Physics Informed Neural Networks (PINNs) have been rarely applied to solve multiphysics systems due to the inherent challenges in optimizing their complex loss functions, which typically incorporate multiple physics-based terms. This study presents a multistage PINN approach designed to efficiently solve coupled multiphysics systems with strong interdependencies. The multistage PINN progressively increases the complexity of the physical system being modeled, enabling more effective capture of coupling between different physics. The computational merits of this approach are demonstrated through two illustrative applications: prediction of asphalt aging and modeling of lid-driven cavity flow. Quantitative and qualitative comparisons with standard PINN and adaptive weight PINN approaches demonstrate the enhanced precision and computational efficiency of the proposed algorithm. The multistage PINN achieves a reduction in training time of more than 90% compared to standard PINNs while maintaining better alignment with the finite element method (FEM) solutions. The improvement in computational efficiency, coupled with enhanced accuracy, positions the multistage PINN as a powerful tool for addressing complex multiphysics problems across various engineering disciplines. The method’s ability to handle interactions between multiple physical processes, such as diffusion, chemical reactions, and fluid dynamics, makes it suitable for simulating long-term material behavior and complex fluid systems.

The chemo-mechanical properties of bitumen undergo significant alternations during aging and rejuvenation, posing challenges for accurately evaluating and enhancing rejuvenation efficiency in asphalt recycling. This study investigates how bitumen source, aging degree, rejuvenator type and dosage influence the chemical and rheological performance of rejuvenated bitumen. Comprehensive characterizations are performed using saturate, aromatic, resin, and asphaltene (SARA) fractionation, elemental analysis, gel permeation chromatography (GPC), and dynamic shear rheometer (DSR) tests. To elucidate chemo-rheological correlations, statistical techniques (Pearson correlation, analysis of variance (ANOVA), and Chi-square tests) are combined with artificial neural networks (ANN). Results indicate that the NB bitumen with more colloidal stability and less sulfur content exhibits the highest resistance to long-term aging. FB bitumen with 4.3 % sulfur achieves the best high-temperature deformation resistance with rutting failure temperature (RFT) higher than 80 °C, and TB bitumen exhibits the longest fatigue life. Rejuvenation using bio-oil is most effective on reducing relaxation time by up to 60 % and increasing creep compliance (Jnr3.2) by 1.7–2.5 times, depending on bitumen type. Rejuvenator dosage sensitivity for relaxation stress follows the trend: bio-oil < engine-oil < naphthenic-oil, while aromatic-oil shows variability depending on its source. Among the tested rejuvenators, bio-oil proves most effective, particularly for rejuvenating TB and FB bitumen. The ANN model demonstrates strong predictive performance for rheological properties, achieving R2 values between 0.90 and 0.98, with the highest accuracy observed for relaxation indices, followed by fatigue and rutting properties.

Asphalt binders are critical for asphalt pavement performance, and understanding their rheological behavior is essential for designing durable roadways. The complex shear modulus (G⁎) and phase angle (δ) are primary parameters characterizing binder rheology. This study introduces a novel hybrid machine learning model combining deep neural networks (DNN) and Gaussian process regression (GPR) to predict G⁎ and δ for bituminous binders and binder-filler systems (mastics). DNN excel at capturing complex, nonlinear relationships among eleven binder and thirteen mastic input parameters, including aging conditions, chemical and physical properties, and test parameters. However, standalone DNN struggle with small datasets, common at the binder scale, and lack inherent uncertainty quantification, limiting reliability in engineering applications. GPR improves DNN by refining predictions through probabilistic modeling, while providing uncertainty estimates, and enhancing accuracy with limited or noisy data. The hybrid model leverages DNN's feature extraction capabilities and GPR's ability to smooth predictions, significantly improving performance over standalone DNN. The hybrid model achieves high prediction accuracy, with R2 values of 0.997 for G⁎ and 0.947 for δ for binders, and 0.993 for G⁎ and 0.972 for δ for mastics, reducing G⁎ prediction error from 22.7% to 0.031% for fresh asphalt binder compared to standalone DNN. Feature importance analysis using random forest and SHAP techniques identifies test temperature, aging conditions, and penetration as key influencers of G⁎ and δ. This hybrid approach enhances the characterization of complex asphalt materials, offering pavement engineers a robust, reliable tool for predicting material behavior under diverse conditions.

