《Cleaner Materials》：Image-driven feature mining for elastic modulus prediction in asphalt concrete
编辑推荐：
沥青混凝土（AC）是一种非均质集料-砂浆材料，其有效力学性能强烈受细观结构几何和组成材料性能的控制。建立真实细观结构与弹性模量之间的定量关系对于减少实验成本和提高材料设计效率至关重要。本研究提出了一种基于真实细观结构图像的图像驱动正向预测和反向分析框架，用于A
沥青混凝土（AC）是一种非均质集料-砂浆材料，其有效力学性能强烈受细观结构几何和组成材料性能的控制。建立真实细观结构与弹性模量之间的定量关系对于减少实验成本和提高材料设计效率至关重要。本研究提出了一种基于真实细观结构图像的图像驱动正向预测和反向分析框架，用于AC的弹性模量评估。研究人员开发了一种细观结构图像样本生成算法，以扩展来自计算机断层扫描（CT）图像的现实数据集，并建立了一个自动化的基于图像的有限元（FE）建模框架来生成弹性模量标签。通过整合真实细观结构几何、组成材料性能和FE分析，构建了一个离线细观结构图像-弹性模量数据库。基于该数据库，研究人员开发了一种基于卷积神经网络（CNN）的预测方法，以高效估计独立AC细观结构的弹性模量，同时引入了一种基于梯度的反向分析方法来识别关键的细观几何贡献因素。结果表明，所提出的框架能够实现从真实细观结构图像到弹性模量的高效映射，并提供关于全局和局部细观结构变化影响的可解释信息。通过减少对重复试样制备和力学测试的依赖，该方法可以降低材料消耗、测试成本和实验废物，从而支持更清洁、更资源高效的AC材料设计。
**论文解读**
**研究背景与问题**
复合材料的设计与优化对于实现资源高效和可持续的工程系统至关重要。传统材料开发过程严重依赖重复的实验测试和经验设计方法，这些方法耗时、耗能且伴随大量材料浪费。沥青混凝土（AC）作为一种典型的颗粒增强复合材料，其细观结构由粗集料（CA）和沥青砂浆（AM）组成，具有高度异质性和复杂的几何形态。现有的预测方法主要分为两类：一类基于抽象描述符（如级配类型、体积分数），但无法捕捉细观的详细几何特征，导致精度有限；另一类基于图像直接预测，但由于真实细观结构图像获取困难且数据标准化复杂，现有研究多依赖于随机生成的虚拟图像，其形态真实性不足，且缺乏将预测结果反馈到结构优化中的反向分析能力。因此，亟需开发一种基于真实细观结构图像的、兼具正向预测和反向特征挖掘功能的方法，以减少实验负担并提高材料设计效率。
**研究内容与意义**
Chao Wang等人（同济大学）提出了一种图像驱动的正向预测与反向分析框架，用于基于真实细观结构图像的AC弹性模量评估。该框架集成了细观结构图像样本生成、自动有限元建模、数值模拟和卷积回归，构建了离线图像-模量数据库，实现了从真实AC细观结构到有效弹性模量的高效映射。通过考虑组成材料性能和细观结构几何，该方法不仅能预测弹性模量，还能识别关键的细观结构贡献因素。该研究发表在《Cleaner Materials》，从清洁材料开发的角度，为减少重复试样制备和力学测试提供了数字化工具，有助于降低材料消耗、测试成本和实验废物。
**关键技术方法**
研究采用以下主要技术：①细观结构图像样本生成算法：基于CT图像的三维体素重建和沿任意方向的高保真重切片，通过空间坐标矩阵变换（旋转角α和β，间隔20°）生成6755张新图像（初始750张），利用相似性评价指数（SEI）控制冗余（Δl≥1.0 mm，SEI<0.75）。②自动化图像有限元建模程序：将图像转化为有限元（FE）模型，采用CPS3和CPS4R单元离散CA和AM相，施加边界条件计算有效弹性模量，平均每样本处理时间约67秒，生成6746对图像-模量数据，并通过与实验测量值对比验证（图12）。③卷积神经网络（CNN）预测模型：比较五种架构（AlexNet、DenseNet、EfficientNet、InceptionNet、VGGNet），选择DenseNet进行训练（超参数：70%训练、10%验证、20%测试，批大小32，学习率0.0005，25个周期），输出层采用全局平均池化和线性回归，数据归一化基于CA和AM弹性模量。④梯度反向分析：基于像素级显著性图（式12）和Grad-CAM热图（式13-14），定位细观结构中对弹性模量贡献最大的区域。样本来源于同济大学制备的密级配AC圆柱体试件（高75 mm，直径75 mm），CT扫描获得750张切片（Δl=0.1 mm），基于PG 58-22沥青（含4%油石比）和Li & Metcalf (2005)的级配设计。
