基于PCA-RBF的瀝青混合料阻燃性能研究

摘" 要：該研究旨在探討基于主成分分析（PCA）和徑向基函數（RBF）神經網絡的方法，以評估瀝青混合料的阻燃性能。研究的主要目標是建立一個可靠的預測模型，以準確評估不同瀝青混合料的阻燃性能，從而為瀝青路面工程設計和交通安全提供支持。該文收集多種不同配方和成分的瀝青混合料樣本，并對其阻燃性能進行實驗測試。然后，運用PCA降維技術提取關鍵特征，以減少特征空間的維度，從而優化數據分析。接著，采用RBF神經網絡模型，利用經過降維處理的數據，進行阻燃性能的建模和預測。研究結果表明，PCA-RBF方法能夠有效地分析瀝青混合料的阻燃性能，并具有較高的預測準確性。通過使用PCA降維，成功地提取影響阻燃性能的主要特征，從而更好地理解不同混合料之間的差異。同時，RBF神經網絡模型在預測方面表現出色，為不同瀝青混合料的阻燃性能提供可靠的評估方法。該文討論模型的優點和局限性，并提出進一步改進和研究的建議。

關鍵詞：PCA-RBF；瀝青混合料；阻燃性能；評估方法；預測模型

中圖分類號：U414" " " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）11-0111-04

Abstract： This study aims to explore methods based on principal component analysis （PCA） and radial basis function （RBF） neural networks， so as to evaluate the flame retardant properties of asphalt mixtures. The main goal of the research is to establish a reliable predictive model to accurately evaluate the flame retardant performance of different asphalt mixtures to support asphalt pavement engineering and traffic safety. This paper collected samples of bitumen mixtures with different formulations and compositions and experimentally tested their flame retardant properties. Then， we use PCA dimensionality reduction technology to reduce the dimensionality of the feature space and extract key features to optimize data analysis. Next， we used the RBF neural network model to model and predict the flame retardant performance using the dimensionality reduction data. The results show that the PCA-RBF method can effectively analyze the flame retardant performance of asphalt mixture and has high prediction accuracy. Using PCA dimensionality reduction， we successfully extracted the main characteristics that affect flame retardant performance， resulting in a better understanding of the differences between different mixtures. At the same time， the RBF neural network model performs well in prediction， providing a reliable evaluation method for the flame retardant performance of different asphalt mixtures. This paper discusses the advantages and limitations of the model and make recommendations for further improvement and research.

Keywords： PCA-RBF; asphalt mixture; flame retardancy; evaluation method; prediction model

瀝青混合料作為道路建設中的重要材料，在道路交通基礎設施中發揮著關鍵作用。尤其在面臨交通事故或火災等緊急情況時，瀝青混合料的阻燃性能變得至關重要。火災可能導致道路材料的失效，加劇事故傷害，并對交通流暢性和安全性產生嚴重影響。在這一背景下，本研究聚焦于一種結合PCA（Principal Component Analysis）和RBF（Radial Basis Function）模型的研究方法，旨在更全面、準確地評估瀝青混合料的阻燃性能。PCA-RBF方法具有多維數據降維和復雜模式識別的能力，使其成為探索瀝青混合料性能的有力工具。

1" 基于PCA-RBF的瀝青混合料阻燃性能研究

1.1" 阻燃性能評估方法

瀝青混合料的阻燃性能評估是確保道路材料在火災等緊急情況下表現出最佳性能的關鍵因素之一。在過去的研究中，傳統的阻燃性能評估方法通常側重于定性描述，如可燃性、燃燒速率和燃燒煙霧的觀察[1]。

PCA或主成分分析，是一種多變量數據降維技術，可以將復雜的數據集轉化為更少的維度，而不損失太多信息。在瀝青混合料的阻燃性能研究中，PCA被用來提取關鍵的性能特征，例如材料的燃燒特性、熱穩定性和其他相關屬性。通過PCA可以降低數據的維度，減少信息冗余，使數據更易于處理和理解。

RBF或徑向基函數，是一種用于模式識別和函數逼近的技術。在阻燃性能研究中，RBF可以用來建立模型，描述不同條件下瀝青混合料的阻燃性能。RBF模型通過學習已知數據點之間的關系預測未知數據點的性能。這種方法的優點在于其可以捕獲非線性關系，因此更適用于復雜的阻燃性能數據。

