《Applied Research》：Multi-Model Machine Learning Framework for Predicting Drainage Performance of Porous Asphalt Mixtures
编辑推荐：
多孔沥青混合料（PAM）（如开级配摩擦层（OGFC）和多孔沥青混凝土（PAC））因其优异的排水能力、降噪性能和抗滑性能而广泛应用于透水路面系统。PAM的排水性能受宏观尺度空隙特征和细观尺度孔隙结构影响。传统经验模型往往难以捕捉这些系统固有的非线性、多因素关系，
多孔沥青混合料（PAM）（如开级配摩擦层（OGFC）和多孔沥青混凝土（PAC））因其优异的排水能力、降噪性能和抗滑性能而广泛应用于透水路面系统。PAM的排水性能受宏观尺度空隙特征和细观尺度孔隙结构影响。传统经验模型往往难以捕捉这些系统固有的非线性、多因素关系，尤其是在实验室研究中典型的小样本情况下。本研究提出一个全面的多模型机器学习（ML）框架，利用11个可测量的空隙和孔隙特征预测四项关键排水性能指标——渗透系数、极限降雨强度、最大径流量和径流时长。研究人员在包含98个PAC-13/OGFC-13试件的标准化数据集上系统评估了九种回归算法，包括梯度提升回归（GBR）和Lasso。采用带有Ridge元学习器的堆叠集成（stacking ensemble）提升模型性能，在所有目标上实现了R2>0.999。置换重要性分析（permutation importance analysis）识别出连通空隙率、总空隙率和体积平均孔隙直径为最主要预测因子。该框架为通过数据驱动的排水性能预测优化PAM配合比设计提供了一种稳健、可解释且可复现的方法。
# 多孔沥青混合料排水性能预测的多模型机器学习框架研究解读
## 研究背景与问题
全球气候变化导致极端降雨事件频发，而城市中超过70%的不透水路面加剧了雨水径流，引发城市内涝、面源污染和热岛效应等问题。海绵城市建设中，透水路面系统通过连通空隙结构实现雨水就地入渗、蓄存和净化。多孔沥青混合料（PAM），包括开级配摩擦层（OGFC）和多孔沥青混凝土（PAC），因施工便捷、力学性能优异和与现有沥青系统兼容性好而被广泛应用。PAM的排水性能受宏观空隙参数（影响储水和入渗能力）与细观孔隙特征（控制水流路径和阻力损失）的多尺度耦合作用。然而，传统经验模型通常假设输入与输出间呈线性关系，对空隙表征中普遍存在的多重共线性敏感；现有经验模型多在有限数据集上校准，泛化能力不足；且多数研究仅关注渗透系数这一单一指标，忽略极限降雨强度和径流动态等海绵城市设计必需的关键指标；先进预测模型的黑箱特性也限制了其在工程实践中的可接受性。因此，亟需一种能捕捉非线性、多因素关系且具备物理可解释性的稳健预测方法，机器学习（ML）为此提供了可行的技术路径。
## 研究内容与总体结论
研究人员构建了一个包含98个PAC-13和OGFC-13实验室试件的标准化数据集，整合11个宏观空隙和细观孔隙描述符与4项排水性能指标（渗透系数k、极限降雨强度Ilim、最大径流量Qmax、径流时长T）。系统比较了九种回归算法，并构建了两层堆叠集成框架，最终在所有目标上实现R2>0.999的预测精度。置换重要性分析识别出连通空隙率（Vc）、总空隙率（VV）和体积平均孔隙直径（Dv）为主导预测因子，为PAM配合比优化提供了数据驱动的工程指导。
## 关键技术方法
样本依据中国技术规范JTG/T 3350-03-2020制备，采用马歇尔击实法成型（φ101.6mm×63.5mm，双面各75次）。宏观空隙参数依据JTG E20-2011通过体积法测定。细观孔隙结构采用工业X射线CT扫描（160kV、180μA、130μm体素分辨率）获取试件中部30mm断面，经Avizo软件进行降噪、孔隙-集料分离和三维孔隙网络建模。排水性能测试包括常水头渗透试验（k）和降雨模拟试验（Ilim、Qmax、T），50年和100年设计降雨参数依据当地暴雨强度公式确定。机器学习建模在Python 3.10环境完成，超参数经网格搜索优化，数据集按80%/20%分层随机划分（以PAM类型为分层变量），输入特征标准化，输出目标保持原始物理单位。
