勘误：Ahmed, I.A.; S. Al-Radadi, N. 估算纳米相对高性能绿色水泥生产的影响。Materials 2020, 13, 4197

《Materials》：Correction: Ahmed, I.A.; S. Al-Radadi, N. Estimating the Impact of Nanophases on the Production of Green Cement with High Performance Properties. Materials 2020, 13, 4197

　　

超大粒径沥青混合料（SLAM-50）有望提高抗车辙能力并降低沥青需求，但体积参数与关键性能指标之间的定量关系尚不明确，限制了以性能为导向的混合料设计。本研究通过实验评估了四种集料级配和七种沥青含量下SLAM-50的体积特性和关键性能指标。实测性能指标包括抗压强度、劈裂强度、抗压回弹模量、断裂能和动稳定度。随着沥青含量的增加，空隙率（VV）减小，矿料间隙率（VMA）先减小后增大，沥青饱和度（VFA）单调增加。所有性能指标均呈现非单调变化趋势，先增大后减小，在3.0%~3.2%沥青含量时整体性能达到平衡。线性回归模型显示预测能力有限（R2 = 0.5944~0.8845）。为解决这一不足，研究人员开发了反向传播（BP）神经网络，以沥青含量、体积参数、混合料密度和级配类型为输入，实测性能指标为输出。该框架可实现多输出同步预测，并捕捉变量间的非线性耦合关系。模型在训练集和测试集上的R2均大于0.91，表明其能够准确预测SLAM-50的性能。这些发现为以性能为导向的混合料设计和优化提供了实用的数据驱动基础，填补了当前的科学空白，并为工程实践提供了指导。

**论文解读：基于体积参数与BP神经网络的超大粒径沥青混合料（SLAM-50）性能预测研究**

**一、研究背景与问题提出**

随着交通量的持续增长和重型车辆的普及，现代路面结构对沥青混合料的强度、稳定性和耐久性提出了更高要求。大粒径沥青混合料因其集料骨架嵌锁作用强、承载能力高、抗水损害性能优良且沥青用量较低，已被广泛用于高等级公路路面结构。例如，公称最大粒径为30 mm的ATB-30和40 mm的ATB-40已在工程中大量应用。在此背景下，公称最大粒径达到50 mm的超大粒径沥青混合料SLAM-50被提出用于路面工程。已有研究表明，超大粒径集料的掺入能够形成稳定的嵌锁骨架，显著提升沥青混合料的力学性能、抗疲劳性能和抗车辙性能，同时降低沥青用量和路面厚度，减少材料消耗和施工成本，应用潜力巨大。

然而，SLAM-50混合料的设计仍面临若干关键问题。当前主要的配合比设计方法包括马歇尔方法、Superpave方法和振动压实方法。其中，马歇尔击实方法应用最为广泛，但随着交通需求的增加，其在重载交通条件下的局限性日益突出。为更好地模拟现场压实效果，垂直振动压实方法被开发为更接近实际动力加载条件的实验室压实方法。已有研究表明，垂直振动压实方法成型的试件在抗剪强度、抗拉强度及抗车辙性能等方面优于马歇尔击实方法，且其体积特性与现场芯样具有良好的一致性。尽管不同压实方法在设备和程序上有所差异，但其导致混合料性能差异的根本原因在于压实过程中产生的体积参数变化。因此，理解空隙率（VV）、矿料间隙率（VMA）和沥青饱和度（VFA）等体积参数对沥青混合料性能的影响机制，对于优化混合料设计至关重要。

目前，关于体积参数与性能关系的研究多集中于常规粒径沥青混合料，对于超大粒径沥青混合料的研究相对匮乏。以往研究主要采用相关性分析、线性或二次回归、响应面方法等建立体积参数与性能指标之间的关系。尽管这些方法在有限试验条件下能够有效识别单一性能指标的变化趋势，但在捕捉多体积参数间的交互作用方面存在局限，尤其是对于超大粒径沥青混合料的多性能指标预测，缺乏系统的研究。线性回归模型因简单、可解释性强而被广泛使用，但对于复杂的非线性输入-输出关系，其预测能力有限。因此，具有非线性逼近能力的数据驱动方法，特别是神经网络和深度学习，已成为预测沥青混合料性能的新兴补充手段。针对上述科学空白，本研究旨在通过系统的试验和神经网络建模，建立SLAM-50体积参数与关键性能指标之间的定量关系，为其性能导向设计提供数据驱动的基础。该研究成果发表于《Materials》期刊。

**二、关键技术方法**

研究人员采用的主要技术方法包括：（1）垂直振动压实法（VVTE）成型直径200 mm、高160 mm的圆柱体试件，模拟重载交通条件下的现场压实状态；采用轮碾压实法成型300 mm×300 mm×100 mm的车辙板试件。（2）采用表干法（SSD法）测定试件的毛体积相对密度，结合最大理论相对密度试验计算VV、VMA和VFA等体积参数。（3）开展系列性能试验：单轴压缩试验测定抗压强度；劈裂试验测定劈裂强度；多级加卸载试验测定抗压回弹模量；半圆弯曲（SCB）试验测定断裂能；车辙试验测定动稳定度。（4）采用反向传播（BP）神经网络建立多性能预测模型，以沥青含量、体积参数、混合料密度和级配类型为输入变量，以五项性能指标为输出变量。原材料方面，采用克拉玛依90#基质沥青、玄武岩碎石集料和石灰岩矿粉。试验样本共84组，涵盖四种级配类型和多个沥青含量水平。