綜合運用PCA和RBF，研究者能夠將復雜的阻燃性能數據轉化為更容易分析的形式，并建立模型預測材料在不同條件下的性能。這種方法的優勢在于不僅提供了更準確的定量分析，還能夠深入挖掘阻燃性能數據中的隱藏模式和關聯關系，從而為改進瀝青混合料的阻燃性能提供有力支持。通過這一新的研究方法，我們有望更好地理解瀝青混合料在火災條件下的行為，從而為道路安全性的提升和工程設計的優化提供更可靠的科學依據。

1.2" PCA的原理和應用

PCA是一種多元統計分析技術，旨在降低多維數據集的維度，同時保留數據的重要信息。其原理基于數據的協方差矩陣，通過線性變換將數據映射到新的坐標系，其中新坐標軸按照數據的方差遞減順序排列。PCA的應用不僅限于數據降維，還可以用于特征提取、數據可視化和噪聲去除。在瀝青混合料的阻燃性能研究中，PCA的應用非常有價值。首先，通過PCA可以將復雜的性能數據集降維，提取出最能描述阻燃性能的特征，例如燃燒速率、熱穩定性等，這有助于簡化數據分析和模型建立的復雜性。其次，PCA還可以用于探索不同性能指標之間的關聯關系，幫助研究者更好地理解材料行為。最重要的是，PCA為數據的可視化提供了便利，使研究者能夠以直觀的方式觀察不同樣本之間的差異，進一步指導實驗和研究方向[2]。

1.3" RBF的原理和應用

RBF是一種基于核函數的機器學習技術，廣泛用于模式識別、函數逼近和數據建模等領域。RBF模型的基本思想是利用徑向對稱函數將輸入空間映射到高維特征空間，從而使數據在新空間中更容易分隔或建模。RBF網絡由輸入層、隱藏層和輸出層組成，其中隱藏層的神經元以徑向基函數為基礎進行權重計算，產生對輸入數據的非線性映射。在瀝青混合料的阻燃性能研究中，RBF的應用主要涉及建立阻燃性能模型。通過RBF網絡，可以分析已知數據點之間的關系，進而預測未知數據點的性能。由于瀝青混合料的阻燃性能通常涉及多個因素之間的復雜非線性關系，RBF在模擬這種復雜性方面表現出色。此外，RBF還具有良好的泛化性能，可以適應不同類型的數據，包括實驗數據和工程數據。

2" 研究方法

2.1" 瀝青混合料樣品采集和準備

本次研究從不同的道路工程項目中選擇了代表性的瀝青混合料樣品，以確保研究的代表性。采集的樣品需要精確地反映不同交通條件和使用環境下的瀝青混合料類型。樣品采集是一個精密的過程，遵循標準采樣方法，采集的位置和數量根據研究的需要和實驗設計來確定。采集后，樣品經過一系列處理步驟，即去除雜質、篩分和干燥，以確保樣品的純凈性和一致性。

2.2" 阻燃性能測試方法和工具

評估瀝青混合料在火災條件下的行為。這包括了測量燃燒速率、燃燒溫度、煙霧產生等參數。為了執行這些測試，我們使用標準的實驗室燃燒裝置和測試程序，以確保測試的一致性和可比性。同時，我們還進行了熱穩定性測試，以了解瀝青混合料在高溫條件下的穩定性。這包括了熱失重分析和熱解行為的研究，使用熱分析儀和差熱分析儀等儀器來執行這些測試。最后，數據采集和分析是研究方法中的關鍵步驟。我們使用先進的數據采集系統和數據分析工具，用于記錄和分析測試數據。這些工具有助于實時監測測試過程，并對測試結果進行準確的數學和統計分析。通過精心設計的研究方法，深入探討瀝青混合料的阻燃性能，為改進道路材料的設計和安全性提供重要的數據和見解。

2.3" PCA-RBF模型構建

PCA-RBF模型結合了PCA和RBF 2種強大的數據分析和模式識別技術。采用PCA模型對指標進行研究，并對影響因素進行定量分析。采用MATLAB軟件編寫RBF神經網絡模型，并以此作為阻燃性能預測模型的基礎算法。

