[发明专利]一种基于机器学习的沥青动态黏弹特性预测方法

说明书

本发明公开了一种基于机器学习的沥青动态黏弹特性预测方法，所述方法采用动态剪切流变仪测试了样本的动态黏弹特性，采用元素分析仪和红外光谱仪测试了样本的微观组成结构；运用主成分分析法对微观组成结构参数进行了特征提取；通过距离相关系数法确定了动态黏弹特性参数与微观组成结构参数间的映射关系；建立了基于支持向量机机器学习算法的沥青动态黏弹特性预测模型。该方法揭示了沥青材料动态黏弹特性与微观组成结构间的对应关系，有利于快速获取沥青的动态黏弹力学响应，为沥青材料的设计生产提供了基础理论支撑，对于指导沥青及其他材料的按需设计具有积极意义。

技术领域

本发明属于沥青材料性能预测领域，涉及一种基于机器学习的沥青动态黏弹特性预测方法。

背景技术

黏弹特性是沥青材料的本质属性，其力学行为对路用性能具有直接影响，采用黏弹性理论研究分析沥青的力学响应规律，为解决沥青与沥青混合料评价及使用中存在的问题提供了积极参考。动态模量是反应动态黏弹特性的关键特性之一，该特性与路面永久变形、裂缝及车辙等病害息息相关，也是沥青路面结构设计体系由静态转为动态的关键所在。沥青的微观组成结构对其动态黏弹特性有重要影响，开展微观组成结构与宏观性能的相关关系研究，是新材料研发过程中的关键步骤。

沥青动态黏弹特性与微观组成结构关系的建立是预测沥青黏弹特性以及实现沥青按流变设计的核心和关键。目前，沥青黏弹特性与微观组成结构关系主要分为组成与流变的多变量拟合函数关系和微观-细观-宏观多尺度对应关系。然而，由于沥青微观组成结构的复杂性，现有关系模型主要存在以下问题：(1)模型预测的性能单一；(2)材料、环境等因素的改变会严重降低模型的准确性；(3)多尺度对应关系模型建立过程极其复杂，难以推广应用等。

相对于传统的统计计算方法，机器学习具有预测精度高、运算速度快等特点，逐渐成为科研领域工作人员的得力研究工具，其核心在于利用算法学习数据、解析数据、训练模型，从而预测未知数据。目前，机器学习已被广泛应用于材料宏观性能定量构效关系的构建，在生物、化学、自动化等领域蓬勃发展。近些年，机器学习方法也被逐渐应用于道路领域，基于机器学习理论建立沥青动态黏弹特性预测模型是目前建立沥青微观组成结构与黏弹性能关系的最有效途径。

发明内容

针对沥青宏微观性质复杂导致难以建立相关关系的问题，本发明提供了一种基于机器学习的沥青动态黏弹特性预测方法。该方法揭示了沥青材料动态黏弹特性与微观组成结构间的对应关系，有利于快速获取沥青的动态黏弹力学响应，为沥青材料的设计生产提供了基础理论支撑，对于指导沥青及其他材料的按需设计具有积极意义。

本发明的目的是通过以下技术方案实现的：

一种基于机器学习的沥青动态黏弹特性预测方法，包括如下步骤：

步骤一：采用动态剪切流变仪、元素分析仪、红外光谱仪对不同沥青样本进行测试，建立基于CAM模型的动态模量主曲线，获取样本的元素含量及红外光谱曲线；

步骤二：选择各个样本的动态模量主曲线移位因子参数C₁、C₂，形状参数k、m_e，玻璃态动态模量G_g，以及交叉频率f_c构建宏观特征参数数据集，选择各个样本的C、H、N、S、O元素含量，C/H与C/N及红外光谱特征峰峰高与峰面积构建微观特征参数数据集；

步骤三：利用均值化方法对数据集数据进行去量纲处理，计算经均值化处理后数据的方差；

步骤四：计算步骤三得到的微观特征参数的Pearson相关系数，基于主成分分析对选取的具有较大Pearson相关系数的微观特征参数进行降维，替换为较少的新特征参数V₁、V₂…；