基于机器学习的温拌再生沥青与集料间粘附特性预测模型

《Journal of Cleaner Production》:Prediction model for adhesion characteristics between warm-mix recycled asphalt and aggregate based on machine learning

【字体: 大 中 小 】 时间:2026年07月30日 来源:Journal of Cleaner Production 10.7

编辑推荐:

  •通过微观特征与粘附力研究,一种预测模型揭示了RAP温拌沥青设计中的协同效应。引言在国家双碳目标的指引下,近期研究愈发重视沥青材料的可持续性及其对环境的影响。例如,生命周期评估方法被广泛用于评价沥青路面的环境效益,并为可持续材料设计提供指导(Wu等人,2025;Afshin和Be

  
  • •
    通过微观特征与粘附力研究,一种预测模型揭示了RAP温拌沥青设计中的协同效应。

引言

在国家双碳目标的指引下,近期研究愈发重视沥青材料的可持续性及其对环境的影响。例如,生命周期评估方法被广泛用于评价沥青路面的环境效益,并为可持续材料设计提供指导(Wu等人,2025;Afshin和Behnood,2025)。此外,再生沥青路面也被视为实现资源节约和碳排放减少的重要途径,不过在平衡性能与耐久性方面仍存在挑战(Sukhija和Coleri,2025)。除再生沥青外,磷石膏等其他废弃物衍生材料也展现出潜力,但需通过化学稳定处理来解决因水分导致的耐久性问题(Huang等人,2025a)。这些研究结果共同表明,在沥青研究中将性能预测与可持续性考量相结合十分重要。
温拌沥青技术因其能够降低混合与压实温度、减少能源消耗与温室气体排放,以及提高再生沥青的掺量,而展现出广泛的应用前景(Radziszewski等人,2023;Jiang等人,2021;Chinaa;Chinab)。然而,再生沥青中老化沥青、新添加沥青与集料之间的界面粘附力仍是关键瓶颈。尤其是温拌沥青添加剂所带来的复杂界面效应,进一步限制了该技术在高比例再生沥青回收系统中的应用(Sobhi等人,2020;Huang等人,2025b;Zhang等人,2022)。粘附力不足会导致在湿气与机械作用共同作用下路面过早出现车辙、表面松散等问题,进而影响结构性能与长期耐久性(Shi等人,2020)。其他功能性沥青系统中也存在类似的粘附问题。例如,在含有封装修复剂的自修复沥青中,修复剂胶囊的行为及后续的扩散过程很大程度上取决于胶囊外壳与沥青基体之间的界面相容性(Lu等人,2025)。同样,在用于隧道路面的阻燃沥青中,阻燃剂与沥青之间的弱界面粘附会降低其力学性能并增加烟雾排放量(Jiang等人,2025)。因此,解决界面粘附问题是各类沥青材料创新中的共同课题。
目前,关于温拌再生沥青技术的研究主要集中在宏观性能评估与优化方面。众多研究探讨了不同温拌添加剂,如发泡剂、有机减粘剂和表面活性剂,对沥青混合物高温稳定性、低温抗裂性及水稳定性的影响(Li等人,2021、2022;Liang等人,2023;Tembe等人,2023)。Chen等人(2022)指出有机减粘剂会对温度依赖性性能产生显著影响,而Kusam等人(2017)与You等人(2017)则发现,泡沫型温拌再生混合料的耐水性通常低于热拌型混合料。尽管这些研究证实了添加剂类型与施工工艺的重要性,但背后的微观机制,尤其是沥青与集料之间的界面相互作用,仍缺乏深入理解。此外,传统方法难以同时考虑沥青成分、集料特性及表面形貌之间的耦合效应,导致粘附力预测仍主要依赖经验方法。需要说明的是,相变材料这类功能性添加剂也会带来复杂的界面效应,其含量需精心控制才能兼顾性能与相容性(Wang等人,2025a)。同样,聚合物改性不仅能提升材料力学性能,还能显著减少有机挥发物排放并改善界面特性(Zhang等人,2025)。这些研究进一步表明,深入理解沥青与添加剂、沥青与集料之间的界面行为,对于设计高性能、低排放的沥青材料至关重要。
为更好地了解沥青与集料之间的界面行为,研究人员开发了多种评估方法,从早期的定性技术,如沸水试验和光电比色法(Bagshaw等人,2021;Cheng,2016),发展到基于表面自由能理论(Cao等人,2021;Wang等人,2017)以及机械拉伸试验(Gou等人,2025a;?zgan,2009)的定量分析方法。随着微观结构表征技术的进步,原子力显微镜、傅里叶变换红外光谱、X射线光电子能谱和扫描电子显微镜等分析工具被广泛用于研究沥青的化学组成、功能基团以及集料表面特性(Yin等人,2017;Peng等人,2022)。例如,Xu等人(2016)利用原子力显微镜探针研究了纳米尺度下的沥青与集料相互作用,而Zhou等人(2020)则结合扫描电子显微镜与分子动力学模拟,分析了沥青组分与集料粗糙度对粘附力的影响。这些研究表明,粘附性能受沥青成分、流变特性以及集料物理化学性质等多种因素的耦合作用共同影响。不过,当前研究多集中于机制探索,将多源、多尺度的微观参数整合到粘附性能的定量预测模型中,仍是亟待解决的重大研究缺口。
人工智能技术的快速发展推动了机器学习作为解决复杂非线性问题强大工具的应用。机器学习技术已被成功用于预测沥青混合料的动态模量与马歇尔稳定性(Ghritlahre和Prasad,2018;Gopalakrishnan和Kim,2011;?zgan等人,2012;Serin等人,2014;Marcelino等人,2021a;?zgan,2009),以及沥青粘结料的粘度与性能随时间的变化情况(Rostami等人,2018;Baghban和Khoshkharam,2016;Botella等人,2022)。以往研究显示,人工神经网络、支持向量机和随机森林模型的预测性能优于传统回归方法(Marcelino等人,2019;Wang等人,2025b)。这些结果表明,机器学习能够从高维度、异构的数据集中学习并建立准确的预测模型,从而为构建基于微观结构的沥青与集料粘附预测模型提供新的思路和方法支持。此外,将机器学习与生命周期评估及实时数据相结合的潜力也已被认可,这类方法可实现动态的环境影响评估与预测性情景建模,进一步推动可持续路面设计的发展(Sukhija和Coleri,2025)。
近年来,越来越多的研究开始注重将微观特性纳入沥青材料性能的预测之中。分子动力学模拟和原子力显微镜等技术被用来揭示分子结构与表面形貌对沥青与集料粘附行为的影响,而机器学习模型则被用于根据材料成分与实验参数预测性能,其在捕捉复杂非线性关系方面表现出较强能力(Cui等人,2022a;Gou等人,2025b;Marcelino等人,2021b)。然而,将多源微观参数整合到统一的建模框架中仍有不足。因此,仍需一种系统化的方法,将多尺度微观表征与先进的机器学习技术相结合,以提高预测精度并增强机制的可解释性。
因此,本研究旨在准确量化温拌再生沥青与集料界面处的粘附性能,并揭示这些相互作用背后的主导机制。为此,研究提出了基于机器学习的预测框架。首先,利用原子力显微镜的力曲线来量化粘附功。为表征沥青与集料的微观结构特性,研究采用了包括原子力显微镜、傅里叶变换红外光谱、凝胶渗透色谱和X射线衍射在内的一组分析技术。其次,通过皮尔逊相关系数与距离相关分析筛选出用于模型输入的关键特征参数。最后,分别构建了卷积神经网络、反向传播神经网络和Elman神经网络三种机器学习模型,并对其进行了性能评估,以选出最优的预测模型。本研究旨在为温拌再生沥青混合料的材料设计及性能优化提供精确可靠的理论基础与技术支撑,其主要研究框架如图1所示。

