通过一种新型生成算法和虚拟筛分方法，开发出用于沥青混合料的高保真数字集料数据库

《Powder Technology》：Development of high-fidelity digital aggregate database for asphalt mixture through a novel generation algorithm and virtual sieving approach

数字集料数据库构建与验证研究提出基于图像采集、生成算法和虚拟筛分的高保真集料建模框架，通过AIMS系统量化12种粒径集料的2D形态学特征，创新性研发了识别-分割-拼接生成算法，并采用Bhattacharyya系数实现几何一致性筛选。基于GFDZ模型开展有限元动态模量模拟验证，结果显示误差范围0.38%-8.41%，较传统椭圆模型精度提升显著，有效解决了形态学保真与统计多样性平衡难题，为沥青混合料多尺度模拟奠定基础。

　　

刘子阳|张德润|刘汉琦|席雷|徐 Song|梁胜

中国湖北省武汉市华中科技大学土木与水利工程学院

摘要

生成能够捕捉真实骨料颗粒形态特征的数字骨料在沥青混合料的数值模拟中起着至关重要的作用。然而，现有技术在平衡形态真实性和统计多样性方面存在挑战。本研究提出了一个综合框架，用于开发高保真度的数字骨料数据库，该数据库整合了图像采集、生成算法和虚拟筛分技术。首先，利用骨料图像测量系统（AIMS）收集了12个粒径等级（0.075–31.5毫米）的骨料图像，以量化其关键形态特征。随后发明了一种基于识别-分割-拼接的新生成算法来生成大量骨料颗粒。接着开发了一种虚拟筛分策略，在通过Bhattacharyya系数（BC）保持统计多样性的同时消除几何异常值。为了验证所开发数字骨料数据库的可靠性，最终将其纳入有限元建模框架中，用于AC-25沥青混合料的动态模量模拟。模拟结果表明，新的数字骨料模型具有较高的预测准确性，误差范围为0.38%至8.41%，优于简化的椭圆形骨料模型（误差范围为12.36%–25.08%）。此外，还证明了新开发的数字数据库能够有效捕捉骨料在沥青混合料中的关键骨架互锁效应。为此，本研究中提出的虚拟筛分方法可用于生成高保真度的数字骨料，为沥青混合料的数值模拟奠定了坚实的基础。

引言

多尺度模拟被广泛认为是连接复合材料（如沥青混凝土、水泥混凝土和碎石基层）微观和宏观性能的桥梁。准确表征复合材料中关键组分的形态特征和分布模式对于实现多尺度模拟至关重要[1]、[2]、[3]。骨料作为路面材料的核心骨架结构，已被确定为多尺度模拟中的关键元素[4]、[5]、[6]、[7]。多尺度模拟的准确性在很大程度上取决于骨料形态特征的精确度[8]。如果这些形态特征捕捉不足，可能会导致骨料骨架内部微观接触力的错误传递，进一步导致沥青混合料的宏观性能预测与其实际行为产生偏差。因此，准确表征骨料的形态特征以及基于真实骨料建立数字数据库是确保沥青混合料多尺度建模准确性的必要前提。

传统数字骨料数据库的建立主要依赖于实验室手工筛分和测量骨料的片状性和延展性指标。显然，这种传统方法存在明显的局限性和固有缺陷，如高度主观性、低操作效率和较差的可重复性[9]、[10]、[11]、[12]。相比之下，数字骨料技术利用计算机视觉和模拟技术，能够高效、精确且自动化地表征形态特征，极大地推进了建筑材料的多尺度性能预测[13]、[14]、[15]、[16]、[17]。

