【技术实现步骤摘要】
本专利技术涉及改性沥青材料，具体为基于机器学习的多性能要求聚氨酯改性沥青成分设计方法。
技术介绍
1、聚氨酯改性沥青由异氰酸酯、低聚物多元醇、扩链剂和基质沥青共混制备获得。在基质沥青环境中，异氰酸酯和低聚物多元醇反应生成氨基甲酸酯结构，扩链剂通过增加氨基甲酸酯结构促进聚氨酯网状结构的最终生成。聚氨酯改性沥青因其优异的高温回弹性、界面黏附性和抗老化性等优势被逐渐应用到公路、桥梁和机场等铺装工程中。相比于常规铺装用橡胶类或树脂类改性沥青(如sbs、sbr或胶粉改性沥青等)，聚氨酯改性沥青具有良好的黏附性、回弹性和柔韧性等。根据《公路工程沥青及沥青混合料试验规程(jtg e20-2011)》，聚氨酯在提升软化点、针入度、车辙因子和高温蠕变恢复率的同时，有效降低了改性沥青的延度、低温蠕变模量和高温不可恢复蠕变柔量。此外，由于聚氨酯在基质沥青中生成交联网状结构，使得聚氨酯改性沥青的微观结构高度均匀，避免了胶粉等聚合物改性沥青中常见相态分离问题的出现。
2、聚氨酯改性沥青的性能优势受到材料成分的直接影响。根据文献统计，可用于铺装工程的原料类型中，异氰酸酯类型超过12种，低聚物多元醇类型超过10种，扩链剂类型约有5种。此外，通过调整硬段比例和掺入比例也可以影响聚氨酯改性沥青的性能表现。通常而言，硬段比例和掺入比例的调节范围分别为10％～30％和10％～50％，面对如此庞大的材料成分组合空间(104级组合规模)，传统的析因设计、正交设计和响应曲面设计在筛选效率和预测精准性等方面都存在极大的局限性，因而迫切需要在沥青基材料设计领域引入
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，具备建立了聚氨酯改性沥青“成分→性能”非线性映射关系；实现了面向多性能目标的聚氨酯改性沥青的成分快速设计；借助机器学习方法将聚氨酯改性沥青成分预测误差控制在合理范围内等优点，解决了上述技术的问题。
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，包括以下步骤：
5、步骤一、收集关于聚氨酯改性沥青文献或实验历史数据，建立含材料成分和性能的聚氨酯改性沥青基本数据集；
6、步骤二、对步骤一中的基本数据集进行分类，并根据待设计的聚氨酯改性沥青从基本数据集中选择对应的数据作为初始数据集；
7、步骤三、对步骤二中的初始数据集采用归一化方法进行无量纲化处理；
8、步骤四、根据所述数据集建立聚氨酯改性沥青的“成分→性能”正向预测神经网络模型，并对其进行训练；
9、步骤五、根据所述数据集建立聚氨酯改性沥青的“性能→成分”逆向设计神经网络模型，并对其进行训练；
10、步骤六、将依据实际工程所需要的目标性能(p目标)作为输入数据载入到步骤四中训练后的聚氨酯改性沥青逆向设计模型，获得初始成分方案；
11、步骤七、将初始设计成分方案作为输入数据载入到步骤五中训练后的聚氨酯改性沥青正向预测模型，获得聚氨酯改性沥青预测性能值(p预测)；
12、步骤八、计算所述预测性能与设定目标性能的误差；
13、步骤九、判断所述误差是否在预设误差范围内；若是，则聚氨酯改性沥青设计完成；若否，则重新建立和重新训练聚氨酯改性沥青正向预测和逆向设计模型，并重复步骤四到步骤八。
14、优选的，所述步骤一种基本数据集由异氰酸酯、低聚物多元醇和扩链剂组成。
15、优选的，所述步骤一中成分数据内容包括掺入比例、结构特征和有效基团含量，性能数据内容为车辙因子(g*/sin(δ))、疲劳因子(g*·sin(δ))、蠕变劲度(s)、模量变化率(m)和拉伸应变(ε)中的一种或几种的组合。
16、优选的，所述步骤二中数据集分类的方式为原料类型和制备工艺中的至少一类。
17、优选的，所述步骤三中归一化方法依据式为：对原始数据(x)进行线性化转化，获得处理后数据(x′),μ和σ分别为原始数据的平均值和标准差。
18、
19、优选的，所述步骤四具体步骤包括：
20、s1.1、分别将初始数据集中的成分数据和性能数据作为输入和输出，调整神经网络模型参数，建立聚氨酯改性沥青正向预测模型；
21、s1.2、为正向预测模型选择结构参数、激活函数、连接形式和训练方法建立并训练聚氨酯改性沥青正向预测模型，使之综合预测精度不低于0.90。
22、优选的，所述步骤五的具体步骤包括：
23、s2.1、分别将初始数据集中的性能数据和成分数据作为输入和输出，调整神经网络模型参数，建立聚氨酯改性沥青逆向设计模型；
24、s2.2、为逆向设计模型选择结构参数、激活函数、连接形式和训练方法建立并训练聚氨酯改性沥青逆向设计模型。
