hapettumisen seurauksena osa funktionaa- lisista ryhmistä lisääntyy bitumin rakenteessa. Bitumin ikääntymisen aiheuttama jäykis- tyminen on ainakin riippuvainen karbonyyli- ja sulfoksidiryhmän molekyylien muodos- tumisesta. Karbonyyliryhmän molekyylien määrän kasvun on todettu olevan lineaari- sesti yhteydessä bitumin viskositeetin logaritmin kasvun kanssa. Rikkipitoisissa bitu- meissa sulfoksidiryhmän molekyylejä muodostuu hapettumisen seurauksena. Sulfoksidi ryhmän molekyylien muodostuminen on huomattu vaikuttavan bitumin jäykistymiseen samalla tavalla kuin karbonyyliryhmän muodostumisen. (Petersen & Glaser 2011). Yh- tenä haasteena bitumien tutkimuksen kannalta on ollut, että on mahdotonta jakaa bitu- missa olevat molekyylit täydellisesti funktionaalisiin ryhmiin. Yhteen molekyyliin voi olla kiinnittynyt useampia funktionaalisia ryhmiä, mikä tekee bitumin kemiallisesta koostumuksesta hyvin monimutkaisen. (Petersen 2009).
2.2 Fourier-muunnosinfrapunaspektroskopia
Fourier-muunnosinfrapunaspektroskopia (FTIR engl. Fourier Transform Infrared spect- roscopy) on infrapunaspektroskopiaan perustuva tekniikka, jolla voidaan tutkia materi- aalien kemiallista koostumusta. Infrapuna viittaa tutkimuksessa käytettävän valon aal- lonpituuksiin. Spektroskopia on taas tieteenala, joka tutkii valon ja materian välistä vuo- rovaikutusta (Sun 2009). Tekniikka siis perustuu infrapunavalon ja tutkittavassa materi- aalissa olevien molekyylien väliseen vuorovaikutukseen.
2.2.1 Infrapunaspektroskopia
Infrapunaspektroskopia toimii niin, että infrapunavaloa heijastetaan materiaaliin. Osa lähetetyn infrapunavalon energiasta kuluu molekyylien liike-energiaksi, mikä johtaa inf- rapunavalon heikentymiseen. Koska eri molekyylit värähtelevät eri taajuuksilla, mittaa- malla heijastuneen tai läpäisevän valon määrää eri taajuuksilla voidaan päätellä eri mo- lekyylien olemassaolosta materiaalissa. (Coates 2006).
Infrapuna-absorptiot ilmoitetaan aaltoluvun funktiona. Aaltoluku on aallonpituuden eli valon taajuuden käänteisluku. Tässä työssä on käytetty aallonpituuksia, jotka vastaavat 4000–400 cm-1 aaltolukuja. Tätä aaltolukujen väliä kutsutaan keski-infrapunaksi (MIR engl. Mid-Infrared). MIR on yleisimmin käytetty säteily laji infrapunaspektroskopian sovelluksissa. Orgaanisten yhdisteiden absorptiopiikit löytyvät MIR alueelta ja siksi aluetta on käytetty laajasti aikaisemmassa tutkimuksessa. (Sun 2009).
Absorptio jokaiselle taajuudelle on vastaanotetun ja lähetetyn infrapunavalon intensitee- tin osamäärä. Absorptioon pätee myös Beer ja Lambertin laki, jonka mukaan absorpti- oon vaikuttaa mitattavan aineen konsentraatio sekä matka, jonka valo kulkee aineeseen.
Absoprtio lasketaan siis:
A = log10𝐼0
𝐼 = εCL, missä:
I0 = Lähetetyn valon intensiteetti I = Heijastuvan valon intensiteetti
ε = molaarinen absorptiokerroin, joka on vakio kaikille aineille tietyssä lämpötilassa ja aallonpituudessa
C = Konsentraatio
L = matka, jonka valo tunkeutuu aineeseen
Näin ollen infrapunaspektroskopiaa käyttämällä aineesta saadaan niin sanottu kemialli- nen sormenjälki, jossa absorption määrä eri taajuuksilla paljastaa, mitä molekyyliraken- teita materiaalista löytyy (Coates 2006). Infrapunateknologian kehittyminen on mahdol- listanut, että sormenjälki saadaan nopeasti eri materiaaleista ja se on aikaisempaa tar- kempaa. Spektrin tarkkuutta vähentää taustakohina, joka vaikeuttaa molekyylien tunnis- tamista tutkittavasta materiaalista. Koska teknologian kehittyminen on tarkentunut, voi- daan aikaisempaa monimutkaisempia materiaaleja tutkia infrapunaspektroskopian avulla ja siitä syystä juuri infrapunaspektroskopiasta on muodostunut tehokas työkalu
monimutkaisten materiaalien tunnistamisessa. Kuvassa 6 on esimerkki infrapunaspekt- roskopialla otetusta spektristä, jota voidaan pitää kyseisen bitumin kemiallisena sormen- jälkenä.
Kuva 6. Esimerkki infrapunaspektroskopialla otettu bituminäytteen sormenjälki
Valon energia aiheuttaa erilaisia liikeitä molekyyleissä. Molekyylit voivat värähdellä, venyä, taipua tai pyöriä. Molekyylin pyörimissuuntia voi olla myös useampia riippuen molekyylin muodosta. Siksi yhdellä molekyylillä löytyy useampia absorptiopiikkejä.
Jokainen absorptiopiikki korreloi tietyn suuntaisen liikkeen kanssa. (Sun 2009). Koska yhdellä molekyylillä on useita absorptiopiikkejä ja materiaalissa voi olla suuria määriä erilaisia molekyylejä, ei ole mahdollista tunnistaa yksittäisiä molekyylejä yksittäisestä piikistä.
