基于机器学习温拌再生沥青—集料黏附特性预测研究.pdfVIP

摘要

温拌再生沥青与集料的界面黏附性能是决定混合料耐久性的关键因素，尤其

在采用高比例RAP（ReclaimedAsphaltPavement，再生沥青混合料）时更为关键。

然而，现有研究多局限于宏观试验和经验模型层面，对沥青-集料体系微观组成与

黏附性能的构效关系缺乏系统研究。本研究通过多尺度表征技术，并结基于机器

学习构建了温拌再生沥青-集料黏附性预测模型。

选用70#基质沥青、老化沥青以及三种RAP掺量与三种温拌剂组合制备的温

拌再生沥青，共11种沥青，结合石灰岩和玄武岩2种集料，构成22组不同的沥

青-集料组合。采用表面自由能理论和原子力显微镜（AFM）力曲线模型对其黏

附性进行定量评价，并选取黏附功、能量比和界面能等参数作为黏附性评价指标。

此外，借助原子力显微镜（AFM）、凝胶渗透色谱（GPC）、红外光谱（FTIR）

和X-射线衍射（XRD）多尺度表征手段，表征沥青-集料的微观组成结构，将其

作为模型的微观特征参数。

在模型数据预处理阶段，首先对原始数据进行标准化处理，以消除不同特征

参数的量纲影响。再采用Pearson相关系数法分析变量之间的线性相关性，并结合

距离相关系数法识别非线性相关性较强的特征，筛选出与黏附性相关性高的微观

特征参数（沥青的粗糙度参数L-Ra和L-Rz、分子量参数Mw、官能团参数RC=C、

R、I和I；集料的粗糙度参数J-Ra、化学组成参数CaO和SiO），剔除

C=OC=CC=O2

冗余或弱相关的变量，以优化模型输入集，提高预测模型的准确性和泛化能力。

在模型构建阶段，基于Python编程，选用卷积神经网络（CNN）、BP神经

网络和Elman神经网络三种模型进行训练，并采用平均绝对误差（MAE）、相对

百分比误差（RPE）及决定系数（R²）评估模型准确性。最终，通过多指标加权

评分法选出Elman神经网络作为温拌再生沥青-集料黏附性预测模型，并优选出基

于表面自由能（黏附功W、剥落功W及能量比参数E）与AFM力曲线（黏

asaws2

附功WAB）的黏附性评价指标，构建多尺度黏附性评价参数体系。

研究结果表明，所构建的Elman预测模型，其相对百分比误差RPE值小于1、

平均绝对误差MAE值小于5、决定系数R²值大于0.9，可为RAP掺量优化、温

拌剂类型选择及集料配伍性提供可靠的选择依据，进一步推动温拌再生沥青技术

在工程实践中的应用与发展。

关键词：温拌再生沥青，黏附性，微观组成结构，机器学习，Elman神经网

络

I

ABSTRACT

Theinterfacialadhesionperformancebetweenwarmmixrecycledasphaltand

aggregatesisacriticalfactordeterminingthedurabilityofasphaltmixtures,especially

whenhighproportionsofReclaimedAsphaltPavement(RAP)areused.However,

existingresearchhasprimarilyfocusedonmacroscopictestsandempiricalmodels,

lackingsystematicinvestigationintothestructure-propertyrelationshipbetweenthe

microscopiccompositionofasphalt-aggregatesystemsandtheiradhesionperfo