机器学习与SHAP分析在塑料增强沥青混凝土马歇尔稳定性预测中的应用研究

为解决塑料废弃物管理和道路工程材料性能优化问题，研究人员采用机器学习算法（RF、GB、XGB、BR）结合SHAP分析，预测塑料增强沥青混凝土的马歇尔稳定性（MS）。研究表明XGB模型预测性能最优（R=0.95/0.84），并揭示塑料尺寸和沥青含量为关键影响因素，为可持续道路材料设计提供新思路。

　　

全球每年产生约3.6亿吨塑料废弃物，传统处理方式难以应对环境压力，而道路工程领域对高性能沥青混凝土的需求持续增长。塑料增强沥青混凝土（Plastic-reinforced asphalt concrete）作为一种潜在解决方案，其核心性能指标马歇尔稳定性（Marshall Stability, MS）的预测和优化成为研究热点。然而，传统实验方法耗时耗力，且缺乏对多因素交互影响的系统分析。

针对这一挑战，来自国内的研究团队在《Hybrid Advances》发表论文，首次将机器学习（Machine Learning, ML）与SHapley Additive exPlanations（SHAP）结合应用于MS预测。研究通过收集265组实验数据，涵盖沥青含量、塑料含量、骨料尺寸等关键参数，构建了随机森林（Random Forest, RF）、梯度提升（Gradient Boosting, GB）、极端梯度提升（eXtreme Gradient Boosting, XGB）和Bagging回归（Bagging Regressor, BR）四种模型，并采用网格搜索优化超参数。

关键技术包括：1）多源数据整合（来自8篇文献的265组实验数据）；2）机器学习模型训练与验证（70%训练集/30%测试集）；3）SHAP值计算解析特征重要性；4）不确定性分析评估模型鲁棒性。

研究结果部分：

1. ML模型性能比较：XGB在测试集表现最优（R=0.84，RMSE=2.38），误差分布集中在±15%内；BR模型误差最大（RMSE=2.453）。
2. 不确定性分析：XGB不确定性值最低（6.518），显著优于GBM（9.2）和RF（7.1）。
3. SHAP敏感性分析：塑料尺寸（SHAP值>1.2）和沥青含量为最关键参数，其正相关性与材料力学原理一致；骨料尺寸影响较弱。

结论表明，XGB模型能准确预测MS并识别关键控制因素，为塑料-沥青复合材料的配方优化提供数据驱动的方法论。该研究创新点在于：1）首次系统评估ML在塑料改性沥青领域的适用性；2）通过SHAP揭示非线性的参数交互效应；3）提出可推广的可持续道路材料设计框架。未来研究可纳入沥青级配、塑料类型等变量以提升模型普适性。

讨论部分强调，该方法较传统实验效率提升显著（单次预测耗时<1秒），且SHAP分析结果与已知材料科学机理吻合，如大尺寸塑料纤维的增强效应。研究成果对推动"以废治废"的绿色基建理念具有双重意义：既解决塑料污染问题，又提升道路工程的经济性和耐久性。