使用马歇尔方法进行沥青混凝土性能的实验评估与基于机器学习的预测

《Engineering Applications of Artificial Intelligence》：Experimental evaluation and machine learning-based prediction of bituminous concrete performance using the Marshall method

　　

摘要

本研究采用马歇尔方法对使用黏度分级（VG）沥青（VG10、VG30、VG40）制备的沥青混凝土（BC）混合料进行了评估，分析了稳定性、流值、空隙率、单位重量以及沥青填充空隙率（VFB）。共测试了48个试件，并开发了机器学习模型——随机森林（RF）和广义回归神经网络（GRNN）——根据沥青含量和等级预测性能。性能指标（R²（决定系数）、RMSE（均方根误差）、MAE（平均绝对误差））报告为5次独立交叉验证折的均值。研究观察到，GRNN达到了较高的准确度（稳定性R²：0.952；VFB：0.979）。RF表现出中等但稳定的性能（R²：0.561至0.725）。虽然GRNN在此实验范围内表现出强大的插值能力，但在推广之前，其性能应在独立数据集上进行验证。结果表明，VG30提供了平衡的性能，但最佳选择取决于交通和环境条件。尽管这些模型无法取代标准化的实验室测试，但它们可以为初步混合料评估提供数据驱动的工具，从而可能减少路面工程应用中重复试验的依赖。

引言

沥青混凝土（BC）是全球柔性路面面层和粘结层中最广泛使用的材料，在印度尤为普遍（依据MoRTH/IRC规范）。选择合适的材料和混合料设计技术在实现长期耐久性方面起着至关重要的作用，尤其是在轴载增加和气候条件日趋严峻的情况下（Kumar等，2022）。典型的BC混合料包含沥青作为粘结剂和级配合理的矿质集料，具有结构强度、不透水性和抗疲劳性能。根据IRC SP:113:2024标准，马歇尔混合料设计用于确定最佳沥青含量，并确保沥青混合料满足柔性路面的强度、耐久性、柔韧性和体积要求。该设计关注马歇尔稳定性、流值和体积特性等参数，以确定最佳沥青含量（OBC）。文献报告指出，集料级配和沥青黏度对耐久性、施工工作性和混合料抗车辙能力有显著影响（Nizamuddin等，2021）。

许多亚洲国家仍然采用针入度分级体系，而印度则采用黏度分级体系用于路面沥青。具体就亚洲条件或印度而言，由于不同地区温度条件和交通荷载各异，一般使用黏度分级（VG）沥青——VG10、VG20、VG30和VG40。根据IRC（2018），VG10常用于寒冷气候；VG30用于中等到重度交通区域；VG40则用于交叉口和收费站等高应力区域。VG10的优点是提供更好的压实性和柔韧性，但在高温下可能软化（Kumar和Tiwari，2021）。类似地，VG40增强了抗车辙能力，但施工工作性较低。还观察到，集料（通常占混合料重量的90-95%）在内部摩擦、体积稳定性和嵌锁方面起着重要作用。另一个参数是所使用的级配类型。例如，良好的级配棱角集料通常能改善承载能力并提高抗疲劳强度；而级配不良或片状集料则会降低强度和最终的耐久性（Patil等，2020；Singh和Sharma，2021），而粗细集料混合级配则改善了抗水损害和体积特性（Jena等，2021）。

文献研究已探讨了粘结剂等级和集料级配对沥青混凝土性能的影响。根据Nizamuddin等（2021），VG40产生最高的马歇尔稳定性但流值较低，表明其脆性；VG30则提供了强度和施工工作性的平衡混合。Kumar等（2022）的另一项研究验证了VG30能增强稳定性和体积性能，因此可用于印度公路的中等交通和温度条件。此外，上述还讨论了集料级配的作用。因此，这些结果强调了在混合料设计过程中需要一种综合考虑粘结剂特性和集料特性的全面方法。在文献中开发预测模型方面，随机森林（RF）和广义回归神经网络（GRNN）等机器学习模型已被广泛用于预测沥青混凝土混合料的性能。这些模型根据沥青等级和含量等输入变量近似重要的混合料特性——如马歇尔稳定性、流值、空隙率、单位重量和沥青填充空隙率（VFB）。RF和GRNN模型利用从试件中间、左侧和右侧边界获得的数据集，用于研究粘结剂响应与集料特性之间的复杂非线性关系。因此，所开发的预测模型提供了一种快速、经济的手段来分析不同交通和环境条件下的BC混合料性能。近期研究展示了可解释机器学习在预测混凝土和沥青性能方面的有效性（Javed等，2024；UMBA，2025；Lei等，2025；Sandalal等，2023）。