2.3.1" PCA在數據降維中的應用

PCA用于數據降維和特征提取。通過PCA可以將原始的高維數據投影到一個新的坐標系，其中新坐標軸（主成分）按照數據的方差遞減順序排列。這些主成分捕獲了數據中的主要信息和變異性。因此，PCA不僅可以降低數據的維度，還可以幫助我們找到最具代表性的特征，對影響因素進行定量分析。

2.3.2" RBF在模式識別中的應用

RBF在數據建模中廣泛應用，尤其在非線性關系建模方面表現出色。RBF的基本思想是使用徑向對稱函數將輸入數據映射到高維特征空間，然后在該空間中進行模式識別或建模。本研究中RBF用于模式識別和性能預測。一旦通過PCA降維獲得具有較低維度的數據表示，接下來就可以使用RBF網絡建立模型。RBF網絡包含了輸入層、隱藏層和輸出層，其中隱藏層的神經元以徑向基函數為基礎進行權重計算。這意味著RBF網絡可以捕獲數據中的非線性關系和復雜模式，以此作為阻燃性能預測模型的基礎算法。

2.4" 實驗設計和數據收集

在本研究中，我們進行了精心設計的實驗來研究瀝青混合料的阻燃性能，并收集了相關數據以支持研究目標。實驗設計和數據收集是研究的核心步驟，下面將進行詳細闡述。

2.4.1" 實驗設計

首先制定詳細的實驗計劃，包括樣品選擇、實驗條件設定、測試方法和數據采集程序。實驗設計考慮到瀝青混合料的多樣性，選擇了不同類型和配方的樣品以確保代表性。實驗條件包括溫度、濕度等環境因素，這些因素可能影響阻燃性能。并以多次實驗的重復性，確保數據的可靠性。

2.4.2" 數據收集

在實驗中，使用相關儀器和工具來收集與瀝青混合料的阻燃性能相關的數據。包括燃燒速率、燃燒溫度、煙霧產生等參數的測量，以及熱穩定性測試的數據。數據采集是一個精密的過程，本次研究嚴格按照實驗計劃執行，確保數據的準確性和一致性。同時，我們也記錄了實驗過程中的任何潛在誤差和不確定性，以進行后續的數據分析和校正[3]。

3" 實驗結果與分析

3.1" 阻燃性能測試結果展示

3.1.1" 燃燒速率

燃燒速率是一個關鍵的阻燃性能參數，其描述了材料在火災條件下的燃燒速度。通過測量5個不同樣品的燃燒速率，比較它們之間的性能差異。實驗數據見表1，結果顯示一些樣品具有較低的燃燒速率，表明它們在火災情況下更具阻燃性。

3.1.2" 燃燒溫度

燃燒溫度是另一個重要的參數，其反映了材料在燃燒過程中的溫度變化。實驗過程中記錄了5個樣品的燃燒溫度曲線，并進行了分析。曲線的形狀和峰值溫度提供了關于材料燃燒行為的重要信息。實驗數據見表2，結果顯示一些樣品在燃燒過程中顯示出較低的峰值溫度，表明它們能夠有效地抑制火焰的溫度上升。

3.1.3" 燃燒煙霧量

本次研究還測量了5個樣品在燃燒過程中產生的煙霧量。煙霧產生是阻燃性能的另一個關鍵方面，尤其是在火災事故中。實驗數據見表3，結果顯示一些樣品產生的煙霧較少，這表明它們在火災情況下可能具有更好的煙霧抑制性能。

3.2" PCA-RBF模型應用于數據分析

3.2.1" 數據降維和特征提取

PCA-RBF模型首先應用于數據降維和特征提取的階段。在此階段，我們使用PCA來減少數據的維度，并提取出最重要的特征，以便更好地理解數據的結構和減少數據的冗余性。PCA通過將高維數據投影到一個新的坐標系中來實現數據降維。這意味著，通過選擇前幾個主成分，我們可以捕獲大部分數據的變異性，同時減少維度。這對于處理高維數據集非常重要，因為其可以減少數據存儲和計算的復雜性，并且可以幫助我們聚焦在最重要的特征上，從而更好地理解數據。

