数据驱动的沥青混凝土介观结构精确重建自动建模技术

《Advances in Engineering Software》：Data-driven automated modeling technology for precision mesostructure reconstruction of asphalt concrete

【字体：大中小】 时间：2026年10月18日 来源：Advances in Engineering Software 6.3

编辑推荐：

　　 •利用深度学习和数字图像处理（DIP）方法开发了 AEUnet-DIP 代理模型。•利用几何相关性开发了 CT 图像的全角度校正建模方法。•验证了 AEUnet-DIP 代理模型在 AC CT 图像分割中的准确性和泛化能力。•展示了在保留轮廓细节的同时消除三维结构中的缺陷。•

•
利用深度学习和数字图像处理（DIP）方法开发了 AEUnet-DIP 代理模型。
•
利用几何相关性开发了 CT 图像的全角度校正建模方法。
•
验证了 AEUnet-DIP 代理模型在 AC CT 图像分割中的准确性和泛化能力。
•
展示了在保留轮廓细节的同时消除三维结构中的缺陷。
•
通过有限元模拟测试验证了所构建二维/三维模型的可用性。

引言

沥青混凝土（AC）在路面设计中通常被视为均质材料，其力学性能通常通过实验室测试来表征 [1,2]。实际上，AC 是由骨料、沥青砂浆和孔隙组成的非均质复合材料 [3,4]，其宏观响应强烈受到这些组分之间中观尺度相互作用的控制。因此，数值方法，特别是离散元方法和有限元（FE）方法，被广泛用于研究 AC 在中观尺度下的热力学和力学行为 [5,6]。准确的数值分析需要真实且可靠的 AC 细观结构表征。

现有的 AC 细观结构建模方法主要包括随机骨料生成、基于物理引擎的建模、基于机器学习的建模以及基于计算机断层扫描（CT）的数字图像处理（DIP），后者以下简称 CT-DIP。随机骨料生成根据预定义的骨料级配、形态和空间分布构建虚拟细观结构 [7,8]。最近的研究通过重分区算法和数字骨料库改善了虚拟骨料的几何真实性和生成效率 [9,10]。基于物理引擎的方法进一步将骨料运动、碰撞、堆积和压实引入虚拟细观结构生成 [11,12]。利用真实的骨料几何形状也证明了其在旋转压实中的适用性 [13]，而刚体动力学模拟已被用于重建稳定的三维（3D）骨料骨架 [14]。更新颖的算法进一步改善了虚拟沥青混合料中骨料骨架、砂浆和孔隙的表征 [15]，而物理引擎压实结合形态学重建实现了对三维骨料骨架的定量控制 [16]。这些方法提高了虚拟结构的物理真实性和可控性，但不能直接再现试样特定的细观结构。基于机器学习的方法提供了一种替代的数据驱动途径，通过学习图像特征与目标结构信息之间的关系 [17,18]。它们的效率促进了自动化图像处理，尽管结果映射仍依赖于训练数据的代表性。相比之下，CT-DIP 直接从实际试样中提取细观结构信息，可以更忠实地再现骨料形态和空间分布 [19,20]。因此，基于 CT 的细观结构已被用于多尺度数值分析 [21]、热机械损伤模拟 [22] 和内部结构分布的定量表征 [23]。CT 图像分析也已被广泛应用于骨料级配和空间表征 [24]。

二维（2D）图像分割的目的是从 CT 图像中提取骨料相，并为细观结构重建提供几何基础。传统的分割方法包括手动阈值设定、自适应阈值设定和基于形态学的图像处理。基于传统 DIP 的骨料分割仍然对图像质量和处理参数敏感 [25]。二维数字重建方法可以改善几何提取，但仍然需要针对图像特定的处理程序 [26]。Otsu 技术 [27] 自动确定分割阈值，但主要适用于具有明显双峰灰度分布的图像。对于具有非均匀灰度分布的 AC CT 图像，因此开发了基于分区的分割和图像处理程序 [28]。结合局部阈值和概率处理的多相分割方法进一步改善了骨料、沥青砂浆和孔隙的识别 [29]。然而，传统 DIP 方法通常仍然对灰度分布、试样几何形状和算法参数敏感。

