基于ANN預測模型快速檢測改性瀝青SBS含量的方法研究

張海波 王富強

摘要：傳統的SBS含量檢測存在試驗周期長、人為因素干擾大、設備的試驗精度不高和試驗結果可信度偏低等問題。文章建立改性瀝青的傅里葉衰減全反射紅外光譜與SBS含量的ANN預測模型，對改性瀝青中SBS含量進行定量分析，并采用內摻法制備檢測樣品驗證該預測模型的可信度。檢測試驗結果表明，實際值與預測值非常接近，基于ANN預測模型進行數據分析預測可快速檢測SBS含量，可信度高。

關鍵詞：ANN預測模型;快速檢測;改性瀝青;SBS含量

0 引言

SBS改性瀝青是基質瀝青在高速剪切機機械剪切作用下結合使用膠體磨，并控制在一定溫度下將聚合物與SBS改性劑（下稱SBS）均勻混合的共混物[1]。SBS改性瀝青抗拉性能高、耐高溫抗凍、具有良好彈性性能，目前普遍用于我國高等級公路路面結構的上面層、機場道路面層、橋面鋪裝等工程的建設與養護中[2]。改性瀝青中的SBS為聚苯乙烯-聚丁二烯-聚苯乙烯嵌段式聚合物，因其綜合了橡膠的彈性和樹脂的熱塑性兩大性能，體現為耐熱性能的熱軟化點和抗凍性能的硬化點均較高。這是因為分子結構顯現為線型，因此在重復受熱和冷卻的過程中，在復雜環境下均保持原有性能[3]，不產生化學反應。大部分研究者認為SBS改性劑對瀝青的改善作用最好，可以同時改善瀝青的高溫性能和低溫性能，并且還可以提高瀝青混合料的抗疲勞開裂和水穩定性，因此被廣泛使用。SBS改性劑的含量直接影響改性瀝青的各項性能，是改性瀝青生產和運用過程中質量控制的關鍵因素，其質量含量的監控顯得尤為重要。

在正常使用環境條件下，SBS含量越高SBS改性瀝青的路用性能則越好。中國改性瀝青市場中SBS價格偏高，一些供應商有意降低或虛報SBS含量從中獲取高額利潤，危害道路工程質量，給國家造成經濟損失。如何快速準確地檢測SBS改性劑含量，是中國改性瀝青市場進一步成熟化、規范化的新挑戰。迄今為止，已有研究提出基于FTIR和線性回歸分析的SBS含量測試，建立SBS含量與FTIR的特征峰高比或峰面積比之間的簡單線性回歸[4]。然而，由于紅外測量技術的不穩定性，中紅外吸收值容易變化。生成的曲線可能不是線性的，數據可能具有高度的分散性，這限制了紅外光譜技術在SBS定量分析中的發展。近年來，研究學者基于PCR與PLS等化學計量方法對SBS含量進行定量分析，在多元系統考慮非線性的情況下，現代模式識別技術如主成分回歸（PCR）、偏最小二乘法（PLS）、遺傳算法等研究越來越多。PCR與PLS均是基于線性關系的，但在實際應用中，由于樣品的物理性質與其化學性質存在較大的差異，使得大多數的預測結果并非呈現出線性關系[5]。瀝青是一種非牛頓流體材料，其紅外光譜是非線性的，因此基于PCR與PLS等化學計量方法對SBS含量的定量分析，并不能快速準確地檢測SBS改性劑含量。

人工神經網絡（下稱ANN）能夠確定瀝青線性參數與非線性參數之間的關系，本文建立改性瀝青的傅里葉衰減全反射紅外光譜（下稱FTIR）與SBS含量的ANN預測模型對改性瀝青中SBS含量進行定量分析。這種方法能夠簡便、快速、準確輸出計算結果，為準確分析改性瀝青中SBS含量提供了可靠方法。

1 ANN預測模型的建立

ANN是得到了生物神經網絡的啟發建立的一種數學和數值方法。ANN預測模型通常包含一個輸入層、一個或多個隱藏層和一個輸出層（如圖1所示），層與層之間按不同方式連接。其中隱藏層的作用是將一組輸入數據修改為一組新的輸出數據，預測模型將根據新輸出數據建立新的模式識別。ANN預測模型中的自適應網絡，能夠在網絡訓練過程中改變網絡的有效參數（權重、偏差、傳遞函數、中間層數、每層神經元數等），直至模型誤差值達到最小。目前研究建立的ANN預測模型基本屬于傳播類型，該類型采用反向傳播算法訓練預估出最佳的網絡權重和偏差量，能夠快速、準確地顯示檢測樣品的預測結果，被研究者認為是目前最先進有效的方法之一。

采用MATLAB軟件進行ANN建模，在軟件中使用反向傳播的方法進行網絡訓練。根據網絡結構設計的原則，預測模型中設定權重數不超過訓練樣本數，本文進行最優的網絡結構設計，將隱含層節點設定為10。

