Интегрированный физически обоснованный подход машинного обучения для прогнозирования параметров разрушения асфальтобетона

Почему дороги важны

Ежедневно миллионы водителей полагаются на асфальтовые дороги, чтобы добираться до работы, перевозить грузы и поддерживать жизнь городов. Тем не менее трещины и ямы появляются гораздо быстрее, чем хотелось бы, что влечет за собой расходы и раздражение. В этом исследовании рассматривается новый способ прогнозирования того, как и когда асфальт потрескается — с помощью сочетания традиционных лабораторных испытаний, компьютерных симуляций и современных методов машинного обучения. Цель — проектировать более долговечные покрытия быстрее и с меньшими затратами.

Как обычно изучают трещины в асфальте

Чтобы понять, как асфальт разрушается, инженеры часто используют балочные образцы с небольшим надрезом, называемым вырезом, посередине. Эти «балки с односторонним надрезом» изгибают до образования трещины, при этом приборы регистрируют переносимую нагрузку и прогиб. По этим измерениям исследователи вычисляют энергию разрушения — величину, показывающую, сколько энергии материал может поглотить прежде чем трещина пройдет через него. Такие испытания надежны, но медленны, требуют специального оборудования и охватывают лишь ограниченное число смесей и температур.

Добавление виртуальных экспериментов в компьютере

Чтобы выйти за рамки лабораторных возможностей, авторы создали детализированную компьютерную модель надрезанной асфальтовой балки с помощью метода конечных элементов, стандартной техники инженерного моделирования. Они воссоздали ту же геометрию, схему нагружения и температуру, что и в экспериментах, и использовали реалистичные свойства асфальта, чтобы модель имитировала его временную, резиновую поведенческую характеристику. Варируя степень детализации сетки, они нашли уровень, обеспечивающий точные кривые «нагрузка‑перемещение» без чрезмерных вычислительных затрат. Смоделированные результаты хорошо согласовались с реальными испытаниями по пиковым нагрузкам, жесткости и тому, как балка размягчалась после разрушения, что подтвердило, что цифровая модель захватила основные характеристики разрушения.

Обучение машин распознавать закономерности

Далее команда обратилась к машинному обучению, чтобы связать легко измеримые свойства смесей с тем, насколько хорошо асфальт сопротивляется растрескиванию. Они использовали существующий набор данных по асфальтовым смесям, включающий такие параметры, как содержание вяжущего, воздушные пустоты, удельный вес, устойчивость, текучесть и мера жесткости при типичной дорожной температуре. Перед построением моделей они проверили, насколько сильно эти показатели взаимосвязаны: например, более жесткие смеси, как правило, выдерживали большие нагрузки, но вели себя более хрупко, тогда как более высокое содержание вяжущего делало смесь мягче, но более пластичной. Три различных подхода машинного обучения — простая линейная регрессия, Gradient Boosting и AdaBoost — обучались и тестировались с использованием перекрестной проверки. Среди них Gradient Boosting дал наиболее надежные прогнозы жесткости и связанных с ней характеристик разрушения.

Упрощенная формула для сопротивления трещинообразованию

Чтобы сделать прогнозы физически осмысленными, авторы ввели заместительное уравнение для энергии разрушения. Вместо того чтобы просить компьютер напрямую предсказывать энергию разрушения по десяткам входных параметров, они предложили компактное выражение, объединяющее лишь несколько ключевых величин: устойчивость, текучесть, жесткость при 20 °C и характерный размер балки. Это уравнение учитывает размерности и известные тенденции — более высокая устойчивость и жесткость обычно повышают сопротивляемость трещинообразованию, тогда как текучесть отражает способность смеси деформироваться. Используя эту формулу, они вычислили «заместительную» энергию разрушения для каждой смеси и сравнили её с измеренными и смоделированными значениями энергии разрушения. Средняя разница между заместительной и лабораторной/компьютерной величинами составила всего около 2 процентов, что показывает: этот простой, основанный на физике подход улавливает суть процесса образования трещины.

Что это означает для будущих дорог

Для неспециалистов главный вывод в том, что теперь можно оценить, насколько смесь устойчива к трещинам, используя небольшой набор рутинных измерений и тщательно разработанное уравнение, подкрепленное машинным обучением и компьютерными симуляциями. Вместо того чтобы проводить сложные испытания на разрушение для каждой новой смеси, инженеры могут быстро отсеивать варианты, точно подбирать содержание вяжущего и структуру заполнителя и сосредоточить лабораторную работу там, где она действительно необходима. Со временем такого рода интегрированное, физически осознанное моделирование данных может помочь создавать более долговечные покрытия, уменьшить количество ям и повысить эффективность расходов на строительство и обслуживание дорог.

Цитирование: Elahi, M., Khan, R., Mabood, T. et al. An integrated physics-guided machine learning approach for predicting asphalt concrete fracture parameters. Sci Rep 16, 7938 (2026). https://doi.org/10.1038/s41598-025-32041-7

Ключевые слова: разрушение асфальта, проектирование покрытий, машинное обучение, метод конечных элементов, заместительное моделирование