Funktionaalinen ryhmä tarkoittaa orgaanisen yhdisteen molekyylissä olevaa atomia tai atomisidosta, joka määrittelee aineen kemialliset ja mekaaniset ominaisuudet muusta molekyylin rakenteesta huolimatta. (Muller 1994). Koska samaan funktionaaliseen ryh- mään kuuluvilla erilaisilla molekyyleillä on samankaltaisia atomeita ja atomisidoksia, on niillä myös absorptiota spektrissä lähekkäin olevilla aaltoluvuilla. Nämä funktionaa- liset ryhmät aiheuttavat spektreissä ilmiön, jossa yksittäisten piikkien sijaan absorptio kasvaa tietyillä alueilla, kun materiaalista löytyy alueen aaltolukuja vastaavia funktio- naaliseen ryhmään kuuluvia molekyylejä. (Petersen 1975)
Infrapunaspektroskopialla voidaan tutkia laajaa määrää erilaisia materiaaleja. Yhtenä tekniikan etuna on se, että tutkittavaa materiaalia voi olla mikroskooppisen vähän tai suuri massa. Tekniikka myös soveltuu eri lämpötiloissa ja olomuodoissa olevien materi- aalien tutkimiseen. Tekniikalla soveltuu myös polymeerien tutkimiseen. (Larkin 2013) Koska infrapunaspektroskopialla voidaan mitata laajasti erilaisia materiaaleja, käytetään sitä yleisesti. Sitä hyödynnetään monilla aloilla kuten lääke-, paperi-, ruoka-, maali- ja maatalousteollisuudessa. Yksi infrapunaspektroskopian sovellus on ilman ja veden laa- dunvalvonta. (Stuart 2004).
FTIR mahdollistaa nopean tavan analysoida materiaalin kemiallista koostumusta sillä se mittaa spektrin intensiteettiä kaikilla aallonpituuksilla samanaikaisesti. FTIR:n myötä infrapunaspektroskopian tarkkuus on parantunut huomattavasti. Signaalin tarkkuuden
parantuminen on mahdollistanut kvalitatiivisen tutkimuksen lisäksi myös materiaalin kvantitatiivisen tutkimisen. (Hilal et al. 2017).
ATR (heikentynyt kokonaisheijastus engl. Attenuated Total Reflectance) teknologia mahdollistaa infrapunaspektroskopian käytön pienellä näytteenvalmistelulla. Siksi tek- niikka sopii hyvin bitumin tutkimukseen ja sitä on käytetty tässä työssä. Aikaisemmat infrapunatekniikat ovat perustuneet siihen, että infrapunavalo ohjataan tutkittavan mate- riaalin läpi ja mitataan läpi tulleen valon voimakkuutta verrattuna lähetetyn valon voi- makkuuteen. ATR tekniikka perustuu siihen, että infrapuna heijastuu materiaalista ta- kaisin. Tutkittava näyte asetetaan timantin päälle, jonka sisältä infrapunavalo lähetetään.
ATR tekniikka vaatii kristallin, jonka taitekerroin on korkeampi kuin tutkittavalla mate- riaalilla. Tekniikka myös vaatii, että materiaali on tiukasti kontaktissa kristallin kanssa.
Kuvassa 7 on esitetty esimerkki bituminäytteestä, jota mitataan FTIR-ATR-laitteella.
Harmaa kerros esittää bituminäytettä ja valkoinen laitteessa olevaa timanttia. (Hofko et al. 2017, Warren et al. 2016 ja Karlsson & Isacsson 2003).
Kuva 7. Bituminäyte FTIR-ATR timantin päällä. I0 on lähetetyn valon intensiteetti ja I on vastaan- otetun valon intensiteetti. (Karlsson & Isacsson 2003)
2.2.2 FTIR bitumille
Koska infrapunaspektroskopia on tehokas tutkimusmenetelmä monille materiaaleille, on sitä käytetty myös bitumin tutkimiseen jo yli viidenkymmenen vuoden ajan (Petersen, 2009). Sen on havaittu olevan tehokas keino saada tietoa bitumin kemiallista koostu- muksesta ilman suurempaa näytteen valmistelua. Vertaamalla bitumista heijastuvan va- lon voimakkuutta bitumiin lähetetyn valon voimakkuuksiin eri aallonpituuksilla voidaan päätellä, mitä molekyyliryhmiä bitumista löytyy. Valon absorption määrä korreloi infra- punan taajuutta vastaavien molekyylien määrään, joten absorptiospektri antaa bitumista löytyvistä molekyyleistä myös kvantitatiivista tietoa. (Zofka et al. 2014 ja Petersen 2009).
Jo aikaisemmin on todettu, että bitumi on koostumukseltaan monimutkainen orgaaninen materiaali ja koostuu suuresta määrästä erilaisia molekyylejä. Koska bitumin rakenne on niin monimutkainen, ei sen tarkkaa kemiallista koostumusta pystytä nykymenetelmillä selvittämään. Molekyylit voidaan kuitenkin luokitella funktionaalisiin ryhmiin mole- kyylien rakenteen mukaan. Samassa funktionaalisessa ryhmässä olevien molekyylien vaikutus bitumin fyysiseen ja reologiseen käyttäytymiseen ovat samankaltaisia. Infrapu- naspektroskopialla pystytään arvioimaan yksittäisten molekyylien sijaan erilaisten funk- tionaalisten ryhmien edustusta bituminäytteessä. Näin ollen bitumista otettu spektri voi antaa tietoa bitumin mekaanisista ominaisuuksista ilman, että tarkkaa kemiallista koos- tumusta saataisikaan selville. (Aromaa 2016 ja Zofka et al. 2014).
