张海波 王富强

摘要：传统的SBS含量检测存在试验周期长、人为因素干扰大、设备的试验精度不高和试验结果可信度偏低等问题。文章建立改性沥青的傅里叶衰减全反射红外光谱与SBS含量的ANN预测模型，对改性沥青中SBS含量进行定量分析，并采用内掺法制备检测样品验证该预测模型的可信度。检测试验结果表明，实际值与预测值非常接近，基于ANN预测模型进行数据分析预测可快速检测SBS含量，可信度高。

关键词：ANN预测模型;快速检测;改性沥青;SBS含量

0 引言

SBS改性沥青是基质沥青在高速剪切机机械剪切作用下结合使用胶体磨，并控制在一定温度下将聚合物与SBS改性剂（下称SBS）均匀混合的共混物[1]。SBS改性沥青抗拉性能高、耐高温抗冻、具有良好弹性性能，目前普遍用于我国高等级公路路面结构的上面层、机场道路面层、桥面铺装等工程的建设与养护中[2]。改性沥青中的SBS为聚苯乙烯-聚丁二烯-聚苯乙烯嵌段式聚合物，因其综合了橡胶的弹性和树脂的热塑性两大性能，体现为耐热性能的热软化点和抗冻性能的硬化点均较高。这是因为分子结构显现为线型，因此在重复受热和冷却的过程中，在复杂环境下均保持原有性能[3]，不产生化学反应。大部分研究者认为SBS改性剂对沥青的改善作用最好，可以同时改善沥青的高温性能和低温性能，并且还可以提高沥青混合料的抗疲劳开裂和水稳定性，因此被广泛使用。SBS改性剂的含量直接影响改性沥青的各项性能，是改性沥青生产和运用过程中质量控制的关键因素，其质量含量的监控显得尤为重要。

在正常使用环境条件下，SBS含量越高SBS改性沥青的路用性能则越好。中国改性沥青市场中SBS价格偏高，一些供应商有意降低或虚报SBS含量从中获取高额利润，危害道路工程质量，给国家造成经济损失。如何快速准确地检测SBS改性剂含量，是中国改性沥青市场进一步成熟化、规范化的新挑战。迄今为止，已有研究提出基于FTIR和线性回归分析的SBS含量测试，建立SBS含量与FTIR的特征峰高比或峰面积比之间的简单线性回归[4]。然而，由于红外测量技术的不稳定性，中红外吸收值容易变化。生成的曲线可能不是线性的，数据可能具有高度的分散性，这限制了红外光谱技术在SBS定量分析中的发展。近年来，研究学者基于PCR与PLS等化学计量方法对SBS含量进行定量分析，在多元系统考虑非线性的情况下，现代模式识别技术如主成分回归（PCR）、偏最小二乘法（PLS）、遗传算法等研究越来越多。PCR与PLS均是基于线性关系的，但在实际应用中，由于样品的物理性质与其化学性质存在较大的差异，使得大多数的预测结果并非呈现出线性关系[5]。沥青是一种非牛顿流体材料，其红外光谱是非线性的，因此基于PCR与PLS等化学计量方法对SBS含量的定量分析，并不能快速准确地检测SBS改性剂含量。

人工神经网络（下称ANN）能够确定沥青线性参数与非线性参数之间的关系，本文建立改性沥青的傅里叶衰减全反射红外光谱（下称FTIR）与SBS含量的ANN预测模型对改性沥青中SBS含量进行定量分析。这种方法能够简便、快速、准确输出计算结果，为准确分析改性沥青中SBS含量提供了可靠方法。

1 ANN预测模型的建立

ANN是得到了生物神经网络的启发建立的一种数学和数值方法。ANN预测模型通常包含一个输入层、一个或多个隐藏层和一个输出层（如图1所示），层与层之间按不同方式连接。其中隐藏层的作用是将一组输入数据修改为一组新的输出数据，预测模型将根据新输出数据建立新的模式识别。ANN预测模型中的自适应网络，能够在网络训练过程中改变网络的有效参数（权重、偏差、传递函数、中间层数、每层神经元数等），直至模型误差值达到最小。目前研究建立的ANN预测模型基本属于传播类型，该类型采用反向传播算法训练预估出最佳的网络权重和偏差量，能够快速、准确地显示检测样品的预测结果，被研究者认为是目前最先进有效的方法之一。

