基于深度学习的沥青混合料裂纹扩展分类方法——通过不同温度与缺口深度下的循环SCB试验实现

《IEEE Access》：Deep Learning-Based Classification of Crack Propagation in Asphalt Mixtures Using Cyclic SCB Tests Under Varying Temperature and Notch Depth

　　

摘要：

本研究提出了一种基于数据驱动的框架，并结合断裂力学分析，利用半圆弯曲试验来研究沥青混合料的温度依赖性开裂行为。在不同缺口深度的半圆弯曲试样上进行了23°C和0°C条件下的测试，同时运用有效裂纹模型估算了弹性模量、断裂韧性和断裂能量等关键断裂参数，以此辅助分析裂纹的发展规律。研究结果表明，温度降低会增大断裂参数的波动幅度，其中弹性模量的敏感性最为显著，而断裂韧性的变化相对较小。为实现裂纹阶段的自动识别，研究人员开发了一种基于加权残差注意力机制的卷积网络，用于从半圆弯曲试验图像中识别裂纹特征。该模型在两种温度条件下的平均F分数和准确率均超过0.85，且性能比传统卷积神经网络高出约5–6%。研究结果表明，所提出的框架为裂纹发展阶段的识别提供了一种可靠的数据驱动方法，而断裂力学分析则为理解不同环境条件下的裂纹行为提供了物理依据。