FTIR:n avulla voidaan nähdä sisältääkö bitumi lisäaineita. Lisäaineet näkyvät bitumien spektreissä, sillä lisäaineiden sisältämät molekyylirakenteet poikkeavat bitumin orgaani- sen molekyylien rakenteesta ja siksi ne ovat erotettavissa bitumien spektreistä. Lisäai- neita lisätään bitumiin sen ominaisuuksien parantamiseksi. Lisäaineet voivat muuttaa bitumiin liuenneena bitumin reologisiakin ominaisuuksia. Toiset lisäaineet pienentävät bitumin viskositeettia, kun taas jotkut voivat suurentavat sitä. Bitumin viskositeettia pie- nentävät lisäaineet toimivat bitumin ikääntymistä vastustavina aineina. Polymeerit, va- hat ja orgaaniset kiinteät lisäaineet taas lisäävät bitumin viskositeettiä. (Makowska &
Pellinen 2020). Lisäaineiden lisääminen voi nostaa asfaltin tuotannon kustannuksia mutta voi parantaa bitumin ominaisuuksia asfaltin kestävyyden kannalta olennaisella ta- valla. Vaikka lisäaneita on useampia erilaisia, on lisäaineiden lisäämisen motivaationa tuoda asfaltille parempia ominaisuuksia, joita tyypillisesti ovat pysyvien vaurioiden es- tyminen tai väsymisen kesto. Näin ollen lisäaineiden lisääminen voi olla taloudellista etua tuova tekijä. Yhtenä lisäaineiden käytön motivaationa on, että bitumin jäykkyys- moduuli vaikuttaa suuresti asfalttimassan jäykkyysmoduuliin, joten bitumiin lisätyillä lisäaineilla voi olla merkittävä rooli koko asfalttimassan ominaisuuksiin. Täten myös on tärkeää tunnistaa mahdolliset lisäaineet bitumista. FTIR on tekniikka, joka luo mahdol- lisuuden tunnistukselle, koska lisäaineet erottuvat bitumin spektrissä. Erityisesti poly- meerit ovat lisäaineita, joiden lisääminen bitumiin parantaa bitumin kestoa eri lämpöti- loissa. Polymeerimolekyylit voivat esimerkiksi luoda elastisen verkkomaisen rakenteen bitumiin, jolloin bitumi ei jäykisty kylmissä lämpötiloissa. Polymeerien kvalitatiivista ja kvantitatiivista tutkimista bitumista on tehty perinteisesti taipuisuuskokeella. Kirjalli- suudessa on kuitenkin esitetty, että infrapunaspektroskopia voi sopia polymeerien tun- nistamiseen bitumista. Polymeerit erottuvat verrattain helposti infrapuna spektristä. Esi- merkiksi SBS polymeerin esiintyminen bitumissa on nähtävissä 966 cm-1 ja 700 cm-1 välisillä aaltoluvuilla. Kuvassa 8 on esitetty, kuinka polymeerit näkyvät bitumista ote- tussa spektrissä. Kuvassa musta viiva on lisäaineettoman bitumin spektri. Katkoviiva on spektri bitumista, jossa on kaksi prosenttia SBS polymeeriä ja harmaa viiva on spektri bitumille, jossa on neljä prosenttia polymeeriä. (Zofka et al. 2014).
Kuva 8. Polymeerien vaikutus bitumin spektriin (Zofka et al. 2014)
Styreeni-butadieeni-styreeni (SBS) on paljon käytetty polymeerinen lisäaine, jolla pyri- tään parantamaan lopputuotteen ominaisuuksia, erityisesti elastista palautumaa. (Saboo et al. 2018). SBS muodostaa jo pienissä pitoisuuksissa verkkomaisen kolmiulotteisin ra- kenteen bitumiin, joka parantaa bitumin elastisia ominaisuuksia. Usein polymeerien käyttö lisäaineena bitumissa kasvattaa asfaltin käyttölämpötilaväliä. Usein polymeerien vaikutus tulee ilmi kylmillä lämpötiloilla, jolloin polymeerin rakenne parantaa bitumin elastisia ominaisuuksia. SBS:n muodostama verkko on kemiallisesti yhteydessä muuhun bitumin rakenteeseen. SBS polymeeri myös liuetessaan turpoaa bitumissa. (Laukkanen et al. 2018).
2.2.3 Bitumin ikääntymisen seuraaminen FTIR:llä
Ikääntymisen aikana happimolekyylit kiinnittyvät bitumin orgaanisiin molekyyleihin ai- heuttaen bitumin kemiassa muutoksia. Hapettumisen seurauksena bitumin molekyylit muuttuvat siten, että molekyylien väliset sidokset muuttuvat polaarisemmiksi, mikä joh- taa bitumin jäykistymiseen. Näin ollen ikääntyminen vaikuttaa bitumin reologisiin omi- naisuuksiin kuten kompleksimoduuliin ja vaihekulmaan. Bitumin alkuperäinen rakenne vaikuttaa siihen, kuinka bitumi ikääntyy hapettumisen seurauksena ja millaisia vaiku- tuksia silloin hapettumisella on bitumin jäykistymiseen. Erityisesti karbonyyli- ja sul- foksidiryhmien kehittyminen bitumissa on yhteydessä bitumin jäykistymiseen. Muiden- kin alueiden kehittyminen on huomattu vaikuttavan bitumin jäykistymiseen. Karbonyy- liryhmän molekyylejä muodostuu bitumissa tasaisesti sen elinkaaren aikana. Sulfoksidi- ryhmän molekyylit muodostuvat sen sijaan nopeammassa tahdissa ikääntymisen alku- vaiheessa ja niiden muodostuminen hidastuu tai loppuu ajan kuluessa. Siksi rikkipitois- ten bitumien ikääntyminen tapahtuu nopeammin kuin muiden bitumien ikääntyminen.