## 研究结果
**相关性分析（3.1节）**：Pearson相关分析显示总空隙率（VV）与连通空隙率（Vc，r=0.96）及矿料间隙率（VMA，r=0.94）高度正相关，表明PAM总空隙空间主要由连通排水空隙和集料间隙构成。体积平均孔隙直径（Dv）与VV正相关（r=0.85），与4-8mm孔隙占比（P4-8）中度负相关（r=-0.73）。横向空隙梯度（Gx）与几乎所有特征弱相关（|r|<0.3），说明水平空隙异质性是独立结构特征，为框架提供了非冗余预测信息。
**单模型性能比较（3.2节）**：梯度提升回归（GBR）对k和Ilim预测最优，R2分别为0.9997和0.9996，RMSE分别为8.42mL/min和0.005mm/min，体现了顺序残差纠正机制对孔隙连通性、孔径分布与渗流阻力非线性耦合关系的有效建模。Lasso回归对Qmax和T预测最优，R2分别为0.9998和0.9996，RMSE分别为3.06mL和0.29min，表明储水与释放行为主要受少量主导空隙特征控制，L1惩罚有效滤除冗余特征。随机森林（RF）在所有目标中均表现良好；支持向量回归（SVR）和多层感知器（MLP）性能略低，与有限样本量下核参数和网络权重优化受限有关。
**堆叠集成性能（3.3节）**：两层堆叠集成以Ridge回归为元学习器（正则化参数α=1.0），在OOF预测上训练，实现R2>0.999且RMSE较最优单模型降低5%-15%。元学习器自适应分配权重：GBR和Lasso获得最高权重（k中分别0.42和0.28；Qmax中分别0.38和0.31），SVR和MLP权重较低。集成策略综合了树模型的非线性捕捉能力、线性模型的稳定基线趋势和核方法的局部插值能力，构建了统一的多指标预测工具。
**特征重要性分析（3.4节）**：置换重要性分析表明，对k和Ilim预测，Vc是最关键特征（重要性0.38），其次为VV（0.24）和Dv（0.18），与多孔介质理论和Hagen-Poiseuille原理一致。对径流指标Qmax和T预测，VV和Vc仍为主导，竖向空隙梯度（Gy）对T显示中等重要性（0.12），表明竖向空隙异质性影响长历时降雨中的持留-释放动态。矿料间隙率中沥青填隙率（VFA）呈负重要性，说明过量沥青填充空隙会削弱储水能力。偏依赖图（PDP）进一步显示Vc和Dv对k、Ilim呈正边际效应；VV和Vc对Qmax呈负效应；Gy对T呈非线性效应。
**预测与实测对比（3.5节）**：最优模型的奇偶图数据点紧密聚集于1:1参考线，无系统性高估或低估。仅在极高渗透区域（k>1800mL/min）存在轻微离散，对应粗集料主导的高孔隙率试件，其孔隙连通性微变导致排水能力显著波动，属物理固有变异而非模型失效。
**多目标比较与实践意义（3.6节）**：所有模型-目标组合的R2均高于0.997，证实11个空隙和孔隙描述符能充分涵盖PAM从瞬时入渗到长期径流调节的水文行为。工程上可利用单一可测参数集同时优化渗透性、抗雨能力与径流控制，避免各性能指标分别设计迭代。配合比设计应优先优化Vc和VV，可采用更粗集料级配、减少细集料含量和控制沥青膜厚度实现。
## 讨论与结论总结
研究讨论指出，置换重要性反映模型预测对特征扰动的敏感性，识别出的主导变量应视为关键预测因子而非直接因果关系；PDP结果属于模型边际响应而非严格因果推断。该框架可复现、模型无关且可扩展至多种路面工程应用。研究结论可概括为：GBR是渗透系数和极限降雨强度的最优预测模型，Lasso是最大径流量和径流时长最优模型；两层堆叠集成显著提升泛化性能，R2>0.999且RMSE降低5%-15%；Vc、VV和Dv是最具模型重要性的预测因子，优先优化连通空隙率和总空隙率、控制沥青膜厚度可有效提升PAM排水能力。未来研究应扩展试件和材料类型覆盖范围，结合物理信息机器学习与长期性能因素，进一步增强多孔路面的预测能力。