**研究结果**
3.1 正向预测的准确性和泛化性
通过对比五种CNN架构，只有DenseNet有效捕捉了细观结构图像与弹性模量之间的隐式映射，预测值与实验测量值紧密吻合，决定系数R2∈(0.97, 0.99)。AlexNet、InceptionNet和VGGNet的R2∈(0.50, 0.75)且散点分布不规则；EfficientNet的R2<0。在多温度条件下（5°C、10°C、15°C、20°C、25°C）对DenseNet进行训练和验证，R2始终在0.95–0.99之间，表明模型具有良好的泛化性。
3.2 全局和局部图像变化对AC弹性模量预测的影响
全局变化方面：通过测试集样本验证，粗集料比例与预测弹性模量呈明显正相关，模型能够合理区分不同细观结构的力学响应。局部变化方面：引入小集料移除比例（FRSA）和归一化弹性模量（NEM）分析。当FRSA<50%时，移除的集料最大粒径约1.45 mm，NEM保持在95%以上，表明模型对局部图像处理误差（小集料漏检）具有鲁棒性；当FRSA>75%时，移除的集料最大粒径达2.65 mm（接近AM定义中的细集料上限），NEM降至90%以下，预测精度显著下降。
3.3 AC弹性模量几何贡献者的多尺度逆分析
基于梯度反向分析，对六个代表性样本进行了区域尺度和像素尺度分析。区域尺度结果表明，对弹性模量贡献显著的集料并非随机分布，而是呈现聚类和连通性，共同形成载荷传递集料骨架（LBAS）。像素尺度分析显示，高贡献像素主要集中在LBAS的集料-砂浆界面，表明集料轮廓几何也是重要影响因素。弹性应力分布验证了LBAS是主要传力通道。进一步通过多边形拟合集料轮廓，引入多边形边数（NPE）分析，当NPE=25时，NEM稳定在约99.5%，表明为准确表征细观结构，多边形边数应≥25。
**讨论与结论**
研究结果表明，所提出的框架在正向预测中实现了R2>95%的精度，显著降低了复合材料性能评估的时间和成本；反向分析准确识别并定位了控制有效力学性能的关键细观结构几何因素。为避免数据冗余，CT图像间隔不应小于1.0 mm（对应SEI<0.75）。为确保预测结果可靠性，图像获取和处理中应保留粒径大于1.45 mm的集料。当使用多边形模型表示集料轮廓时，边数不应小于25。这些结论基于线性弹性假设下的单一AC混合料，未来工作将扩展至粘弹塑性力学模型及多因素耦合服役条件。
**研究结论翻译**
（1）建立了一种基于真实细观结构图像的复合材料弹性模量正向预测和反向分析方法。在正向预测过程中，从真实细观结构图像直接预测力学性能，R2持续超过95%，同时显著降低了复合材料性能评价所需的时间和经济成本。在反向分析过程中，准确识别并定位了控制复合材料有效力学性能的关键细观结构几何因素。（2）开发了一种细观结构图像样本生成算法，实现了AC细观结构图像数据集的高效稳定扩展。验证结果表明，增强图像包含了额外的细观结构几何信息，当这些图像用于神经网络训练时，预测精度显著提高。（3）提出了一种基于图像的高保真建模方法，实现了颗粒增强材料细观结构图像到有限元模型的准确高效转换，在实际应用中的建模成功率达99.9%。（4）为避免数据冗余或过度相似导致无效训练，当使用连续CT图像进行网络训练时，相邻CT图像之间的切面间隔不应小于1.0 mm。（5）局部细观结构变化对力学性能预测精度有不利影响。为确保预测结果的可靠性，在细观结构图像获取和处理过程中应保留粒径大于1.45 mm的集料。（6）当使用多边形模型表示真实AC细观结构中的集料轮廓时，为充分表征集料几何特征，多边形边数不应小于25。
