一种基于机器学习的沥青动态黏弹特性预测方法
阅读说明：本技术 一种基于机器学习的沥青动态黏弹特性预测方法 (Asphalt dynamic viscoelastic characteristic prediction method based on machine learning ) 是由 单丽岩 王亚杰 杨金龙 王建杰 于 2021-08-24 设计创作，主要内容包括：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。(The invention discloses a method for predicting asphalt dynamic viscoelastic characteristics based on machine learning, which adopts a dynamic shear rheometer to test the dynamic viscoelastic characteristics of a sample, and adopts an element analyzer and an infrared spectrometer to test the microstructure of the sample; extracting the characteristics of the microstructure parameters by using a principal component analysis method; determining a mapping relation between the dynamic viscoelastic characteristic parameters and the microconstituent structure parameters by a distance correlation coefficient method; and establishing an asphalt dynamic viscoelastic characteristic prediction model based on a support vector machine learning algorithm. The method reveals the corresponding relation between the dynamic viscoelastic property and the microcosmic composition structure of the asphalt material, is beneficial to rapidly acquiring the dynamic viscoelastic mechanical response of the asphalt, provides basic theoretical support for the design and production of the asphalt material, and has positive significance for guiding the design of the asphalt and other materials according to requirements.)
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、me，玻璃态动态模量Gg，以及交叉频率fc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…；
步骤五：计算步骤二选取的动态模量主曲线拟合参数与步骤四处理后的微观特征参数间的距离相关系数，确定与动态模量主曲线拟合参数有较大相关性的微观特征参数为模型输入变量，并以此组建一一对应的新的宏微观数据集；
步骤六：将步骤五组建的数据集按照9:1的比例划分成训练集与测试集，选择适当的核函数类型搭建基于支持向量机的沥青动态黏弹特性预测模型，基于训练集数据进行沥青动态黏弹特性预测模型训练，并借助网格搜索法和交叉验证法优化模型参数；
步骤七：基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型，以平均绝对百分比误差(MAPE)测试预测模型的准确性。
相比于现有技术，本发明具有如下优点：
本发明建立了沥青材料动态黏弹特性与微观组成结构间的相关关系，实现了通过沥青微观特征参数预测宏观动态模量的目的，丰富了沥青动态模量评价方法，为实现沥青材料的按需设计提供了技术支撑。
附图说明
图1为实施例中基于机器学习的沥青动态黏弹特性预测方法的流程图；
图2为实施例中动态黏弹特性预测结果图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
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。具体步骤如下：
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。
本步骤中，所测试的不同沥青样本包括：不同标号的沥青、不同油源的沥青、掺加不同改性剂的沥青、是否经过老化的沥青等类型中的几种。