研究人员广泛研究了基于图像的技术，现有的数字方法通常可以分为两类[5]、[18]、[19]、[20]、[21]、[22]。第一类涉及基于图像的重建，利用先进的成像技术捕捉真实骨料的2D/3D形态特征。骨料图像测量系统（AIMS）是一种在路面工程中广泛采用的分析工具，它利用高分辨率成像系统地捕捉和量化不同粒径骨料的二维形态特征。通过这种方法，研究人员对骨料的二维形态特征进行了深入探索[19]、[23]、[24]、[25]、[26]。钻孔相机也被用来获取水泥混凝土中粗骨料的形态特征，建立了整合均匀性和级配参数的数据库，用于结构性能评估[27]。计算机断层扫描（CT）用于提取骨料的3D信息。通过将计算机视觉算法与其他计算方法相结合，学者们成功建立了包含1442个骨料的数据库[18]，实现了与真实骨料高度相似的数字模型的无损重建。激光扫描也被用于量化表面纹理，实验和模拟研究验证了其可行性[6]。尽管这些方法能够确保形态真实性，但它们存在测试成本高、数据采集周期长以及由于物理样本数量有限而导致样本多样性受限的局限性。第二类是算法驱动的随机生成方法，该方法采用参数建模或轮廓重组来创建随机骨料。例如，MOA（法语缩写为Random Object Modeler）软件已被用于生成多面体骨料模型，以研究沥青混合料的粘弹性特性[11]。一些其他研究通过分割和拼接2D轮廓来开发新的数字骨料，实现了模拟结果与实验结果之间的高一致性[28]。此外，一些学者尝试通过将骨料轮廓简化为多面体或多边形来构建数字骨料数据库[29]、[30]、[31]。他们通过扫描技术获取骨料的3D或2D图像，然后通过切割和拉伸形成封闭的多边形或多面体骨料。这种方法有效地加速了数字骨料的生成。然而，所获得的数字骨料与真实骨料之间的一致性仍有待商榷。为确保这些生成数字骨料的准确性和合理性，解决筛分问题已成为一个重要的研究焦点。虚拟筛分是指通过计算方法对生成的数字骨料进行筛分，以选择合格的骨料。广义而言，主流的虚拟筛分方法可以分为两类：数值模拟筛分和数学统计筛分。数值模拟筛分通过在模拟软件中构建虚拟筛网来复制物理筛分[32]。尽管这种方法与实际情况非常相似，但它消耗了大量的计算时间和资源。相比之下，统计筛分通过分析来自数字数据集的形态分布模式来选择骨料[6]、[27]、[33]。一些研究人员直接通过实验数据的统计直方图分析来分析骨料的关键形态指标，如延展率、扁平率和球形度，从而为这些参数建立了特征分布范围。此外，研究人员成功生成了形态特征符合定义阈值范围的随机数字骨料[6]、[19]。然而，所建立的骨料形态模式往往缺乏科学验证，不足以解释这种分布规律性。此外，定义不同粒径下筛分阈值的系统标准尚未得到探索。

总之，当前建立数字骨料数据库的方法面临一个根本性的困境：在形态真实性和统计多样性之间取得平衡。一方面，基于图像的重建技术虽然真实，但资源密集且通常受到样本数量有限的限制。另一方面，随机生成方法尽管计算效率高，但往往偏离实际形态分布。为了弥合这一差距，本研究提出了一个综合框架，整合了高通量图像分析、组合生成、虚拟筛分和多尺度模拟验证。首先，使用AIMS系统量化整个粒径范围（0.075–31.5毫米）内关键二维形态指标的变化。随后，使用识别-分割-拼接算法开发大规模数字骨料数据库，然后通过虚拟筛分确保几何保真度。最后，通过在AC-25沥青混合料上进行虚拟动态模量测试来验证构建数据库的可靠性。

测试材料

本研究使用的骨料来自中国南部的一个采石场，为石灰岩。它们被分为四个主要粒级：0–5毫米、5–10毫米、10–20毫米和20–30毫米。为了确保图像分析的准确性，原始骨料进一步被筛分为十二个更细的等级，以便后续测试：0.075–0.15毫米、0.15–0.3毫米、0.3–0.6毫米、0.6–1.18毫米、1.18–2.36毫米、2.36–4.75毫米、4.75–9.5毫米、9.5–13.2毫米、13.2–16.0毫米、16.0–19.0毫米、19.0–26.5毫米和26.5–31.5毫米。

骨料特征采集测试

在本研究中，

提出的骨料形态指标

为了便于分析骨料的形态特征，本研究采用了一组统一的二维形态指标来评估不同粒级的骨料。这些指标包括二维形态指数（F_2D）、圆度、角度和长宽比（AR）。

• (1)
  F_2D

F_2D是一个基于骨料半径增量变化的二维形态指数，通过公式（1）计算得出[15]。较高的值表示骨料颗粒

F_2D描述了骨料的二维形态，根据骨料半径的增量变化计算得出。较高的值表明骨料颗粒

图8展示了细骨料（a）和粗骨料（b）的F_2D结果。对于细骨料（图8a），F_2D与颗粒尺寸呈正相关

图8展示了细骨料（a）和粗骨料（b）的F_2D结果。对于细骨料（图8a），F_2D与颗粒尺寸呈正相关

广义分数微分Zener（GFDZ）模型

基于这些考虑，并参考作者之前的工作[39]，引入了广义分数微分Zener（GFDZ）模型。该模型能够表征沥青材料的非对称动态粘弹性性能，同时描述纯粘性流动和非对称粘弹性特性。GFDZ模型的示意图和本构方程如下：

$\backslash sigma\_t\; =\; \backslash frac\{\backslash mi\{E\}\_1\; +\; \backslash frac\{1\}\{\backslash mi\{E\}\_2\; +\; \backslash frac\{1\}\{\backslash mi\{E\}\_3\; +\; \backslash tau\_1\backslash alpha\; D\_0\; RL\_t\; \backslash alpha\}\{\backslash frac\{1\}\{\backslash mi\{E\}\_3\; +\; \backslash tau\_1\backslash beta\; D\_0\; RL\_t\; \backslash beta\}\; +\; \backslash frac\{1\}\{\backslash mi\{E\}\_3\}$

其中，