一种结合物理引导的机器学习方法用于预测沥青混凝土断裂参数

更好道路为何重要

每天都有数以百万计的驾驶者依赖沥青道路上下班、运输货物并维持城市运转。然而裂缝和坑洞往往比我们希望的更早出现，造成开销并带来烦恼。本研究探索了一种预测沥青何时及如何开裂的新方法——将传统实验、计算机模拟与现代机器学习结合起来。目标是更快、更经济地设计出更耐久的路面。

通常如何研究沥青裂缝

为了理解沥青如何断裂，工程师常使用一种在中间有小切口（称为缺口）的梁形试样。这些“单边缺口梁”被弯曲直到断裂，同时仪器记录试样承受的力和挠度。从这些测量中，研究者计算断裂能——一个描述材料在裂缝扩展前能吸收多少能量的数值。此类试验可靠，但耗时，需要专用设备，并且只能覆盖有限数量的配合比和温度条件。

在计算机上增加虚拟试验

为超越实验室的限制，作者使用有限元方法建立了缺口梁的详细计算模型，这是一种常用的工程模拟技术。他们重现了实验中的几何形状、加载方式和温度，并采用现实的沥青材料特性，使模型能够模拟其随时间变化的橡胶状行为。通过调整网格细化程度，找到了既能产生准确的力-位移曲线又不会带来过高计算代价的细节级别。模拟结果在峰值力、刚度以及断裂后试样的软化行为方面与实际试验高度一致，证明数字模型捕捉到了关键的断裂行为。

教机器识别规律

接着，团队转向机器学习，将易测的混合料性质与沥青抗裂性能联系起来。他们使用了一套现有的沥青混合料数据集，包含粘结剂含量、空隙率、单位重、稳定度、流值以及典型路温下的刚度等属性。在建模前，他们检查了这些属性之间的相关性：例如，较高的刚度往往意味着能承受更高载荷但更脆，而较高的粘结剂含量会使混合料更软且更具延展性。三种不同的机器学习方法——简单线性回归、梯度提升和AdaBoost——通过交叉验证进行了训练和测试。其中，梯度提升在预测刚度及相关断裂行为方面表现最可靠。

用于抗裂性的捷径公式

为了让预测具有物理意义，作者提出了一个断裂能的替代方程。与其让计算机直接从几十个输入中猜测断裂能，不如给出一个紧凑的表达式，组合少数关键量：稳定度、流值、20 °C 时的刚度以及一个表征梁尺寸的参数。该方程遵循量纲并符合已知趋势——更高的稳定度和刚度通常提高抗裂性，而流值反映混合料的可变形能力。利用该公式，他们为每种混合料计算了一个“替代”断裂能，并将其与实验和模拟的断裂能进行了比较。平均来看，替代值与实验和计算值的差异仅约 2%，表明这一简单且受物理约束的捷径能捕捉开裂过程的本质。

这对未来道路意味着什么

对于非专业读者，主要信息是我们现在可以通过少量常规测量和一个经过精心设计的方程（并以机器学习和计算模拟为支撑）来估算沥青混合料的抗裂能力。工程师无需为每种新配合比都进行复杂的断裂试验，而可快速筛选设计、微调粘结剂含量和骨料结构，并将实验室工作集中在最关键的地方。随着时间推移，这种集成的、具有物理意识的数据建模方式有望帮助提供更耐久的路面、更少的坑洞，以及更高的道路建设和维护投资回报率。

引用: 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

关键词: 沥青断裂, 路面设计, 机器学习, 有限元模拟, 替代模型