**三、主要研究结果**

**3.1 体积参数变化规律**

试验结果表明，随着沥青含量的增加，VV逐渐减小，VMA先减小后增大，VFA单调增加。VMA的非单调变化可归因于密实化与骨架膨胀两种机制的竞争。当沥青含量较低时，胶结料的润滑作用促进压实，VMA减小；当沥青含量超过临界值时，多余的沥青削弱集料间的嵌锁作用，导致骨架膨胀，VMA转而增大。在相同沥青含量下，级配A（S形级配）和级配D（粗集料富集级配）表现出更低的VV和更高的VFA，这归因于其更有效的颗粒堆积和骨架形成。级配C（细集料富集级配）则因细集料比例较高，对沥青胶浆依赖性强，VV较高而VFA较低。

**3.2 力学性能特征**

抗压强度、劈裂强度和抗压回弹模量均随沥青含量的增加呈先增大后减小的非单调变化趋势。四种级配的抗压强度峰值出现在沥青含量3.0%~3.3%范围内，其中级配A在3.0%时达到最大值6.22 MPa，级配B在3.1%时为6.07 MPa，级配C在3.3%时为5.65 MPa，级配D在3.0%时为6.21 MPa。劈裂强度的峰值同样出现在较高沥青含量区间。级配C的强度和刚度整体偏低，需要更高的沥青含量才能达到峰值，这与其中粗集料比例较低、骨架稳定性不足有关。

**3.3 断裂能分析**

断裂能随沥青含量增加呈先增后减的趋势，峰值分别出现在级配A的3.2%（2149.7 J/m2）、级配B的3.3%（2028.1 J/m2）、级配C的3.5%（1888.9 J/m2）和级配D的3.2%（2252.1 J/m2）。级配A和D的断裂能整体较高，主要得益于其更稳定的三维嵌锁骨架结构，能够有效偏转裂纹扩展路径，增加能量耗散。

**3.4 动稳定度结果**

动稳定度同样表现出非单调变化趋势，最大值出现在级配A的3.0%（7665.7次/mm）、级配B的3.1%（7138.5次/mm）、级配C的3.3%（7032.4次/mm）和级配D的3.0%（7468.3次/mm）。级配A和D在最佳沥青含量时具有更高的动稳定度，表明粗集料比例较高且骨架稳定的级配有利于提高抗车辙性能。

**3.5 体积参数对性能的影响**

研究人员通过回归分析建立了体积参数与性能指标之间的定量关系。结果表明，随着VV和VFA的增加，所有性能指标均呈凸抛物线趋势（先增后减），最佳性能出现在VV约为4%、VFA约为75%时。相比之下，性能指标随VMA的增加近似线性降低。VV与各项性能指标的相关系数（R2）在0.6203~0.8844之间，VFA与性能指标的R2在0.6770~0.8844之间，VMA与性能指标的R2在0.5944~0.8845之间。线性回归虽能揭示单一指标的变化趋势，但难以充分捕捉多输入-多输出的非线性交互关系。

**3.6 BP神经网络预测模型**

研究人员建立了包含两个隐藏层（每层256个神经元）的BP神经网络模型，以沥青含量、VV、VFA、VMA、混合料密度和级配类型为输入，五项性能指标为输出。采用ReLU激活函数提高训练效率，Sigmoid激活函数约束输出范围。模型采用Adam优化器，初始学习率设为0.003，训练迭代次数为270次。Pearson相关性分析表明，各项性能指标间呈强正相关（r = 0.75~0.96），VMA和VV与性能指标呈负相关，VFA、沥青含量和密度与性能指标呈正相关。模型在训练集上的R2均大于0.91，在测试集上的相关系数分别为0.9477、0.9284、0.9234、0.9282和0.9385，MAE和RMSE均保持较低水平，表明该模型能够准确预测SLAM-50的关键性能指标。

**四、结论与展望**

本研究系统探究了SLAM-50的集料级配、沥青含量、体积参数与多项性能指标之间的关系，得出以下主要结论：（1）沥青含量对SLAM-50体积参数和性能指标具有显著影响，推荐沥青含量为3.0%~3.2%以实现性能平衡。（2）体积参数与性能指标之间存在非线性关系，线性回归模型预测能力有限，而BP神经网络模型在所有输出上的R2均大于0.91，能够有效刻画混合料设计变量与性能响应间的非线性耦合关系。（3）以沥青含量、三个体积参数、混合料密度和级配类型为输入，五项性能指标为输出所建立的BP神经网络模型在训练集和测试集上均表现出高预测精度。该研究为超大粒径沥青混合料的性能导向设计和优化提供了数据驱动的参考依据。需要指出的是，本研究仅针对SLAM-50混合料，疲劳性能、水稳定性、老化耐久性等未包含在本次研究范围内。未来研究将采用扩充数据集，纳入更多性能指标，比较不同机器学习算法，并进行方差分析、多重比较检验和交叉验证等综合统计分析，以进一步提高模型的鲁棒性。