随着深度学习与机器学习技术的快速发展，其在材料科学领域的应用正推动传统研究范式向智能化、高效化转型。近日，材料学院王俊杰教授团队在国际知名期刊《Construction and Building Materials》发表题为“Predicting the fracture load of asphalt concrete under TPB test using POA-optimized machine learning methods”的研究论文，该论文成功将机器学习与优化算法结合，为沥青混凝土断裂性能预测提供了创新解决方案，标志着该领域向“智能材料分析”迈出关键一步。

该刊为中科院一区Top期刊，影响因子7.4。本研究得到重庆市水利科技项目基金、国家自然科学基金资助。

机器学习：破解传统材料试验困局

沥青混凝土作为路面材料与高土石坝防渗核心材料，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。论文首次引入机器学习技术，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。研究采用鹈鹕优化算法分别对随机森林、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荷关键影响因素，为材料配比设计提供科学指导。

技术突破：从“经验驱动”到“数据驱动”

论文创新性提出“机器学习+断裂力学”融合框架，优化模型的Effective fracture resistance（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。

全文链接:

https://www.sciencedirect.com/science/article/pii/S0950061825007287?dgcid=coauthor