从加工到性能：SBS改性沥青凝胶的多尺度机器学习框架，具备多目标关联与可解释人工智能

《Gels》：From Processing to Performance: A Multi-Scale Machine Learning Framework for SBS-Modified Asphalt Gels with Multi-Target Correlation and Explainable AI

　　

摘要翻译：苯乙烯-丁二烯-苯乙烯（SBS）改性沥青是一种物理聚合物凝胶体系，其中SBS在沥青基体内形成三维弹性网络。该网络结构决定了材料的流变与力学性能，然而加工参数、材料组成、微观结构与宏观性能之间的定量关系仍未得到充分理解。本研究提出了一种多尺度机器学习框架，用于建立SBS改性沥青凝胶的加工-组成-结构-性能映射关系。研究从基因数据库及补充实验室试验中汇编了包含1072个实验样本的数据集，使用10个输入特征预测4项性能指标：针入度、软化点、延度及135摄氏度下的黏度。研究开发并比较了四种机器学习模型，其中采用径向基函数核的支持向量机在针入度预测上取得最高精度，R²值为0.9997；在延度预测上R²值为0.9996。人工神经网络在软化点预测上表现最佳，R²为0.9996；极端梯度提升在黏度预测上表现最佳，R²为0.9993。基于Optuna的优化相较于默认配置将平均R²提升了2.1%。SHAP分析识别出剪切温度、SBS掺量和SBS粒径为最具影响力的因素。该框架实现了对凝胶性能的准确且可解释的预测，并为材料设计提供了数据驱动基础。

论文解读文章

研究背景与问题：SBS改性沥青作为一种典型的物理聚合物凝胶体系，其性能高度依赖于SBS在沥青基体中形成的三维弹性网络结构。在高温混合过程中，SBS颗粒吸收沥青中的轻质芳香分和饱和分而发生体积溶胀；冷却后，聚苯乙烯端段微相分离形成玻璃态纳米域作为物理交联节点，聚丁二烯中段则构成柔性桥接链，最终形成贯穿沥青基体的连续三维网络。该网络赋予材料热塑性弹性体凝胶特有的黏弹行为，并直接决定其抗永久变形能力和施工和易性。然而，SBS改性沥青凝胶的宏观性能受加工参数、材料组成与微观结构特征的耦合作用控制，其定量映射关系尚不清晰。传统单因素实验方法和经验回归模型难以描述此类强非线性、多因素耦合的凝胶形成过程。尽管机器学习已广泛应用于沥青性能预测，但仍存在三大研究空白：其一，现有研究多聚焦于单一尺度性能预测，缺乏将加工参数、组成特征与微观结构统一纳入的多尺度框架；其二，多数研究将不同性能指标作为独立任务处理，忽视了同一凝胶网络所决定的多性能物理一致性；其三，模型的可解释性在聚合物改性沥青体系中关注不足。因此，本研究旨在建立可解释的多尺度机器学习框架，实现SBS改性沥青凝胶加工-组成-结构-性能的定量映射。

研究概述与结论：研究人员从西南交通大学沥青/水泥基材料基因-性能定量构效关系数据库（包含864个样本）及补充实验室试验（208个样本）中汇编了共1072个有效样本，覆盖基础沥青类型（ES70、SK70）、SBS类型（SBS-796、SBS-791H、SBS-792、SBS-161B）、SBS掺量（3%、4.5%、6%、7.5%）、剪切温度（170、180、190摄氏度）、剪切速率（2000、4000、6000 rpm）和剪切时间（30、60、120分钟）等系统变化参数。输入特征共10个，分为三类：3个 categorical 组成特征（基础沥青类型、SBS类型、SBS掺量）、3个连续加工参数（剪切温度、剪切速率、剪切时间）及4个连续微观结构基因（粒径、聚苯乙烯指数I_PS、聚丁二烯指数I_PB、丁二烯指数I_BD）。目标变量为针入度、软化点、25摄氏度延度及135摄氏度旋转黏度。研究人员开发了四种机器学习模型——径向基函数核支持向量机、人工神经网络、随机森林和极端梯度提升，采用五折交叉验证评估性能，并系统比较了默认参数、遗传算法与Optuna三种超参数优化策略。结果表明：支持向量机在针入度（R²=0.9997）和延度（R²=0.9996）上精度最高；人工神经网络在软化点（R²=0.9996）上最优；极端梯度提升在135摄氏度黏度（R²=0.9993）上最优。Optuna优化使平均R²较默认配置提升2.1%，且比遗传算法节省30%–40%计算时间。SHAP分析显示剪切温度、SBS掺量和SBS粒径是控制宏观性能的三大核心因素，偏依赖图进一步揭示了各因素的边际效应曲线与关键阈值。该框架首次将多尺度材料基因、机器学习预测与可解释分析统一于SBS改性沥青凝胶体系，为智能材料设计提供了数据驱动基础。