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、me，玻璃态动态模量Gg，以及交叉频率fc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，以解决因量纲不同而不具有可比性的问题，计算经均值化处理后数据的方差，去除方差较小的微观特征参数。
本步骤中，均值化方法的公式如下：
其中，x′i为特征参数去量纲后的值，xi为特征参数原始值，为特征参数对应所有样本下的均值。
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…。
本步骤中，Pearson相关系数是用来衡量微观特征参数间的相关性，即相关性较大的特征间存在冗余，利用主成分分析处理相关性较大的特征参数得到较少新参数，可达到去除数据冗余，降低维度的目的。
步骤五：计算步骤二选取的动态模量主曲线拟合参数与步骤四处理后的微观特征参数间的距离相关系数，确定与动态模量主曲线拟合参数有较大相关性的微观特征参数为模型输入变量，并以此组建一一对应的新的宏微观数据集。
步骤六：将步骤五组建的数据集按照9:1的比例划分成训练集与测试集，选择适当的核函数类型搭建基于支持向量机(SVM)的沥青动态黏弹特性预测模型，基于训练集数据进行沥青动态黏弹特性预测模型训练，并借助网格搜索法和交叉验证法优化模型参数。
本步骤中，支持向量机(SVM)可将输入空间的变量x，y映射至高维特征空间中，在高维空间找出变量之间的非线性关系，从而找到一个最优函数f(x)，f(x)的公式如下：
其中，xi·x为核函数，其类型包括：线性核函数、多项式核函数、高斯核函数、sigmoid核函数，αi、b为模型参数。
步骤七：基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型，以平均绝对百分比误差(MAPE)测试预测模型的准确性。
本步骤中，平均绝对百分比误差(MAPE)的公式为：
其中，yi为测试值，f(xi)为预测值。
实施例：
本实施例提供了一种基于机器学习的沥青动态黏弹特性预测方法，如图1所示，具体实施步骤如下：
步骤一：采用DHR-2型动态剪切流变仪对表1中50种沥青样本进行频率扫描，测定材料的动态模量随频率的变化情况，根据时温等效原理和CAM模型理论建立参考温度为20℃的动态模量主曲线；采用Vario EL Cube元素分析仪采集沥青C、H、N、S元素数据，并利用差值法获取O元素数据；采用Nicolet iS5型红外光谱仪采集沥青红外数据。
表1沥青样本汇总表
注：上述沥青编号中L代表low grade，B代表binder，M代表modified，A代表aging。
步骤二：选择步骤一得到的所有样本的6个动态模量主曲线参数C1、C2、k、me、Gg、fc构建宏观特征参数数据集，选择所有样本的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共31个参数构建微观特征参数数据集。其中所选红外光谱特征峰汇总如表2所示，I代表各特征峰峰高，A代表各特征峰峰面积。
表2特征峰峰高与峰面积特征参数初选
步骤三：利用均值化方法对数据集数据进行去量纲处理，以解决因量纲不同而不具有可比性的问题，计算经均值化处理后数据的方差，发现C元素含量数据的方差为0.0002，对于样本本身区分度极弱，因此在后续模型建立中忽略这一微观特征参数的影响。
步骤四：计算步骤三得到的微观特征参数的Pearson相关系数，提取Pearson相关系数较大的微观特征参数汇总如表3所示，基于主成分分析对表3所示的微观特征参数进行降维，替换为表4中的新特征参数V1、V2，此时，微观特征参数减少为25个。
表3相关性较大的微观特征参数相关系数表
表4 V1、V2数据表
步骤五：计算步骤二选取的动态模量主曲线特征参数与步骤四处理后的微观特征参数间的距离相关系数，结果如表5所示，分析可知，微观特征参数A1600、A966、A870、A745、I1600、I745、I966和C/N与某些动态模量主曲线特征参数间相关系数较大，因此为较好的预测出动态模量主曲线，后续机器学习建模数据选择上述8种参数为模型输入变量。最终数据集中共包含C1、C2、k、me、Gg、fc 6种动态模量主曲线特征参数，A1600、A966、A870、A745、I1600、I745、I966和C/N8种微观组成结构特征参数。
表5距离相关系数表
注：距离相关系数在0.4以上表明两特征有较大相关性，距离相关系数大于0.4的数据已在表中加粗。
步骤六：将步骤五得到的数据集按照9:1的比例划分成训练集与测试集，选择高斯核函数搭建基于支持向量机的沥青动态黏弹特性预测模型，基于训练集数据进行沥青动态黏弹特性预测模型训练，借助网格搜索法和交叉验证法优化模型参数。
步骤七：基于测试集数据检验步骤六中训练好的沥青动态黏弹特性预测模型，平均绝对百分比误差(MAPE)评估结果如表6所示，根据模型预测结果绘制部分沥青动态模量主曲线并与实测值对比(如图2所示)。
表6动态黏弹特性预测模型评估结果
综上所述，基于本发明的沥青动态黏弹特性预测方法提出了对沥青黏弹性能影响显著的主要微观组成结构指标，建立了沥青宏微观特征的对应关系，同时预测的动态模量主曲线参数的MAPE均小于10％，以此绘制的动态模量主曲线与实测值拟合较好。本发明为评价沥青动态黏弹特性提供了一种新手段，并且为设计、生产乃至研发沥青材料提供了新的思路。