【摘要】： 建立组成结构与宏观性能的相关关系是实现“材料基因组计划”按需设计和数值化制造的重点和难点。沥青流变构效关系是指沥青的宏观流变性能与微观组成结构之间的关系,其建立是准确预测沥青流变特性以及实现沥青按需设计的核心和关键。然而,由于沥青的微观组成结构极其复杂,现有关系模型主要存在以下问题:普通模型预测性能单一,材料、环境等因素影响较大,多尺度对应关系模型建立复杂,难以推广应用。机器学习打破了常规关系模型的建立方法,基于大量数据建立统计关系模型以达到同时准确预测多种性能的目的,该种关系模型不受外界条件的影响,可以避开多尺度间复杂联系的难题。因此,本研究采用机器学习方法建立沥青流变构效关系模型。首先,收集了目前常用的沥青50种;详细分析了各种沥青的动态流变特性,基于模量主曲线和相位角主曲线,建立了沥青的流变性能数据库;借助元素分析和红外光谱测试了不同沥青的微观组成结构进,基于元素含量和红外光谱曲线,建立了沥青的微观组成结构数据库。其次,研究了数据的特征选择和特征提取理论,确定了微观组成结构数据和流变性能数据的特征提取方法,即:通过方差筛选法进行特征预处理,基于主成分分析法进行特征降维,利用距离相关系数法寻找与流变特征参数有映射关系的微观特征参数;采用确定的方法对数据库中的数据进行了特征选择和特征提取。最后,研究了机器学习理论中各学习算法对于沥青流变构效关系建立的适用性,选择了支持向量机、相关向量机和随机森林3种机器学习算法进行对比分析;基于不同算法建立模型的准确程度,最终优选支持向量机用于模型的建立;研究了网格搜索法和交叉验证法对模型优化的适用性,建立了基于优化支持向量机的沥青流变构效关系模型,并验证了模型的准确性。论文建立了基于机器学习的沥青流变构效关系模型,对沥青材料的设计、生产乃至道路新材料的研发具有重要的理论意义和应用价值,对其他材料按需设计的实现具有一定的指导意义。 王泰然;李健聪;舒武;胡素磊;欧阳润海;李微雪;; 基于机器学习的合金催化剂表面吸附能预测（英文） [J];Chinese Journal of Chemical Physics;2020年06期 本刊讯;; 新的机器学习工具可追踪城市交通拥堵 [J];数据分析与知识发现;2020年12期 王伟宾;; 面向大数据环境的大规模机器学习工具研究综述 [J];软件导刊;2021年01期 王蕴韬;; 通信系统优化对分布式机器学习系统性能提升的分析 [J];信息通信技术与政策;2021年03期 肖畅;吕立华;; 全栈式机器学习在钢铁流程智能制造中的应用 [J];宝钢技术;2021年02期 韦大欢;苏霞;; 试析神经网络系统的机器学习过程 [J];电脑编程技巧与维护;2021年04期 董春利;王莉;; 基于机器学习的切换管理和模型浅析 [J];电子测试;2021年09期 C.J.Abate;禾沐;; 机器学习的未来——Daniel Situnayake访谈 [J];单片机与嵌入式系统应用;2021年06期 赵哲园;; 基于人工智能技术的机器学习研究分析 [J];电子元器件与信息技术;2021年03期 詹东平;; 近期热点文章 [J];电化学;2021年03期 顾凡;; 企业成功应用机器学习的四点建议 [J];软件和集成电路;2021年07期 ; 如何通过机器学习挖掘实际业务价值？ [J];软件和集成电路;2021年06期 潘夏福;; 机器学习的数学理论及其算法研究——评《机器学习的数学理论》 [J];科技管理研究;2021年15期