本文建立ANN預測模型通過顯示非線性光譜特性關系，經ANN預測模型計算出預測樣本的SBS含量，因此比其他檢測方法更準確快速。為了防止ANN預測模型出現過擬合現象，本文使用交叉驗證方法將檢測樣品分成訓練集、驗證集和測試集。其中80%的光譜數據作為ANN模型的訓練集，10%的光譜數據作為驗證集，10%的光譜數據作為測試集。訓練集中分別用相關系數r、誤差均方根RMSECV、預測誤差均方根RMSEP來反映ANN預測模型的預測結果，分別按式（1）、式（2）、式（3）計算，依據驗證集來評價訓練集預測結果的準確性。

2 ANN預測模型檢測試驗

2.1 實驗儀器及配套軟件

試驗主要使用儀器及配套軟件如表1所示。

2.2 制備試驗檢測的檢測樣品

制備試驗檢測的檢測樣品采用的原材料有：SK90#道路石油瀝青和SBS（L-YY型），并配用穩定劑，以上三種材料均為工業品材料。試件保持相同的原材料、相同的制作方式和加熱溫度，變化參數為SBS改性劑的摻入比例。

采用內摻法，將基質瀝青加熱至180℃，開啟高速剪切機，在基質瀝青摻入SBS改性劑，摻入比例分別為：3.5%、4.0%、4.2%、4.5%、5.0%。低速攪拌5min至SBS改性劑均勻分散于基質瀝青中。在（180±5）℃、4500r/min條件下剪切40min，之后置于烘箱內發育1h左右。其中，摻入比例4.2%為測試樣本，用于比對和驗證預測模型的可信度。

2.3 SBS含量的快速檢測與結果分析

采用Cary630FTIR光譜儀測定檢測樣品不同SBS含量下的紅外光譜圖。檢測樣品測量記錄的瀝青紅外光譜圖如圖2所示。

選擇60個檢測樣品光譜數據輸入ANN預測模型，目標值為SBS改性劑的摻入比例：3.5%×15個檢測樣品，4.0%×15個檢測樣品，4.5%×15個檢測樣品，5.0%×15個檢測樣品。將60個檢測樣品光譜數據，即輸入和輸出數據隨機分成三組，80%作為訓練集，10%用于驗證集，10%用作測試集。ANN預測模型得到的目標值與輸出值的關系見圖3。

由圖3（a）可以看出：全部檢測樣品的SBS改性劑摻入比例相關系數R為0.941，誤差均方根為0.448。

由圖3（b）可以看出：訓練集的SBS改性劑摻入比例相關系數R為0.999，誤差均方根為0.264。

檢測樣品數據在ANN預測模型中進行5次迭代得到輸出參數網絡的最佳驗證性能，其結果見圖4。在ANN預測模型根據因變量FTIR數據與獨立變量SBS含量計算結果得出目標值與輸出值，其目標輸出誤差見圖5。由圖5可以看出：零誤差線在最高的柱狀圖形中心，表明ANN預測模型的目標-輸出誤差最小。由此可知，未知樣本的因變量FTIR數據與獨立變量SBS改性劑摻入比例在ANN預測模型計算后，其目標值與輸出值具有較好的相關性，可以利用ANN預測模型快速預測未知樣本的SBS含量。

2.4 SBS含量快速檢測的可信度驗證

為了驗證ANN預測模型的可信度，利用SBS含量為4.2%的FTIR光譜數據集，與ANN預測模型輸出的預測值相對比，[JP+2]驗證其可信度。ANN預測模型SBS含量快速檢測的可信度驗證數據見表2。由表2可知：SBS含量實際值與預測值非常接近，標準偏差為0.087，均方根誤差為0.123，可信度高。說明通過ANN預測模型簡便快捷地進行數據分析，能夠準確地預測SBS含量。

3 結語

傳統的SBS含量檢測存在試驗周期長、人為因素干擾大、設備的試驗精度不高和試驗結果可信度偏低等問題。本文采用ANN預測模型可簡便快捷地通過數據分析預測SBS含量，有如下結論：

（1）全部檢測樣品的SBS改性劑摻入比例相關系數R為0.941，訓練集R為0.999，均>0.9，表明SBS含量與FTIR的相關曲線有著非常高的相關性。

（2）ANN預測模型快速檢測SBS含量，實際值與預測值非常接近，標準偏差為0.087，均方根誤差為0.123，可信度高。

參考文獻：

[1]蔡 健，石鵬程，韓靜云，等.基于FTIR的改性瀝青中SBS含量精確測試研究[J].公路，2016（3）：176-181.

[2]ZhangQ，WangT，FanW，etal.EvaluationofthepropertiesofbitumenmodifiedbySBScopolymerswithdifferentstyrenebutadienestructure[J].JournalofAppliedPolymerScience，2014，131（12）：469-474.

[3]孫大權，張立文.SBS改性瀝青中SBS含量測試方法研究[J].建筑材料學報，2013，16（1）：180-184.

[4]高妮妮.改性瀝青SBS劑量快速檢測方法研究[D].西安：長安大學，2013.

[5]徐志榮，陳忠達，常艷婷，等.改性瀝青SBS含量的紅外光譜分析[J].長安大學學報（自然科學版），2015，35（2）：7-12.