钢渣超薄磨耗层抗滑性能演化及基于XGBoost-SHAP框架的影响分析

《Applied Research》：Evolution and Influence Analysis of Skid Resistance Performance in Steel Slag Ultra-Thin Wearing Course Based on XGBoost-SHAP Framework

　　

摘要：将钢渣作为天然骨料的替代材料应用于超薄磨耗层（UTWC）中，为路面养护提供了一种可持续的途径。然而，在多因素荷载作用下抗滑性能的演化过程仍缺乏充分量化。本研究引入了一种可解释的机器学习框架，将极端梯度提升（XGBoost）与SHapley Additive exPlanations（SHAP）相结合，用于预测和解释经受MLS11加速加载的钢渣沥青混合料的抗滑性能衰减。研究人员构建了一个包含24个试件168个观测值的数据集，涵盖三个钢渣替代率及七个加载阶段，纳入了材料组成、集料细观形态、路面表面纹理和加载历史等变量。研究人员采用严格的组感知训练-测试划分策略评估了四种预测模型：多元线性回归（MLR）、支持向量回归（SVR）、随机森林（RF）和XGBoost。在评估的模型中，RF取得了最高的原始预测精度，而XGBoost表现出相当的性能，其决定系数（R2）为0.979，均方根误差（RMSE）为1.202，平均绝对百分比误差（MAPE）为1.64%。考虑到XGBoost具有接近最优的预测精度、内置正则化以及强大的SHAP框架兼容性，研究人员将其选为后续可解释分析的主要模型。依赖图揭示了显著的非线性饱和效应，BPN衰减在前20×104次循环内急剧加速后趋于稳定。钢渣含量表现出阈值效应，超过该阈值后额外的抗滑改善效果减弱。局部SHAP瀑布分解表明，高Rz和低N值有助于提升BPN预测值，突显了钢渣对磨光引起的纹理损失的“缓冲机制”。该框架为优化钢渣掺量和预测路面养护中剩余抗滑性能提供了一个数据驱动的工具。

论文解读：钢渣超薄磨耗层抗滑性能演化的可解释机器学习解析

研究背景与意义

全球公路基础设施已步入以养护为核心的阶段，路面抗滑性能退化是引发交通事故的主要因素之一。中国高速公路里程已超过17万公里，年预防性养护需求超过10万车道公里，超薄磨耗层（UTWC）因施工快速、交通干扰小成为最具性价比的预防性养护策略。然而，UTWC对集料的硬度、棱角和抗磨光性要求极高，优质天然集料的日益稀缺推高了成本与环境负担。钢渣作为钢铁生产的主要副产品，全球年产量超4亿吨，其表观密度约为玄武岩的1.2倍，棱角指数和表面纹理指数高出20%至30%，且富含硬矿物相，具备优异的抗磨光与耐磨性能。在薄层UTWC中使用钢渣，既能实现“以废代石”，又可提升抗滑耐久性的优势。尽管已有研究证实钢渣能改善初始表面纹理并降低长期摆式摩擦系数（BPN）衰减率，但在多因素耦合荷载下抗滑性能的演化机制仍缺乏量化，制约了其工程应用。传统力学-经验模型难以描述变量间的非线性交互作用，而可解释机器学习为这一难题提供了新工具。为此，研究人员开发了基于XGBoost-SHAP的可解释框架，预测并解释MLS11加速加载下钢渣UTWC的抗滑衰减，相关成果发表在《Applied Research》。

主要关键技术方法

研究人员设计了三个钢渣体积替代率（0%、50%、100%）的UTAC-10间断级配混合料，以8个平行试件组成样本队列，共24个试件。采用MLS11小型加速加载装置在0.7?MPa接触压力、48?Hz频率下模拟轮胎磨光，设置0、5、10、20、30、50和80×10⁴次循环七个加载阶段。每个阶段测量BPN（温度校正至20°C）和三维表面纹理参数（MPD、Ra、Rq、Rz）。构建包含168个观测值的数据集，特征分为材料组成（钢渣替代率SS、沥青含量AC、空隙率VV、矿料间隙率VMA、洛杉矶磨耗保留率Q_retention）、表面纹理、加载历史（N）。采用GroupShuffleSplit按试件ID分组划分训练集（19个试件）和测试集（5个试件），防止数据泄漏。对比多元线性回归（MLR）、支持向量回归（SVR）、随机森林（RF）和XGBoost四种模型，以决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）评估。选用XGBoost结合TreeExplainer计算SHAP值，进行全局特征重要性、依赖关系和局部瀑布图分析。