近年来，深度学习（DL）越来越多地应用于 AC CT 图像分析。已开发出基于 DL 的网络用于 CT 图像增强 [30]，而卷积神经网络（CNNs）已被用于骨料边界识别 [31]。基于 CNN 的多相分割也被应用于表征沥青混合料压实过程中的细观结构演化 [32]。基于 U-Net 的分割方法进一步用于 AC X 射线 CT 图像分割和后续结构处理 [33]。最近，DL 分割已扩展到不同的骨料级配和细观结构组分 [34]，以及构建三维数字模型以跟踪压实过程中的骨料演化 [35]。DL 分割与三维重建的结合也实现了对细骨料基质孔隙及其演化的定量表征 [36]。进一步研究了体数据 CT 数据的直接分割以提高三维重建效率 [37]。这些方法提高了自动化程度和处理效率，但其性能从根本上受限于训练数据的数量、多样性和质量。有限的试样来源、扫描条件和标记样本可能导致学习到的映射无法充分代表骨料形态、灰度分布、试样几何形状和 CT 图像特征的变化。因此，分割准确性和泛化能力仍然对数据集质量敏感。因此，增加训练数据的多样性和提高标签可靠性对于开发鲁棒且可迁移的 AC CT 图像分割方法是必不可少的。

三维体素模型是通过沿扫描方向依次堆叠分割后的二维 CT 图像来重建的。然而，单个切片的准确分割并不一定确保重建三维结构中的几何一致性。相邻 CT 图像的独立处理忽略了它们固有的几何相关性，并可能引入局部不连续性，导致结构缺陷，如互连骨料、片状骨料和不完整骨料 [38]。手动校正效率低下且难以标准化。王等人开发了基于相邻 CT 图像间骨料相几何相似性的交集后形态学扩张（IMEX）和并集后形态学腐蚀（UMER）校正算法 [38]。这些方法有效地减少了规定校正方向上的缺陷，但对于分布在其他方向的缺陷仍然有限。重建细观结构的保真度特别重要，因为几何误差可能会传播到后续的损伤分析中，并改变预测的损伤萌生和演化 [39]。因此，需要一种更高保真度的校正策略，能够在保留骨料几何形状的同时解决空间分布的结构缺陷。

因此，本研究重点关注三个方面。为解决 AC CT 图像数据可用性有限的问题，开发了一种基于真实细观结构的全角度 CT 数据增强方法，以增加训练数据的数量和多样性。对于二维图像分割，开发了一种基于注意力增强 U-Net（AEU-Net）和 DIP 的 AEUnet-DIP 代理模型，以实现 AC CT 图像的高效准确分割。对于三维体素重建，开发了 CT 图像全角度校正建模程序，基于相邻 CT 图像间的几何相关性和坐标空间变换矩阵，在保留细观结构细节的同时减少结构缺陷。

章节片段

AC 试样制备

在本研究中，AC 被视为由粗骨料（粒径 > 2.36 mm）和沥青砂浆组成的颗粒增强材料，沥青砂浆由沥青结合料、矿物填料和剩余细骨料组成。为了评估所开发的 AEUnet-DIP 代理模型和 CT 图像全角度校正建模程序，采用 Superpave 压实方法制备了 AC 试样。公称最大骨料粒径（NMAS）为 13.2 mm，沥青结合料等级为 PG 58–22。

拟议方法

本节介绍了拟议的方法，包括用于三维体素模型的全角度 CT 方法、AEU-Net、AEUnet-DIP 代理模型和 CT 图像全角度校正建模程序。全角度 CT 方法支持数据集增强和三维体素模型的多方向校正。AEU-Net 用于从增强后的数据集中学习 CT 图像与分割结果之间的输入 - 输出映射，而 AEUnet-DIP 代理模型实现了 AC CT 图像的高效分割。

结果与讨论

本节中的所有计算任务均在高性能 Windows 10 计算机上完成，其核心配置如下：i5–13600 KF 3.5 GHz CPU，NVIDIA GeForce RTX 3080TI 12 G GPU，以及 32 G 6000 MHz DDR5 内存。

总结与结论

本研究提出了一种数据驱动的 AC 细观结构建模方法。具体来说，基于空间坐标旋转矩阵开发了一种全角度 CT 方法。同时，为了匹配大数据集的复杂映射关系，基于 AC CT 图像的数据特征和注意力机制提出了一种 AEU-Net。在二维图像分割中，基于监督学习和 DIP 技术开发并训练了 AEUnet-DIP 代理模型。为了应对

CRediT 作者贡献声明

Chao Wang：撰写 - 原稿，软件，方法论，调查。Yanan Wu：调查。Bingjin Ren：调查。Yiren Sun：监督，方法论，调查。Xingyi Zhu：撰写 - 审阅与编辑，监督，方法论，调查。Wei Wang：调查。Wei Wu：调查。