基于体积参数利用反向传播神经网络预测超大粒径集料沥青混合料的力学性能

《Materials》：Predicting the Mechanical Properties of Super Large Aggregate Asphalt Mixture from Volumetric Parameters Using Back Propagation Neural Networks

　　

摘要：超大粒径集料沥青混合料（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仍不明确，制约了以性能为导向的混合料设计。本研究通过试验评估了四种集料级配和七种沥青用量下SLAM-50的体积性质与关键性能指标。测得的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。随着沥青用量的增加，空隙率（VV）降低，矿料间隙率（VMA）先减小后增大，沥青饱和度（VFA）单调增加。所有性能指标均呈非单调变化趋势，即先增大后减小，在沥青用量为3.0%–3.2%时总体性能达到平衡。线性回归模型显示出有限的预测能力（R² = 0.5944–0.8845）。为解决这一不足，研究人员开发了一种反向传播（BP）神经网络，以沥青用量、体积参数、混合料密度和级配类型作为输入，以实测性能指标作为输出。该框架能够实现多输出同步预测，并捕捉变量之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。这些发现为面向性能的混合料设计与优化提供了实用的数据驱动基础，弥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集料沥青混合料力学性能预测研究**

**1. 研究背景与问题**

随着交通量持续增长和重载车辆普及，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。大粒径集料沥青混合料因具有强嵌挤骨架、高承载能力、优良抗水损害性和较低沥青用量而被广泛用于高等级公路。随着摊铺和压实技术进步，超大粒径集料混合料（SLAM-50，最大公称粒径50 mm）被提出并应用于路面工程。已有研究表明，超大粒径集料能形成稳定嵌挤骨架，显著提升力学性能、抗疲劳和抗车辙能力，同时降低沥青用量和路面厚度，减少材料消耗和施工成本。然而，SLAM-50的体积参数（如空隙率VV、矿料间隙率VMA、沥青饱和度VFA）与关键性能指标之间的定量关系尚不明确，制约了性能导向的混合料设计。传统设计方法多依赖经验或线性回归，难以充分捕捉多变量间的非线性和耦合特征。因此，有必要系统研究体积参数对SLAM-50性能的影响，并发展基于数据驱动的非线性预测模型。

**2. 研究目标与关键方法**

本研究旨在阐明SLAM-50体积性质与性能特征之间的相关性，具体目标包括：研究集料级配和沥青用量对体积参数的影响；量化不同体积条件下SLAM-50性能指标的变化趋势；开发基于BP神经网络的性能预测模型。研究采用了多种关键试验与建模技术：采用垂直振动压实法（VVTE）制备直径200 mm、高160 mm的圆柱试件，采用轮碾压实法制备车辙板试件；通过最大理论相对密度试验和表干法测定密度相关指标并计算体积参数；开展单轴压缩试验得到抗压强度、劈裂强度和抗压回弹模量；采用半圆弯曲（SCB）试验测定断裂能；采用车辙试验测定动稳定度；基于上述数据构建BP神经网络模型，将沥青用量、三个体积参数、混合料密度和级配类型作为输入，五个性能指标作为输出。样本涉及四种级配（A型S形级配、B型中值级配、C型富细集料级配、D型富粗集料级配），每种级配设置五个沥青用量水平（最佳沥青用量OAC及OAC±0.2%、±0.4%、±0.6%），共计84组数据。研究中沥青为克拉玛依90#基质沥青，粗集料来自乌鲁木齐白杨河砂石料场，矿粉为石灰岩矿粉。

**3. 主要研究结果**

**3.1 体积参数随沥青用量的变化规律**

四种级配下，随沥青用量增加，VFA单调增加，VV和VMA总体减小；当沥青用量超过临界值后，VMA出现转折并开始增加。这归因于压实密实化与骨架膨胀机制的竞争：较低沥青用量时，额外沥青改善裹覆和润滑，促进压实；过量沥青则削弱石-石接触，导致骨架膨胀。相同沥青用量下，A和D级配表现出较低VV和较高VFA，因其骨架形成效率高；C级配富细集料，VFA较低、VV较高。