25、优选的，所述聚氨酯改性沥青逆向设计模型综合预测精度不低于0.90。
26、优选的，所述步骤九中误差计算方法公式为：
27、
28、优选的，所述误差(e)小于10％，
29、与现有技术相比，本专利技术提供了一种基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，具备以下有益效果：
30、1、本专利技术通过收集公开发表的文献资料和实验室测试数据，整理获得聚氨酯改性沥青的成分和性能数据，进而建立基本数据集，将基本数据集根据分类原则进行划分，并根据所设计聚氨酯改性沥青的类型选择与之相对应初始数据集，达到了建立聚氨酯改性沥青“成分→性能”非线性映射关系的有益效果。
31、2、本专利技术通过根据已有数据构建基本和初始数据集，利用机器学习围绕聚氨酯改性沥青的性能和成分分别建立了正向预测和逆向设计模型；依据实际目标性能要求，通过逆向设计模型确定暂拟成分方案，进而由正向预测模型确定暂拟方案的预测性能；判断预测性能与目标性能是否满足合理误差；如若满足误差，则设计成功，否则重新训练模型，达到了面向多性能目标的聚氨酯改性沥青的成分快速设计的有益效果。
32、3、本专利技术通过误差容许范围设置为10％，若误差(e)不大于设定的误差，则步骤八输出的预测成分为合理值，否则重新执行步骤三中正向预测模型和逆向设计模型神经网络参数，重复步骤四～步骤八，直到筛选出满足误差要求聚氨酯改性沥青成分方案，达到了借助机器学习方法将聚氨酯改性沥青成分预测误差控制在合理范围内的有益效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤一种基本数据集由异氰酸酯、低聚物多元醇和扩链剂组成。
3.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤一中成分数据内容包括掺入比例、结构特征和有效基团含量，性能数据内容为车辙因子(G*/sin(δ))、疲劳因子(G*·sin(δ))、蠕变劲度(S)、模量变化率(m)和拉伸应变(ε)中的一种或几种的组合。
4.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤二中数据集分类的方式为原料类型和制备工艺中的至少一类。
5.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤三中归一化方法依据式为：对原始数据(x)进行线性化转化，获得处理后数据(x′),μ和σ分别为原始数据的平均值和标准差。
6.根据权利要求1所述的基于
7.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤五的具体步骤包括：
8.根据权利要求7所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述聚氨酯改性沥青逆向设计模型综合预测精度不低于0.90。
9.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤九中误差计算方法公式为：
10.根据权利要求9所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述误差(e)小于10％。
...【技术特征摘要】
1.一种基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤一种基本数据集由异氰酸酯、低聚物多元醇和扩链剂组成。
3.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤一中成分数据内容包括掺入比例、结构特征和有效基团含量，性能数据内容为车辙因子(g*/sin(δ))、疲劳因子(g*·sin(δ))、蠕变劲度(s)、模量变化率(m)和拉伸应变(ε)中的一种或几种的组合。
4.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其特征在于：所述步骤二中数据集分类的方式为原料类型和制备工艺中的至少一类。
5.根据权利要求1所述的基于机器学习的多性能要求聚氨酯改性沥青成分设计方法，其...
【专利技术属性】
技术研发人员：丛林，丁鹤洋，龚红仁，庄海清，梁霄，
申请(专利权)人：同济大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。