章节要点

材料

本实验使用了70#基质沥青、老化沥青以及三种温拌添加剂,分别是Sasobit REDUX、Evotherm M1和Evotherm J1-C。70#沥青由重庆重交再生资源开发有限公司提供,其各项性能指标均符合中国《公路沥青路面施工技术规范》(JTG F40-2023)中的要求。该沥青经过了旋转薄膜烘箱试验进行的短期实验室老化处理

粘附性能变化趋势

如图6所示,石灰石的粘附功明显高于玄武岩(见图5)。这一现象主要是由于石灰石表面呈碱性,能够与沥青中的酸性成分发生更强的酸碱化学反应,而这类反应在石灰石与沥青的体系中起主导作用。随着沥青的老化,其粘附功会出现整体下降,这说明老化会削弱这种粘附作用的效果

结论

本研究构建了温拌再生沥青与集料混合物的微观结构及粘附性能数据库。通过数据预处理与特征优化,确定了影响粘附性能的关键参数。在此基础上,研究了三种神经网络模型,包括卷积神经网络、反向传播神经网络和Elman神经网络,并对它们进行了比较。通过网格搜索与交叉验证实现了超参数优化,最终确定了最优的预测模型。其中关键

CRediT作者贡献说明

Shengjie Cheng:数据整理、正式分析、研究调查、方法设计、软件应用、初稿撰写、论文修改与润色。Peng Guo:资金筹集、研究调查、方法设计、项目管理、资源协调、研究指导。Yuhong Luo:数据整理、软件应用、初稿撰写。Chenguang Shi:方法设计、研究指导、模型验证、论文修改与润色。Junfeng Gao:方法设计、研究指导、模型验证、论文修改与润色。Yongsheng Yao:方法设计,

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了重庆市研究生科研创新计划(编号:CYB260272)、国家自然科学基金(编号:51708072)以及重庆市研究生联合培养基地建设项目(编号:JDLHPYJD2020013;编号:JDLHPYJD2021010)的资助。作者们对各位资助方的支持表示衷心的感谢。
Shengjie Cheng|Peng Guo|Yuhong Luo|Chenguang Shi|Junfeng Gao|Yongsheng Yao
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号