研究结果

3.1 基本路面性能与数据结构

研究人员评估了三种UTWC混合料的基本性能，包括高温稳定性（动稳定度DS）、低温抗裂性（破坏应变ε_B）、水稳定性（残留稳定度MS₀、冻融劈裂强度比TSR）及初始抗滑性（纹理深度TD、BPN）。结果显示所有混合料均满足规范要求，且随钢渣替代率增加，初始TD和BPN单调上升，100%钢渣组比0%组BPN平均高12.9%，证实了钢渣的固有抗滑优势。

3.2 对比模型性能

研究人员对比了四种模型在测试集上的表现。非线性模型显著优于MLR基线，RF取得了最高的原始精度（R²=0.9833，MAPE=1.55%），XGBoost与之接近（R²=0.979，MAPE=1.64%）。考虑到XGBoost内置L1/L2正则化及与SHAP的兼容性，研究人员选其作为后续可解释分析的主要模型。

3.3 一致性及残差诊断

XGBoost的奇偶图显示预测值与观测值紧密聚集在1:1线周围，残差分布近似对称且以零为中心，验证了模型的同方差性和稳健性。相比之下，MLR在高BPN值处离散度较大，存在异方差性。

3.4 全局SHAP特征重要性

全局分析表明，最大峰谷高度（Rz）、均方根高度（Rq）和加载次数（N）是BPN变化的主要驱动因素，累计贡献率达76.4%。材料组成变量（如钢渣含量SS）的直接影响较小，其作用主要通过提升初始纹理参数间接体现。

3.5 SHAP依赖与交互分析

依赖图揭示了关键非线性效应：加载次数在约20×10⁴次循环处出现拐点，此后边际抗滑损失急剧减小，进入磨光饱和状态；平均断面深度（MPD）在低于0.7?mm时SHAP贡献近似线性增加，超过后趋于平稳；钢渣含量在所有掺量水平均呈正效应，但边际效益递减，从0%到50%的提升幅度明显大于50%到100%，表明50%替代率具有最优经济性。

3.6 局部SHAP解释

局部瀑布图分解了单个预测。最差预测试件的主要负向贡献来自Rz、Rq、N等纹理与加载因素，而高洛杉矶磨耗保留率（Q_retention）提供了正向补偿。代表性试件的高BPN预测主要由高Rz、低N和高Rq驱动，证实了钢渣的抗滑优势源于其对高幅值表面纹理的保持能力。

3.7 讨论

SHAP特征层级与轮胎-路面摩擦学机制一致。Rz和Rq直接量化了能量耗散的可用凸起高度，N的饱和曲线反映了表面微凸体被逐步磨平的过程。钢渣凭借更高硬度和棱角性，在相同加载阶段保留了更大残余纹理幅值，延迟饱和。工程启示包括：50%钢渣替代可捕获约80%的抗滑收益，为经济最优策略；20×10⁴次循环拐点提示预防性养护应在此之前安排；MPD大于0.7?mm后收益递减，推荐钢渣UTWC的MPD优化范围为0.7至0.9?mm。

研究结论

研究人员得出以下结论：

1. 1.
   XGBoost模型在严格分组划分的测试集上取得了接近最优的预测精度（R²=0.979，RMSE=1.202，MAPE=1.64%）。尽管RF在原始预测指标上略优，但XGBoost因内置正则化和与SHAP框架的强兼容性被选为主要可解释分析模型。
2. 2.
   全局SHAP分析确定最大峰谷高度（Rz）、均方根高度（Rq）和加载次数（N）是BPN变化的主要驱动因素，累计解释超过75%的模型输出方差。材料组成变量的次级效应主要通过纹理代理变量介导。
3. 3.
   在当前MLS11加速加载条件下，BPN衰减在约20×10⁴次循环处出现明显的衰减拐点，MPD的增益在超过约0.7?mm后趋于平稳，钢渣含量在超过50%替代率后表现出边际效益递减。这些阈值为比较不同混合料抗滑耐久性提供了有用的相对参考，但其直接应用于现场养护计划需经过现场标定。
4. 4.
   局部瀑布分解提供了将单个预测透明追踪到特定特征贡献的能力，证实钢渣的抗滑优势归因于其在磨光作用下对高幅值表面纹理（Rz和Rq）的保持。