Kuvassa 9 on esitetty karbonyyli- ja sulfoksidiryhmien kehitys bitumissa ajan funktiona.
(Petersen 2009).
Kuva 9. Karbonyyli- ja sulfoksidiryhmän molekyylien syntyminen bitumissa hapettumisen vaiku- tuksena. (Petersen 2009).
Tutkimuksessa bitumin tunnistamiseen käytetään yhtenä parametrina ikääntymisen ai- kana saatavia spektrejä, jotka mitataan FTIR:llä. Laite kuumentaa bitumia +163 ⁰C läm- pötilassa, jolloin bitumi ikääntyy. Bitumin ikääntymistä seurataan ottamalla spektrejä
neljän minuutin välein. Näin voidaan seurata, millaisia kemiallisia muutoksia ikäänty- minen aiheuttaa bitumissa. Ikääntyminen voi tuoda uuden parametrin koneoppimisen tunnistamiselle. Toinen perustelu ikääntymisen seuraamiselle on, että ikääntymisestä voidaan mahdollisesti ennustaa, kuinka bitumi käyttäytyy asfalttipäällysteessä elinkaa- rensa aikana. Näin ollen keräämällä spektrejä vanhennetuista bitumeista voidaan mah- dollisesti yhdistää jäykistyneiden bitumien spektri asfaltin toimintaan ja siten saada li- sää ennustettavuutta bitumin ominaisuuksille. Tutkimusmenetelmät osiossa kerrotaan tarkemmin, kuinka tässä tutkimuksessa on toteutettu bitumin ikäännyttäminen FTIR-tes- tissä.
FTIR:llä saadusta kemiallisesta sormenjäljestä voidaan tehdä päätelmiä funktionaalisten ryhmien esiintymisestä ja kehittymisestä bitumissa. Koska karbonyyli- ja sulfoksidiryh- mien molekyylien muodostuminen bitumissa aiheuttaa bitumin jäykistymistä, voidaan spektristä myös seurata bitumin ikääntymistä. Sulfoksidiryhmän molekyylit aiheuttavat absorptiota noin 1030 cm-1 aaltoluvuilla. Karbonyyliryhmän molekyylit aiheuttavat ab- sorptiota noin 1650 cm-1 aaltoluvuilla. Makowskan, Hartikaisen ja Pellisen aikaisemassa tutkimuksessa on seurattu FTIR:llä bitumissa tapahtuvia muutoksia ikääntymisen seu- rauksena. Heidänkin tutkimuksensa mukaan sulfoksidiryhmän molekyylit muodostuvat ikääntymisen alkuvaiheessa. Karbonyyliryhmän molekyylit taas muodostuvat tasaisesti kokeen ajan. Kuvassa 10 on esitetty tutkimuksessa saatuja tuloksia. Kuvaajassa on esi- tetty neljän minuutin välein tapahtuva absorptionmuutos. Jokainen kuvan spektri on muodostettu kahden neljän minuutin välein otetun spektrin erotuksesta. (Makowska et al. 2017).
Kuva 10. Absorption muutoksen kehitys bitumissa ikääntymisen aikana. (Makowska et al. 2017).
2.3 Dynaaminen leikkausreometri 2.3.1 Taajuuspyyhkäisy
DSR on laite, jolla mitataan bitumin reologisia ominaisuuksia. Bitumia kuormitetaan oskilloivalla liikkeellä kahden levyn välissä, joista alimmainen on paikallaan ja ylempi pyörii sinimuotoisella liikkeellä. Bituminäyte on puristettuna näiden kahden levyn vä- liin. Kokeessa mitattaan, kuinka bitumi vastustaa leikkausliikkeen kuormitusta eri läm- pötiloissa ja eri taajuuksilla. Kokeessa saaduista parametreista voidaan päätellä millä ta- valla bitumi käyttäytyy eri liikenteen olosuhteissa. Koska testillä mitataan reologisia ominaisuuksia, kertoo testistä saadut tulokset bitumin viskoelastisesta käyttäytymisestä.
Taajuuspyyhkäisykokeessa bitumia kuormitetaan vakioleikkauskuormituksella ja va- kiolämpötilassa eri taajuuksilla (Gallego et al. 2016). Näitä taajuuspyyhkäisyjä suorite- taan useammissa lämpötiloissa samalle näytteelle, jolloin saadaan tuloksia, jotka kuvas- tavat bitumin reologisia ominaisuuksia erilaisissa olosuhteissa.
2.3.2 Black-diagrammi
Kaksi tärkeintä parametriä, joista ollaan kiinnostuneita taajuuspyyhkäisykokeessa, ovat kompleksimoduuli (G*) ja vaihekulma. Kompleksimoduuli on maksimikuormituksen suhde maksimivenymään, joka bitumissa tapahtuu. Kompleksimoduulin arvo kertoo, kuinka bitumi vastustaa siihen kohdistuvaa leikkauskuormitusta. Kompleksimoduuli jaetaan kahteen komponenttiin, jotka ovat varastomoduuli (G’) ja häviömoduuli (G’’).
Nämä kaksi moduulia ovat kuormituksen aiheuttamat elastinen- ja viskoosikomponentti.
Ne ovat yhteydessä toisiinsa kompleksimoduuliin ja vaihekulman kautta. Vaihekulma on vaihe, joka on bitumiin tapahtuvan kuormituksen ja bitumissa tapahtuvan venymän välillä. (Airey 2002). Kuvassa 11 on näytetty, kuinka vaihesiirtymä on bitumissa tapah- tuvan jännityksen ja muodonmuutoksen välinen ero.
Taajuuspyyhkäisykokeessa näytettä kuormitetaan muuttuvalla leikkausjännityksellä.
Kokeessa mitattu parametri on leikkausjännityksen aiheuttama leikkausmuodonmuutos.