The complex structure of bituminous mixtures ranging from nanoscale binder components to macroscale pavement performance requires a comprehensive approach to material characterization and performance prediction. This paper provides a critical analysis of advanced techniques in paving materials modeling. It focuses on four main approaches: finite element method (FEM), discrete element method (DEM), phase field method (PFM), and artificial neural networks (ANNs). The review highlights how these computational methods enable more accurate predictions of material behavior, from asphalt binder rheology to mixture performance, while reducing reliance on extensive empirical testing. Key advances, such as the smooth integration of information across multiple scales and the emergence of physics-informed neural networks (PINNs), are discussed as promising avenues for enhancing model accuracy and computational efficiency. This review not only provides a comprehensive overview of current methodologies but also outlines future research directions aimed at developing more sustainable, cost-effective, and durable paving solutions through advanced multiscale modeling techniques.

In dit rapport wordt een onderzoek beschreven met vijf verschillende wrijvingsreductiesystemen. De aanleiding was een verandering in de EN 12697-25, waarbij Latex wrijvingsreductie vervangen is door Teflon, terwijl er flink wat onderzoek is dat liet zien dat Teflon voor asfalt minder effectief is dan Latex. Testen van hetzelfde asfalt met beide systemen leidde ertoe dat het materiaal in verschillende klassen werd geplaatst.

Eerdere onderzoeken keken óf naar radiale (tonvorming) óf naar axiale vervorming. In dit onderzoek wordt naar beide gekeken, met als doel de . (zo uniform mogelijke) radiale vervorming te gebruiken voor een keuze in wrijvingsreductiesysteem. Hierbij wordt de radiale vervorming mede als functie van slankheid van het proefstuk beschouwd. De axiale vervorming wordt gebruikt om de relatie te leggen naar bekende resultaten van de triaxiaalonderzoek.

Om dit te bereiken zijn proefstukken van verschillende hoogtes en diameter 100 mm voorzien van negen rekstroken op drie verschillende hoogtes. Deze proefstukken zijn kort en bij lage belasting beproefd waarbij steeds verschillende wrijvingsreductie systemen zijn gebruikt: Geen, Latex, Teflon, Plastic folie en Plasticfolie op Teflon. Om het installeren van de verschillende wrijvingsreductiesystemen eenvoudig en consistent te houden, zijn de proeven uitgevoerd zonder steundruk en bij kamertemperatuur.

De resultaten waren verrassend, de radiale rekken op 5mm van de bovenkant van het proefstuk waren in alle gevallen anders dan verwacht. Op 10 mm boven het midden waren ze wel grotendeels conform verwachting. Hoewel het verleidelijk is om daarom te kijken naar de resultaten die wel conform verwachting zijn en er bij nadere analyse de rekken bij de plaat mogelijk beïnvloed worden door buiging van het proefstuk op die positie, is dit met de beschikbare data niet vast te stellen. Zeker omdat ook de axiale signalen voor een deel van de systemen af wijken van eerdere ervaringen, kan alleen worden vastgesteld dat de resultaten helaas geen nadere onderbouwing geven voor een keuze van wrijvingsreductiesysteem. Wel blijkt eens te meer dat de invloed van dit systeem aanzienlijk is en blijft een goede, robuuste en duidelijk omschreven keuze noodzakelijk.

Omdat de signalen verrassend zijn is het aan te bevelen een deel van metingen te herhalen, bij voorkeur met gebruik van een non-contacting systeem dat de gehele vervorming in kaart brengt voordat verder wordt gegaan op dit spoor. Aanvullend op dat vervolg, kunnen conventionele triaxiaalproeven met centraal vervaardigde proefstukken en een beperkt aantal, goed gedefinieerde, wrijvingsreductiesystemen door verschillende partijen worden uitgevoerd om veel en gevarieerde data te verzamelen. De analyse van deze data, eventueel parallel aan numeriek onderzoek, brengt de kennis van en het inzicht in wrijvingsreductie bij triaxiaalonderzoek verder richting een definitieve keuze voor het te gebruiken systeem.