主要关键技术方法：研究采用多源数据整合策略，从西南交通大学沥青材料基因数据库（864个样本）和补充实验室试验（208个样本）构建数据集。主要技术方法包括：多目标相关性分析（Pearson相关与主成分分析）；四种机器学习模型（支持向量机、人工神经网络、随机森林、极端梯度提升）结合五折交叉验证；三种超参数优化策略（Optuna、遗传算法、默认配置）对比；SHAP可解释分析与偏依赖图用于特征重要性和边际效应可视化。补充实验按标准规程制备SBS改性沥青样本，采用荧光显微镜测定粒径，傅里叶变换红外光谱计算结构指数，并使用标准设备测试针入度、软化点、延度和旋转黏度。

研究结果：

多目标性能相关性分析结果：通过对四个目标变量进行Pearson相关分析，发现针入度与软化点呈强负相关（r=-0.681），针入度与延度（r=-0.587）及黏度（r=-0.704）呈负相关；软化点与延度（r=0.725）及黏度（r=0.804）呈强正相关；延度与黏度呈中等正相关（r=0.591）。主成分分析显示第一主成分解释了总方差的72%以上，可解释为凝胶网络完整性因子，表明四个宏观性能共享同一物理根源。

模型性能对比结果：四种模型在所有目标上均取得R²>0.96的精度，多数任务超过0.99。支持向量机在针入度和延度上最优，人工神经网络在软化点上最优，极端梯度提升在黏度上最优。随机森林精度略低但保持可靠预测能力。软化点预测精度最高，针入度和黏度的较低精度部分归因于测试方法本身的操作者依赖性等固有噪声。

超参数优化方法比较结果：Optuna优化平均提升R² 2.1%，遗传算法提升1.7%。支持向量机和人工神经网络对超参数更敏感，最大提升超过10%；随机森林和极端梯度提升的默认配置已表现良好。遗传算法耗时最长（所有模型超过600秒），Optuna比遗传算法节省30%–40%计算时间，被推荐为首选优化方法。

基于SHAP的特征重要性分析结果：剪切温度、SBS掺量和SBS粒径被识别为所有四个性能指标的前三大影响因素。不同性能指标的特征相对重要性存在差异：软化点和黏度以SBS掺量为主导，延度受聚丁二烯指数影响更大，针入度主要受剪切温度控制。SHAP力图揭示了单个样本的预测贡献方向，如SBS掺量和聚丁二烯指数对针入度和软化点产生正向效应，过大的SBS粒径降低低温延展能力。

关键特征边际效应分析结果：偏依赖图显示针入度随SBS掺量增加持续下降且出现饱和效应，掺量从3%增至6%时下降显著，超过6%后变化趋缓；剪切速率在约4000 rpm处存在拐点。软化点与SBS掺量近似线性正相关，剪切时间在60分钟前显著提高软化点，之后曲线趋于平缓。延度与聚丁二烯指数强正相关，基础沥青类型也有显著影响。135摄氏度黏度随SBS掺量快速上升，聚苯乙烯指数对黏度有正向作用。

物理一致性与知识发现结果：从三个维度验证了模型的物理一致性：预测值保持与实测数据相同的目标间相关模式；关键特征影响方向与聚合物凝胶理论一致；残差呈随机正态分布，无系统偏差。研究将SBS改性沥青的凝胶网络理论从定性描述转化为定量影响权重和边际效应曲线，确定了可操作的工艺窗口（如剪切温度约180摄氏度、剪切时间约60分钟、SBS掺量6%作为经济上限），并证实了多性能指标间强相关性可用于间接推断难测性能。

讨论与结论：讨论部分强调，SHAP得出的特征重要性排序为沥青技术中长期积累的经验知识提供了前所未有的定量证据。剪切温度主导针入度，证实了最终凝胶稠度很大程度上取决于混合过程中SBS的溶胀程度；SBS掺量对软化点和黏度的首要排名验证了经典逾渗理论，即只有当掺量超过临界阈值时才能形成连续三维网络；聚丁二烯指数对延度的显著贡献机制合理，因为聚丁二烯中段是SBS分子中唯一的柔性来源。FTIR指数对延度的权重高于其他性能，表明化学相互作用在拉伸行为中比在热或黏性响应中发挥更大作用。这种跨目标的差异化重要性提供了实用指导：增强延度应关注保护聚丁二烯段免于降解，而改善高温性能则应调整SBS含量和剪切条件。研究结论指出：所构建的多尺度、可解释、多目标关联框架绕过了传统沥青材料开发中试错式黑箱模式，为SBS改性沥青凝胶的智能设计提供了数据驱动技术支撑。未来工作可扩展数据集以涵盖更多改性剂类型和老化条件，并引入物理约束机器学习方法以进一步增强物理可解释性和外推能力。该论文发表在《Gels》。