Bottom ash (BTA), a byproduct of burning coal in electric power plants, is often considered waste. Managing significant quantities of bottom ash remains a challenge. Laterite, commonly used in road construction, may not meet the required standards in some regions, necessitating the transport of higher-quality laterite from distant locations. This practice increases construction costs. This research explores the use of bottom ash and cement as replacements for laterite in pavement materials. The proportion of bottom ash used varied from 10 to 50% by dry weight of the laterite, while the cement contents were 1, 3, 5, and 7% by dry weight of the laterite-bottom ash mixture. The experiments included unconfined compressive strength, splitting tensile strength, California bearing ratio, and durability against wetting-drying cycles. The results indicate that the stabilised laterite significantly increases strength values—2 to 14 times greater than those of unstabilised laterite, with 20% bottom ash replacement yielding the best results. Microstructural analyses confirmed the strength test outcomes. Replacing laterite with bottom ash and cement proves to be a sustainable method for road construction, offering cost-effectiveness, conservation of natural resources, pollution reduction, and enhanced energy efficiency in accordance with the standards of the Department of Highways of Thailand.

Abstract As railway traffic volumes and train speeds increase, rail maintenance is becoming more crucial to prevent catastrophic failures. This study aimed to develop an artificial intelligence (AI)-based solution for automatic rail flaw detection using ultrasound sensors to overcome the limitations of traditional inspection methods. Ultrasound sensors are well-suited for identifying structural abnormalities in rails. However, conventional inspection techniques like rail-walking are time-consuming and rely on human expertise, risking detection errors. To address this, a hierarchical classification model was proposed integrating ultrasound B-scan images and machine learning. It involved a two-stage approach—model A for fuzzy classification followed by Model EfficientNet-B7 was identified as the most effective architecture for both models through network comparisons. Experimental results demonstrated the model's ability to accurately detect rail flaws, achieving 88.56% accuracy. It could analyze a single ultrasound image sheet within 0.45 s. An AI-based solution using ultrasound sensors and hierarchical classification shows promise for automated, rapid, and reliable rail flaw detection to support safer railway infrastructure inspection and maintenance activities.