Jännityksen ja muodonmuutoksen avulla voidaan laskea varasto- ja häviömoduuli. Näi- den moduulien avulla voidaan laskea monimutkaisempia parametreja kuten kompleksi- moduuli ja vaihekulma. Tietokoneohjelma tekee laskelmat automaattisesti ja tämän työn kannalta yhtälöt eivät ole merkityksellisiä. Yhtälöt löytyvät Aromaan (2016) opinnäyte- työstä asiasta kiinnostuneille.
Kuva 11. DSR-kokeessa tapahtuva muodonmuutos, leikkausjännitys ja vaihesiirtymä. (Aromaa 2016)
Vaihekulma esitetään asteina ja se vaihtelee bitumin kaltaisella viskoelastisella materi- aalilla nollan ja yhdeksänkymmenen asteen välillä. Kun vaihekulma on nolla, bitumi käyttäytyy täysin elastisella tavalla. Tällöin kompleksimoduuli koostuu ainoastaan va- rastomoduulista ja häviömoduuli on nolla. Se tarkoittaa myös sitä, että bitumiin kohdis- tuva leikkausenergia varastoituu muodonmuutosenergiana eikä kulu mihinkään. Taas tilanteessa, jossa vaihekulma on yhdeksänkymmentä astetta, bitumi käyttäytyy täysin viskoosilla tavalla. Siinä tapauksessa kompleksimoduuli koostuu vain häviömoduulista ja varastomoduulin arvo on nolla. Tällöin bitumin käyttäytyminen on täysin viskoosia.
Bitumiin kohdistuva leikkausenergia kuluu täysin, kun virtauskitka muuttuu lämmöksi.
Kuvassa 12 on esitetty kompleksimoduulin ja vaihekulma sekä varasto- ja häviömoduu- lin välinen suhde vektorina kuten se monesti esitetään kirjallisuudessa. (Bahia 2009).
Kuva 12. Varasto- ja häviömoduuli ilmaistuna kompleksimoduulin ja vaihekulman avulla. (Aromaa 2016).
Bitumin viskoelastista käyttäytymistä voidaan kuvata joko vain kompleksimoduulin ja vaihekulman avulla tai vain varastomoduulin ja häviömoduulin avulla. Kompleksimo- duulin arvo kertoo bitumin leikkausvoiman vastustuskyvystä ja vaihekulma kertoo, onko bitumin käyttäytyminen elastista (vaihekulma lähellä nollaa), viskoosia (vaihe- kulma lähellä 90⁰) vai jotain niiden väliltä. Samaa käyttäytymistä voidaan kuvata myös varasto- ja häviömoduulinkautta.
Bitumityyppien vaihtelun takia bitumin reologiset ominaisuudet vaihtelevat suuresti.
Vaihekulma voi olla mitä vain nollan ja yhdeksänkymmenen asteen välillä erilaisissa olosuhteissa. Huoneenlämpötilassa bitumit vaihtelevat lähes nestemäisistä olomuodoista kiinteisiin olomuotoihin riippuen niiden luokasta. Tämän takia reologisten mittausten tulokset vaihtelevat näytteiden välillä. Taipumus kuitenkin on, että kylmemmissä läm- pötiloissa ja nopeammilla kuormitusajoilla bitumin käytös on elastisempaa johtaen pie- nempään vaihekulmaan sekä varastomoduulin kasvuun häviömoduulin nähden. Lämpi- missä olosuhteissa ja hitailla kuormitusajoilla taas tapahtuu päinvastoin. Kuvassa 13 nä- kyy, kuinka vaihekulma ja kompleksimoduuli muuttuu lämpötilan ja taajuuden suhteen näytteelle QWE A tehdyn DSR-testin tuloksissa.
Kuva 13. Bitumin kompleksimoduuli ja vaihekulma eri lämpötiloissa ja taajuuksissa
DSR-testistä saatuja tuloksia voidaan esittää monessa muodossa. Kompleksimoduulia ja vaihekulmaa voidaan esittää joko lämpötilan tai taajuuden suhteen. Black-diagrammissa on esitetty eri lämpötiloissa ja taajuuksissa saadut kompleksimoduulit vaihekulman suh- teen. Näin ollen Black-diagrammissa voidaan esittää bitumin viskoelastista käyttäyty- mistä kaksiulotteisessa kuvaajassa. Kuvassa 14 on esitetty Black-diagrammi, joka on tehty kahden DSR-kokeen tuloksista. Kokeet on tehty näytteelle QWE Q. Jokainen ku- vaajan piste edustaa kompleksimoduulin ja vaihekulman arvoa tietyssä lämpötilassa ja tietyllä taajuudella. Kokeissa käytetyt lämpötilat ovat olleet -10–40 ⁰C ja 40–90 ⁰C.
Mittaukset on tehty 10 ⁰C välein. Jokaisessa lämpötilassa on tehty mittaus 13 eri taajuu- della, jotka ovat olleet 0,01 ja 10 Hz välillä.
Kuva 14. Black-diagrammi näytteen QWE Q DSR-tuloksista eri lämpötiloissa.
