可解释的SBS/CR改性沥青徐变预测与设计优化:一种光谱信息耦合编码与物理数据驱动框架

《Materials & Design》:Explainable creep prediction and design optimization of SBS/CR modified asphalt: a spectral information coupling encoding and physical data-driven framework

【字体: 大 中 小 】 时间:2026年03月30日 来源:Materials & Design 7.9

编辑推荐:

  聚苯乙烯-丁二烯-聚苯乙烯嵌段共聚物与废旧轮胎橡胶粉改性沥青(SBS/CRMA)广泛应用于基础设施结构中,但其耐久性显著受低温及冻融循环下的徐变行为影响,因此实现准确且可解释的预测对其设计与应用至关重要。本研究探索了一种融合光谱信息耦合编码与物理信息神经网络(

  
聚苯乙烯-丁二烯-聚苯乙烯嵌段共聚物与废旧轮胎橡胶粉改性沥青(SBS/CRMA)广泛应用于基础设施结构中,但其耐久性显著受低温及冻融循环下的徐变行为影响,因此实现准确且可解释的预测对其设计与应用至关重要。本研究探索了一种融合光谱信息耦合编码与物理信息神经网络(PINNs)的低温徐变行为预测框架。通过结合格兰姆角场(GAF)变换与自编码器(AE),该框架构建了一个特征提取器,能够耦合傅里叶变换红外光谱(FTIR)光谱信息并捕捉微观组分输入。研究开发了两个具有不同任务和架构的PINNs模型进行预测。为提高可解释性,采用沙普利加和解释方法(SHAP)及针对编码光谱开发的解释策略,提供了对宏观和微观特征影响的多种尺度洞察。结果表明,特征提取成功捕获了官能团耦合信息,将预测精度提高了9.4%,且PINNs模型在预测精度和鲁棒性方面表现出优于传统方法的优势。此外,该框架被整合到材料设计优化工作流中,并通过专项工程应用验证了其可行性。本研究推进了SBS/CRMA的智能表征与设计,为复杂材料的建模与设计提供了新视角。
随着全球基础设施建设向高耐久性和高性能方向发展,复合材料改性沥青因其优异的性能而受到广泛关注。聚苯乙烯-丁二烯-聚苯乙烯嵌段共聚物与废旧轮胎橡胶粉复合改性沥青(SBS/CRMA)通过形成复杂的网络结构,显著提升了沥青结合料的低温抗裂性、粘附性及耐老化性能,被广泛应用于路面工程、钢桥面铺装及铁路路基防水层等领域。然而,作为一种典型的粘弹性材料,SBS/CRMA在低温环境下表现出显著的徐变和应力松弛行为,特别是在寒冷地区的冻融循环条件下,这种徐变行为直接关系到基础设施的结构完整性与使用寿命。目前,针对SBS/CRMA低温徐变性能的预测主要依赖于弯曲梁流变仪(BBR)试验结合理论计算模型的方法。尽管这种方法能够获取宏观层面的徐变指标,但其存在两大局限:一是未能有效考量材料微观组分(如官能团变化、分子结构演化)对徐变行为的影响,导致宏观性能与微观机理之间的关联不清;二是传统机器学习模型虽能提高预测效率,但存在“黑盒”效应,缺乏物理约束,可解释性差,难以融入领域特定知识指导实际材料生产。鉴于此,研究人员开展了基于光谱信息耦合编码与物理数据驱动的SBS/CRMA低温徐变预测及设计优化研究,旨在解决上述问题,实现从微观特征到宏观性能的精准映射与机制解释。

研究人员采用了以下主要关键技术与方法开展研究:利用傅里叶变换红外光谱(FTIR)采集不同配方及老化状态沥青样品的微观组分信息,并通过格兰姆角场(GAF)变换将一维光谱数据转化为二维图像以保留全局相关性,随后利用卷积自编码器(CAE)提取24维潜在微观特征;构建包含19种配方体系、2种基质沥青类型及3种老化状态的实验数据集,通过BBR试验获取低温徐变数据;开发两种物理信息神经网络(PINNs)模型,即基于结构化参数的PINNs-SPJ模型和基于物理残差约束的PINNs-PRM模型,将Burgers粘弹性本构方程嵌入神经网络损失函数中;最后,采用沙普利加和解释方法(SHAP)及梯度归属分析对模型进行可解释性分析,并将框架应用于雄安新区至商丘高速铁路某工程段的材料设计优化。

在研究结果方面,首先,在模型性能对比实验中,研究人员发现引入微观特征提取显著提升了预测精度。与传统无FTIR输入的基准模型相比,基于GAF+CAE特征提取的PINNs-SPJ模型在测试集上的决定系数(R2)普遍超过0.96,相对经验驱动的特征峰提取模型(PINNs-APAI),预测精度提高了9.4%。其次,在鲁棒性测试中,PINNs-PRM模型在1%至15%的高斯噪声扰动下仍能保持稳定的预测能力,其R2值始终高于0.90,显示出优于传统标准计算方法的抗干扰能力。在可解释性分析部分,SHAP分析表明,温度是影响SBS/CRMA徐变行为的最显著因素,其次是老化程度。研究人员进一步解码了CAE提取的潜在特征,识别出四个关键微观组分特征:CAE14对应氢键网络演化,反映极性增强;CAE1对应相组成平衡,反映 SBS、CR与基质沥青的分布;CAE4对应硫-氧耦合发展,追踪二次硫化过程中的结构致密化;CAE11对应氧化重构,表征中后期老化中的链断裂与相重组。最后,在工程应用验证中,该框架被成功应用于设计满足PG-28低温等级要求的SBS/CRMA配合比,设计结果与试验测量值的偏差小于7%,验证了该框架在智能材料设计中的可行性。

在讨论与结论部分,研究人员总结指出,提出的光谱耦合编码方法能有效编码FTIR全局数据,提取包含耦合信息的24维微观特征,显著提升了模型性能。所提出的双PINNs框架实现了物理一致性和鲁棒性的统一,其中PINNs-SPJ通过结构化参数预测实现了高精度的徐变柔量预测,而PINNs-PRM通过物理残差约束实现了噪声环境下的稳健徐变率预测。可解释性分析揭示了温度、老化及关键微观组分特征对粘弹性参数的具体影响机制,特别是解码了氢键网络、相平衡、硫-氧耦合及氧化重构等微观机制。最后,该框架被整合至设计优化工作流,并通过实际工程案例验证了其设计误差控制在7%以内的可靠性。该研究为SBS/CRMA的智能表征与优化设计提供了新的方法论支持,同时也指出了未来可引入分数阶粘弹性模型及多光谱技术进一步深化的方向。论文发表在《Materials》。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号