近日，宜宾学院凌会坤博士与重庆交通大学以及悉尼大学合作，在国际知名期刊《Construction and Building Materials》（《建造与建筑材料》）上发表题为“Predicting the fracture load of asphalt concrete under TPB test using POA-optimized machine learning methods”（基于POA算法优化的机器学习方法对沥青混凝土三点弯曲断裂荷载的预测）的研究论文。该论文成功将机器学习算法与优化算法结合，为沥青混凝土断裂性能预测提供了创新解决方案，标志宜宾学院在机器学习的工程应用研究水平持续提升。凌会坤博士为该论文的第一作者，宜宾学院为第二署名单位。据悉，该期刊2024年最新影响因子为7.0，是中科院工程技术大类一区Top期刊，位于JCR一区。
沥青混凝土作为高土石坝防渗核心材料以及路面材料，其断裂行为直接影响工程安全。传统三点弯曲试验依赖物理测试，存在成本高、周期长等局限。本研究团队引入机器学习技术，通过骨料级配、试样尺寸、孔隙率等多参数建模，实现对断裂峰值荷载的高效预测。研究采用鹈鹕化算法对随机森林、多层感知机等四种模型进行超参数优化，显著提升预测精度与鲁棒性。优化后的模型预测误差降低40%，其SHAP可解释性分析进一步揭示沥青混凝土三点弯曲的峰值荷载关键影响因素，为材料配比设计提供科学指导。该论文基于“机器学习+断裂力学”融合框架，优化模型的有效断裂能（Keff）预测精度远超传统MTS/MTSN准则，尤其在混合加载模式下误差减少超50%。这一成果不仅验证了机器学习在复杂材料行为建模中的潜力，更通过算法可解释性打通了理论研究与工程实践的壁垒。
当前，全球材料研究正加速拥抱人工智能，本研究为沥青混凝土性能预测提供新的思考，也为道路、大坝等基础设施的智能运维发展提供了新的思路。同时，该论文为团队探索迁移学习在工程管理、项目管理等场景中的应用奠定了基础。随着深度学习模型轻量化与边缘计算技术的发展，此类算法有望嵌入工程经济预算、风险评估与预警等方向。
该研究由重庆市水利科技项目（CQSLK-2023006），国家自然科学基金项目（52378327）与宜宾学院培育项目（2023PY07）支持。(供稿/凌会坤 编辑/王颖）
全文链接: https://www.sciencedirect.com/science/article/pii/S0950061825007287?dgcid=coauthor