Black-diagrammissa muodostetun käyrän muoto on nopea ja yksinkertainen tapa esittää bitumin ominaisuuksia. Black-diagrammissa esitettyjen käyrien muodot vaihtelevat luonnollisesti bitumin reologisten ominaisuuksien mukaan ja vertaamalla eri bitumien käyriä voidaan tehdä päätelmiä bitumien viskoelastisista ominaisuuksista. Esimerkiksi
1,00E-01 1,00E+00 1,00E+01 1,00E+02 1,00E+03 1,00E+04 1,00E+05 1,00E+06 1,00E+07 1,00E+08 1,00E+09
0 20 40 60 80 100
Kompleksimoduuli (Pa)
Vaihekulma (⁰)
QWE Q, 70/100
-10 0 10 20 30 40, 8mm 40, 25mm 50 60 70 80 90
ikääntymisen aikana bitumin käyrä Black-diagrammissa muuttuu. Kuvassa 15 on esi- tetty Aireyn tutkimuksen (2002), tuloksia bitumin ikääntymisen seurauksena tapahtuvan kovettumisen näkymisestä Black-diagrammissa. Kuviosta huomaan, että ikääntymisen johdosta bitumin vaihekulma pienenee. RTFOT (engl. Rolling Thin Film Oven
Test) ja PAV (eng. Pressure Aging Vessel) ovat menetelmiä, joilla kuvataan bitumin vanhenemista. RTFOT kuvaa lyhytaikaista vanhenemista. Menetelmässä bitumia kuu- mennetaan 163 ⁰C lämpötilassa 75 minuutin ajan. PAV kuvaa bitumin pidempiaikaista vanhenemista. Menetelmässä bitumia vanhennetaan kuumassa lämpötilassa vähintään 20 tunnin ajan. RTFOT tapahtuu standardin EN 12607-1 mukaan ja PAV tapahtuu stan- dardin EN 14769 mukaan. (Lu et al. 2021)
Kuva 15. Black-diagrammi bituminäytteestä tuoreena, RTFOT- ja PAV-ikäännytettynä. (Airey 2002)
2.3.3 Bitumin modifioinnin näkyminen Black-diagrammissa
Useimmat bitumit ovat käyttäytymiseltään lineaariviskooseja eli niiden reologiset omi- naisuudet riippuvat kuormitusajasta ja lämpötilasta. Silloin näihin bitumeihin pätee aika-lämpötila-superpositioperiaate (engl. time-temperature-superposition principle, TTS). Tämä tarkoittaa sitä, että lämpötilan vaikutus bitumin reologisiin ominaisuuksiin voidaan saavuttaa myös muuttamalla käytettyä kuormitustaajuutta ja toisinpäin.
(Aromaa 2016). Kuitenkin lisäaineet, kuten vahat ja polymeerit, voivat muuttaa tuota käytöstä. Vahojen tapauksessa vahan kristallirakenteen sulaminen tai jähmettyminen tietyssä lämpötilassa aiheuttaa nopean muutoksen bitumin reologisissa ominaisuuksissa eikä käyttäytyminen ole enää lineaarista (Soenen et al. 2006).
Bituminäytteiden käyrät ovat tasaisia ja jatkuvia Black-diagrammissa, jos bitumin reologia seuraa TTS periaatetta. Siitä syystä Black-diagrammi on yksinkertainen tapa selvittää, päteekö kyseiseen bitumiin TTS periaate. Polymeerimodifioitujen ja vahamo- difioitujen bitumien Black-diagrammit eivät siis ole tasaisia ja jatkuvia. Käyrän muo- dosta onkin nopea todentaa, että bituminäytettä on modifioitu ja analysoimalla käyrän
muotoa voidaan päätellä bitumista löytyvistä lisäaineista. Kuvassa 16 on esitetty poly- meerimodifioidun näytteen käyrä Black-diagrammissa. Kuvasta voi huomata, että poly- meerimodifioidussa bitumissa vaihekulma pienenee korkeilla lämpötiloilla. Ilmiön ai- heuttaa polymeerin muodostama elastinen verkkomainen rakenne.
Kuva 16. Black-diagrammi lisäaineettomalle bitumille ja kahdelle polymeerimodifioidulle bitumille.
(Airey 2002).
2.4 Koneoppiminen
Koneoppimisella tarkoitetaan tietokonealgoritmeja, jotka oppivat niille annetusta da- tasta. Oppimisella tarkoitetaan sitä, että algoritmin suorituskyky halutun lopputuloksen kannalta paranee kokemuksen kautta, jonka algoritmi saa sille annetusta datasta. Suori- tuskyky ei siis nouse siten, että alkuperäistä koodia itsessään muutettaisiin. Koneoppi- misen algoritmien yleinen mekanismi on, että ne löytävät niille annetusta datasta kaa- voja, joiden perusteella ne luovat ennustuksia tekevän mallin. Tyypillisesti koneoppimi- nen tapahtuu neljässä vaiheessa. Ensimmäinen vaihe on, että algoritmi saa dataa. Toinen vaihe on, että algoritmi luo datan avulla ennustavan mallin. Kolmannessa vaiheessa mallia testataan erillisen testausdatan avulla. Viimeisenä algoritmi tekee ennusteita on- gelmaan, johon sitä käytetään. (Khan & Mohammed 2016 ja Geron 2017).
Koneoppimisen algoritmeilla on muutamia merkitseviä hyötyjä muihin algoritmeihin nähden. Niitä käytetään ongelmiin, joissa täytyy analysoida suuria määriä monimut- kaista tietoa. Koneoppimisen algoritmeilla voidaan analysoida suuria määriä dataa il- man, että täytyy kirjottaa suuria määriä tietokonekoodia tai koodia tarvitsisi käsin muut- taa. Koneoppimisen algoritmit voivat myös löytää datasta uusia ratkaisuja tai kaavoja, joita ihminen ei pystyisi löytämään. Koneoppimisen algoritmit pystyvät myös käsittele- mään uutta dataa ja muokkaamaan toimintaansa sen mukaan.