文献中强调，简单的线性模型无法捕捉马歇尔稳定性在OBC附近呈现的非线性峰值行为（Atakan和Y?ld?z，2024）。因此，本研究探索了基于非线性的机器学习模型。本文采用了随机森林（RF）和广义回归神经网络（GRNN）。选择这两种模型是基于数据集的特征和建模目标。选择RF是因为其在处理中等非线性的小数据集时具有鲁棒性，对过拟合不敏感，并且能够提供特征重要性（Ali等，2012；Probst等，2019）。而选择GRNN是因为其卓越的插值能力，适合从有限的实验数据进行平滑函数近似（Cui等，2020；Ni和Li，2016）。此外，Zahoor等（2025）的对比研究评估了6种ML算法（RF、ANN、DT、SVM、GBM和LR）以预测马歇尔稳定性和马歇尔流值，指出RF优于其他模型，在测试数据上达到了最高的R²和最低的错误指标。同样，Awan等（2022）的研究采用多重表达式编程（MEP）预测马歇尔稳定性和马歇尔流值，报告了较高的R²值（0.90-0.98）和较低的MAE。Atakan和Y?ld?z（2024）的研究利用实验室数据全面评估了预测马歇尔稳定性和流值的ML模型。Shaikh等（2025）评估了各种设计因素和体积参数对沥青混合料抗车辙性能的影响。

本研究调查了含有VG10、VG30和VG40粘结剂的BC混合料的体积和力学响应。同时考察了集料级配对马歇尔特性的影响，确定了不同混合料设计的最佳沥青含量。随后，采用RF和GRNN模型估算了这些BC混合料的性能。本文采用的综合方法为在不同印度或全球条件下开发经济高效、高性能的沥青路面提供了设计平台。

章节摘要

沥青

本研究使用三种黏度等级（VG）的路面沥青——VG10、VG30和VG40——制备沥青混凝土（BC）混合料。每种等级对应特定的气候和交通条件（表1、表2）。

• a.
  VG10：适用于寒冷气候和轻交通条件。
• b.
  VG30：用于中等条件，在印度最为常用。
• c.
  VG40：适用于重交通和高温条件，如交叉口和卡车停车场。

此选择矩阵来源于IRC的工程指南。

结果与讨论

本研究通过马歇尔稳定性试验和相应的体积分析，评估了使用三种不同黏度等级沥青（VG10、VG30和VG40）的BC混合料性能。分析的关键参数包括马歇尔稳定性、流值、空隙率（V_v）、沥青填充空隙率（VFB）和毛体积密度。根据稳定性峰值、毛体积密度峰值以及IRC 29中4%空隙率的目标，确定了每种等级的最佳沥青含量（OBC）。

结论

本研究试图通过实验调查和分析不同等级（VG10、VG30、VG40）沥青混凝土混合料的效率。在此过程中，采用了马歇尔混合料设计方法，针对每种等级研究的重要参数包括马歇尔稳定性、流值、空隙率（V_v）、沥青填充空隙率（VFB）和毛体积密度。根据结果，观察到与VG10和VG30相比，VG40显示出最高的马歇尔稳定性值（1993.5 kg），

CRediT作者贡献声明

Rohini C. Kale：撰写——初稿。Amol Sharma：概念构思。Siddharth Garia：软件。Sneha Das：方法论。

参与同意书

不适用。

数据与材料可用性

本研究期间产生或分析的所有数据均包含在本文中。

代码可用性

不适用。

伦理批准

不适用。

发表同意书

不适用。

写作过程中使用生成式AI和AI辅助技术的声明

在准备本文过程中，作者使用了Notbooklm来绘制方法论流程图。使用该工具后，作者对内容进行了审核和必要的编辑，并对已发表文章的内容承担全部责任。

资金支持

作者未从任何组织获得提交工作的资金支持。

利益冲突声明

作者声明，关于本手稿的发表不存在利益冲突。没有财务、个人或任何其他关系影响或可能被视为影响本手稿中报告的工作。

本研究和本手稿的准备工作是独立进行的，没有任何组织或实体的参与可能构成利益冲突。

Rohini C. Kale | Amol Sharma | Siddharth Garia | Sneha Das

印度博帕尔NITTTR土木工程系