**3.2 力学性能与沥青用量的关系**

抗压强度、劈裂强度、抗压回弹模量均随沥青用量先增后减。A级配在3.0%时抗压强度最大（6.22 MPa），B在3.1%时最大（6.07 MPa），C在3.3%时最大（5.65 MPa），D在3.0%时最大（6.21 MPa）。劈裂强度峰值分别出现在A（3.0%，1.12 MPa）、B（3.3%，1.19 MPa）、C（3.7%，1.07 MPa）、D（3.0%，1.18 MPa）。C级配因细集料多，削弱石-石接触，强度与刚度较低且需更高沥青用量达到峰值。

**3.3 断裂能结果**

断裂能也呈先增后减的非单调趋势。峰值断裂能：A级配3.2%时为2149.7 J/m²，B级配3.3%时为2028.1 J/m²，C级配3.5%时为1888.9 J/m²，D级配3.2%时为2252.1 J/m²。A和D级配断裂能较高，因粗集料多、骨架连续，裂纹扩展路径曲折，耗能更大；C级配骨架弱，裂纹更易沿沥青胶浆扩展，断裂能较低。

**3.4 动稳定度结果**

动稳定度随沥青用量先增后减。最大值：A级配3.0%时为7665.7次/mm，B级配3.1%时为7138.5次/mm，C级配3.3%时为7032.4次/mm，D级配3.0%时为7468.3次/mm。A和D级配因粗集料比例高、骨架稳定、空隙率低，抗车辙能力更优；C级配细集料多，依赖沥青胶浆，易变形。

**3.5 体积参数对性能的影响**

随VV增大，各性能指标先增后减，约在VV≈4%时达到最佳。VV与抗压强度、劈裂强度、断裂能、动稳定度的回归R²分别为0.8844、0.8304、0.7513和0.7389，与抗压回弹模量的R²仅为0.6203。随VFA增大，性能先增后减，约在VFA≈75%时最佳；VFA与抗压强度、劈裂强度R²为0.8375和0.8844，与回弹模量R²为0.6770。性能指标随VMA增大近似线性下降，VMA与各指标R²范围为0.5944–0.8845。总体表明线性回归仅能反映单指标趋势，难以统一描述多输入多输出的非线性耦合关系。

**3.6 BP神经网络模型**

将沥青用量、VV、VFA、VMA、混合料密度和级配类型作为输入，五个性能指标作为输出，采用ReLU隐藏层激活函数和Sigmoid输出层激活函数，确定两个隐藏层各256个神经元。84个样本分为训练集（59个）和独立测试集（25个）。经Adam优化器训练，初始学习率0.003，迭代270次后训练误差稳定在1.081%，测试误差收敛于1.016%。训练集各输出R²均大于0.91，MAE和RMSE较低；测试集预测与实测值的相关系数分别为0.9477（抗压强度）、0.9284（劈裂强度）、0.9234（抗压回弹模量）、0.9282（断裂能）、0.9385（动稳定度），R²均大于0.91，表明模型具有良好的泛化能力和预测精度。

**4. 讨论与结论**

讨论部分指出，体积参数与性能指标之间的关系具有显著非线性和多因素耦合特征，传统回归方法难以构建统一的预测模型，而BP神经网络凭借非线性映射能力能够有效捕捉这些复杂关系。研究人员总结结论如下：（1）随沥青用量增加，VV减小，VMA先减后增，VFA单调增加；所有性能指标先增后减，平衡性能的推荐沥青用量为3.0%–3.2%。（2）性能指标随VV和VFA呈凸抛物线趋势，随VMA近似线性变化；线性回归相关系数有限，而BP神经网络对所有输出均实现了R² > 0.91的预测精度。（3）开发了以三个体积参数、沥青用量、密度和级配类型为输入，五个性能指标为输出的BP神经网络模型，训练集和测试集R²均大于0.91，可有效表征SLAM-50混合料设计变量与性能响应之间的非线性和耦合关系。该研究建立了SLAM-50体积参数与多项性能指标之间的定量关系，证明了基于BP神经网络框架预测混合料性能的可行性，为超大粒径集料沥青混合料的性能导向设计与优化提供了数据驱动参考。研究仅针对SLAM-50，评估了抗压强度、劈裂强度、抗压回弹模量、断裂能和动稳定度，未涵盖疲劳、水稳定性、老化耐久性及其他混合料类型；未来可扩展数据集、比较不同机器学习算法并开展统计检验以进一步提升模型鲁棒性。