Koneoppimisen algoritmien heikkoutena on se, että algoritmien suorituskyky perustuu dataan, johon sillä on pääsy. Jos dataa ei ole tarpeeksi tai se on huonolaatuista, ei kone- oppimisalgoritmin suorituskyky voi nousta hyväksi. Toisena haasteena on algoritmien
suorituskyvyn valvonta. Algoritmit tekevät saadusta datasta ennusteita. Jos ennusteet ta- pahtuvat monimutkaisesta datasta, on oltava keinot arvioida, kuinka onnistuneita ennus- teet ovat. (Geron 2017)
Erilaisia koneoppimisalgoritmeja on hyvin paljon. Koneoppimisalgoritmit kuitenkin ja- kautuvat perustoimintamekanisminsa perusteella valvottuihin ja valvomattomiin algorit- meihin. Näiden kahden erilaisen algoritmin erona on, että valvomattomille algoritmeille annetaan vain input-tyyppistä dataa ja valvotuille algoritmeille annetaan input-datan li- säksi myös output-tyyppistä dataa. (Berry et al. 2020)
Valvotut algoritmit toimivat siten, että niille annetaan input-datan lisäksi output-tyyp- pistä dataa. Tämä tarkoittaa, että jokainen data-alkio on leimattu jollakin arvolla. Oppi- mista varten algoritmille annetaan data-alkioita, joiden perusteella algoritmi luo mallin, jonka tarkoituksena on löytää input datasta muuttujat, jotka selittävät output-datan ar- von. Näin ollen algoritmi luo mallin, jonka avulla se tekee ennustuksen output-arvosta uudelle data-alkiolle, josta se saa vain input-datan. Valvotut algoritmit jakautuvat luo- kittelu- ja regressiomalleihin. Niiden erona on, että luokittelumallissa output-data on luokittelevaa kun taas regressiomallissa output-data on jatkuvaa. Esimerkki luokittelu- mallista on kuvan tunnistusohjelma, jossa mallin rakentamista varten ohjelmalle anne- taan kuvia, jotka on luokiteltu. Kuvista löytyvän datan mukaan ohjelma luo mallin, joka luokittelee sille annetun uuden kuvaan johonkin luokkaan. (Kotsiantis 2007).
Valvomattomien algoritmien toiminta perustuu saatujen tietoalkioiden ryhmittelyyn niistä löytyvän tiedon perusteella. Valvomattomille algoritmeille annetaan tietoalkioita ja se ryhmittelee alkiot alkioista löytyvien erilaisuuksien ja samankaltaisuuksien perus- teella. Niiden toiminta perustuu siten kaavojen etsimiseen. Valvomattomien algoritmien pääasialliset tehtävät ovat poikkeamien etsiminen ja ulottuvuuksien vähentäminen.
Ulottuvuuksien vähentäminen tarkoittaa, että jokaiselle monimutkaisesta datasta koostu- valle alkiolle, algoritmi voi antaa uuden arvon luomansa mallin avulla. Näin ollen alku- peräistä monimutkaista dataa kuvataan vain yhdellä uudella arvolla, joka perustuu alku- peräisen datan ominaisuuksiin. Valvomattomia algoritmeja voidaan käyttää output-ar- vojen luomiseen. (Berry et al. 2020).
Koneoppimisalgoritmit voidaan jakaa muillakin tavoin erilaisiin ryhmiin. Yksi tapa on määrittelemällä, tapahtuuko oppiminen muuttuvasta vai muuttumattomasta datajou- kosta. Algoritmien sanotaan oppivan ”online”, jos datajärjestelmään tuodaan uusia alki- oita kesken oppimisprosessin, mikä muokkaa algoritmin suoritusta. Se luo uuden haas- teen algoritmin ennustavan mallin tarkkuuden tarkastelulle, koska ennustusmallin suori- tuksen voi uudesta datasta myös kehittyä väärään suuntaan. (Geron 2017).
Koneoppimissysteemissä voi olla useita kerroksia erilaisia algoritmeja. Erilaisilla algo- ritmeilla on erilaisia tehtäviä systeemissä. Usein valvomattomia algoritmeja käytetään datan käsittelyyn ennen kuin data syötetään valvotuille algoritmeille. Tällöin voidaan poistaa datasta poikkeamia, jotka voisivat häiritä mallin tarkkuutta.
Koneoppiminen on tekniikka, jossa voi olla potentiaalia nimenomaan bitumintutkimuk- sessa. Bitumin hyvin monimutkainen kemiallinen rakenne luo juuri koneoppimisalgorit- meille mahdollisuuden edistää tutkimusta alalla. Bitumien infrapunaspektrien datassa on niin paljon muuttujia, ettei siitä voi tehdä suoraan mallia, joka ennustaisi bitumin fyysi- siä tai kemiallisia ominaisuuksia. Koneoppimisalgoritmille bitumin monimutkaisesta
koostumuksesta voidaan tehdä parempia analyyseja mallien avulla. Käyttämällä hyväk- seen datamining-konseptia koneoppimisalgoritmin avulla voidaan myös mahdollisesti eristää infrapunaspektreistä uusia muuttujia ja muuttujien yhdistelmiä, jotka aiheuttavat bitumissa joitakin ominaisuuksia.
Koneoppimisen algoritmit ovat hyödyllisiä sekä tulkitsemaan monia muuttujia sisältä- vää tietoa ja löytämään monimutkaisesta tiedosta oleellisia kaavoja, joita ihmisen voi olla muuten mahdotonta tunnistaa. Siksi koneoppiminen voi löytää uusia muuttujia spektreistä, jotka voidaan yhdistää bitumin reologisiin tai mekaanisiin ominaisuuksiin.
Työn hypoteesina on, että eri lähteistä olevilla bitumeilla on erilaiset spektrit FTIR:llä tehdyissä mittauksissa. Spektri kertoo bitumin kemiallisesta koostumuksesta ja millaisia funktionaalisia ryhmiä löytyy bitumista. Bitumin koostumus on mahdoton tällä hetkellä selvittää täydellisen tarkasti mutta kemiallisella koostumuksella on vaikutusta bitumin fyysisiin ja reologisiin ominaisuuksiin. Siksi koneoppimista käytetään hyödyksi bitu- mista saatavan spektrin tulkitsemiseen. Koneoppimisen avulla analysoidaan sekä al- kuspektriä että spektrin muutosta ikääntymisprosessissa ottaen huomioon aiemmin tode- tun yhteyden bitumin alkuperäisen koostumuksen, ikääntymisen ja reologisen käyttäyty- misen välillä.