3.2.2" 模式識別和性能預測

一旦數據降維和特征提取完成，接下來的階段是應用RBF來進行模式識別和性能預測。RBF是一種強大的技術，特別適用于非線性關系建模和數據分類。在模式識別階段，使用RBF網絡構建模型，該模型可以根據已提取的特征識別和分類數據中的模式。RBF網絡包括輸入層、隱藏層和輸出層，其中隱藏層的神經元以徑向基函數為基礎進行權重計算。這些隱藏層神經元的輸出可以用來表示數據中的模式或關系。此外，RBF方法還可以用于性能預測。通過訓練RBF網絡，可以根據已知的數據特征和模式預測未知數據點的性能。這在許多領域中都具有廣泛的應用，如金融市場預測、醫學診斷和材料性能預測等[4]。

3.3" 阻燃性能與瀝青混合料組成的關系討論

在研究中，我們重點關注了瀝青混合料的阻燃性能，并試圖探究不同組成因素對阻燃性能的影響。

3.3.1" 成分的影響

瀝青混合料的組成包括瀝青、骨料和添加劑等成分。這些成分的性質和比例可能會對阻燃性能產生顯著影響。例如，具有高抗燃性的添加劑可能會提高混合料的阻燃性能。礦物骨料的燃燒性質也可能對整體性能產生影響。

3.3.2" 瀝青特性

瀝青是瀝青混合料的關鍵成分之一，其性質包括黏度、軟化點和化學成分等。瀝青的黏度和軟化點可能會影響混合料的抗燃性，較高的黏度和軟化點通常與更好的阻燃性能相關。此外，瀝青的化學成分也可能在燃燒過程中產生不同的氣體和煙霧，影響阻燃性能。

3.3.3" 添加劑和改性劑

許多瀝青混合料中添加了特殊的添加劑或改性劑，以改善性能。一些添加劑具有阻燃性能，可以減緩燃燒速率或減少煙霧產生。例如，聚合物改性劑可以提高混合料的抗燃性能，減少燃燒過程中的火焰和煙霧[5]。

3.3.4" 骨料特性

瀝青混合料中的骨料也對阻燃性能產生影響。骨料的種類、粒徑分布和形狀等特性可能會影響混合料的燃燒行為。較大的骨料顆?？赡軙档腿紵俾?，而特定形狀的骨料可能會影響火焰的傳播方式。

3.3.5" 綜合性能

瀝青混合料的阻燃性能是由各種成分和特性共同作用的結果。因此，綜合性能的評估需要考慮所有成分的影響，以及它們之間的相互作用。研究中的PCA-RBF模型可以幫助我們分析這些復雜的關系，以更好地理解阻燃性能與混合料組成之間的關系。

4" 結論

阻燃性能評估方法的選擇是研究的基礎，我們采用了燃燒速率、燃燒溫度和煙霧產生等參數，全面評估了不同瀝青混合料樣品的阻燃性能。PCA-RBF模型的應用為本研究提供了強大的數據分析工具。PCA在數據降維和特征提取中發揮了關鍵作用，有助于剖析復雜數據的內在結構。而RBF用于模式識別和性能預測，建立了準確的阻燃性能模型，為材料研究提供了新的視角和方法。本研究為深入理解瀝青混合料的阻燃性能提供了重要見解，并為改進道路材料的設計和安全性提供了科學依據。這項研究還強調了PCA-RBF模型在數據分析和性能預測中的潛力，為未來的材料研究提供了有力工具。

參考文獻：

[1] 曹雪娟，盧治琳，吳博文，等.基于神經網絡算法的瀝青路面使用性能組合預測模型研究[J].重慶交通大學學報：自然科學版， 2023，42（3）：71-77.

[2] 唐亮，張欣，王長偉，等.隧道溫拌阻燃瀝青混合料性能研究[J].中國水運，2023，23（7）：137-139，142.

[3] 穆勇攀.磷渣微粉基材阻燃改性瀝青混合料燃燒性能研究[J].河南科技，2021，40（19）：106-110.

[4] 袁玲.基于MH的阻燃改性瀝青上面層（SMA-13）路用性能研究[J].公路交通技術，2021，37（2）：19-25.

[5] 童浩，金光來，豆瑩瑩.高灰分天然巖瀝青與SBS復合改性瀝青混合料配合比設計及性能研究[J].公路工程，2021，46（2）：89-95，102.