Viime vuosina on tehty aiempaa bitumintutkimusta, jossa on hyödynnetty koneoppi- mista. Zofka ja Blazejowski (2019) ovat tutkineet pystyykö polymeerimodifioituja bitu- meja tunnistamaan toisista lisäaineettomista bitumeista koneoppimisalgoritmin avulla.
Heidän saamien tulosten perusteella vaikuttaa, että sellainen erottelu on mahdollista ja he pystyivät jopa erottelemaan bitumit, joissa on suuri määrä polymeerejä, bitumeista, joista on vähemmän polymeerejä. Autelitano & al (2019) ovat taas kehittäneet systee- miä, jolla tutkitaan bitumista tulevia kaasumolekyylejä. Näin he ovat luoneet niin sano- tun elektronisen nenän, joka muodostaa kaasun molekyyleistä signaalin, joka perustuu kaasun kemialliseen koostumukseen. Kaasuista saadut signaalit muodostavat tutkitta- vasta aineesta sormenjäljen, jota analysoimalla voidaan tehdä erottelua bitumin ominai- suuksista. Tutkimuksessa osoitettiin, että kaksi eri lähteestä tullutta bitumia pystyttiin tunnistamaan koneoppimisen avulla spektreistä saadun tiedon avulla. Autelitano ja Giu- liani (2018) osoittivat taas, että bitumista löytyvät lisäaineet voidaan erottaa koneoppi- misjärjestelmän avulla. Tutkimuksessa analysoitiin elektronisen nenän avulla bitumista saatuja kaasuja. Koneoppimisalgoritmi teki tunnistuksia bitumin lisäaineista saaduista signaaleista. Näiden aikaisempien tutkimusten tulosten perusteella voidaan uskoa, että jo 20–50 bitumin näytekoolla voidaan luoda koneoppimismalli, jolla voidaan tehdä en- nustuksia bitumin ominaisuuksista.
DSR-tulokset kertovat bitumin reologisista ominaisuuksista. On mahdollisuus, että ko- neoppimissysteemi voitaisiin opettaa ennustamaan DSR-tuloksia spektrien avulla. Esi- merkiksi polymeeriset lisäaineet näkyvät DSR-tuloksissa. Zofka ja Blazejowski (2019) ovat näyttäneet, että koneoppimisella voidaan erottaa polymeerimodifioidut bitumit lisä- aineettomista bitumeista sekä paljon modifioidut bitumit vähän modifioiduista bitu- meista spektreistä saatavan datan avulla. Yut ja Zofka (2014) ovat luoneet mallin, jossa FTIR-tuloksista koneoppimisella ennustetuilla kompleksimoduuleilla on ollut korrelaa- tio bitumin reologisesti mitattuihin kompleksimoduuleihin. Näin ollen on mahdollista, että löydettyä yhteyttä voitaisiin hyödyntää koneoppimissysteemissä. Yhtenä jatkotutki- muksen aiheena voi olla kuvan tunnistusalgoritmin soveltaminen Black-diagrammissa saaduille käyrille, mikä voisi toimia yhtenä tunnistamissysteemin kerroksena. Tutkitta- vaksi jää, voiko muitakin bitumin reologisia ominaisuuksia yhdistää spektreihin kone- oppimisen avulla.
3 Tutkimusmateriaalit ja -menetelmät
3.1 Bituminäytteet
Työssä on tutkittu näytteitä, joista on saatu osa suoraan neljältä urakoitsijalta, jotka osallistuvat Morebit nimiseen projektiin. Projekti keskittyy kehittämään systeemiä bitu- min tunnistamista varten. Tämä opinnäytetyötyö on tehty osana projektia. Projektissa olleet urakoitsijat ovat lahjoittaneet yhteensä 30 näytettä tätä työtä varten. (Makowska
& Korkiala-Tanttu 2020) Työn näytteet ovat jakautuneet siten, että jäykemmät bitumit ovat enemmän edustettuina tutkimuksissa. 70/100 luokan näytteitä oli yhdeksän, 100/150 luokan näytteitä oli kahdeksan, 160/220 luokan näytteitä oli kuusi, 650/900 luokan näytteitä oli viisi ja V1500 luokiteltuja näytteitä oli kaksi kappaletta. Kuvassa 17 on esitetty näytteiden jakauman yrityksen sekä viskoositeettiin perustuvan luokituksen mukaan.
Kuva 17. Analysoidut näytteet luokan ja urakoitsijan mukaan
Näytteet pyydettiin ottamaan noin kolmen kg:n painoisina, jotta ne voitiin jakaa labora- toriossa kolmeksi yhden kg painoiseksi näytteeksi. Urakoitsijoilta toivottiin mahdolli- simman laajasti erilaisia etenkin eri luokkaisia näytteitä. Tämän työn tavoitteena on ol- lut todistaa, että eri näytteiden välillä voidaan tehdä erottelua koneoppimisen avulla.
Kuitenkin on toivottu, että urakoitsijat painottavat lähettämissään näytteissä niitä bitu- miluokkia, joita käyttävät eniten asfaltin teossa. Urakoitsijoita on pyydetty lähettämään seuraavat tiedot näytteistä niiden mukana.
• Bitumin oletettu luokka
• Näytteenoton aika ja paikka
• Näytteenottaja
• Oletettu työmaa, jossa bitumia käytetään
• Urakoitsijan nimi
• Bitumin tuottaja