采用MATLAB软件进行ANN建模，在软件中使用反向传播的方法进行网络训练。根据网络结构设计的原则，预测模型中设定权重数不超过训练样本数，本文进行最优的网络结构设计，将隐含层节点设定为10。

本文建立ANN预测模型通过显示非线性光谱特性关系，经ANN预测模型计算出预测样本的SBS含量，因此比其他检测方法更准确快速。为了防止ANN预测模型出现过拟合现象，本文使用交叉验证方法将检测样品分成训练集、验证集和测试集。其中80%的光谱数据作为ANN模型的训练集，10%的光谱数据作为验证集，10%的光谱数据作为测试集。训练集中分别用相关系数r、误差均方根RMSECV、预测误差均方根RMSEP来反映ANN预测模型的预测结果，分别按式（1）、式（2）、式（3）计算，依据验证集来评价训练集预测结果的准确性。

2 ANN预测模型检测试验

2.1 实验仪器及配套软件

試验主要使用仪器及配套软件如表1所示。

2.2 制备试验检测的检测样品

制备试验检测的检测样品采用的原材料有：SK90#道路石油沥青和SBS（L-YY型），并配用稳定剂，以上三种材料均为工业品材料。试件保持相同的原材料、相同的制作方式和加热温度，变化参数为SBS改性剂的掺入比例。

采用内掺法，将基质沥青加热至180℃，开启高速剪切机，在基质沥青掺入SBS改性剂，掺入比例分别为：3.5%、4.0%、4.2%、4.5%、5.0%。低速搅拌5min至SBS改性剂均匀分散于基质沥青中。在（180±5）℃、4500r/min条件下剪切40min，之后置于烘箱内发育1h左右。其中，掺入比例4.2%为测试样本，用于比对和验证预测模型的可信度。

2.3 SBS含量的快速检测与结果分析

采用Cary630FTIR光谱仪测定检测样品不同SBS含量下的红外光谱图。检测样品测量记录的沥青红外光谱图如图2所示。

选择60个检测样品光谱数据输入ANN预测模型，目标值为SBS改性剂的掺入比例：3.5%×15个检测样品，4.0%×15个检测样品，4.5%×15个检测样品，5.0%×15个检测样品。将60个检测样品光谱数据，即输入和输出数据随机分成三组，80%作为训练集，10%用于验证集，10%用作测试集。ANN预测模型得到的目标值与输出值的关系见图3。

由图3（a）可以看出：全部检测样品的SBS改性剂掺入比例相关系数R为0.941，误差均方根为0.448。

由图3（b）可以看出：训练集的SBS改性剂掺入比例相关系数R为0.999，误差均方根为0.264。

检测样品数据在ANN预测模型中进行5次迭代得到输出参数网络的最佳验证性能，其结果见图4。在ANN预测模型根据因变量FTIR数据与独立变量SBS含量计算结果得出目标值与输出值，其目标输出误差见图5。由图5可以看出：零误差线在最高的柱状图形中心，表明ANN预测模型的目标-输出误差最小。由此可知，未知样本的因变量FTIR数据与独立变量SBS改性剂掺入比例在ANN预测模型计算后，其目标值与输出值具有较好的相关性，可以利用ANN预测模型快速预测未知样本的SBS含量。

2.4 SBS含量快速检测的可信度验证

为了验证ANN预测模型的可信度，利用SBS含量为4.2%的FTIR光谱数据集，与ANN预测模型输出的预测值相对比，[JP+2]验证其可信度。ANN预测模型SBS含量快速检测的可信度验证数据见表2。由表2可知：SBS含量实际值与预测值非常接近，标准偏差为0.087，均方根误差为0.123，可信度高。说明通过ANN预测模型简便快捷地进行数据分析，能够准确地预测SBS含量。

3 结语

传统的SBS含量检测存在试验周期长、人为因素干扰大、设备的试验精度不高和试验结果可信度偏低等问题。本文采用ANN预测模型可简便快捷地通过数据分析预测SBS含量，有如下結论：

（1）全部检测样品的SBS改性剂掺入比例相关系数R为0.941，训练集R为0.999，均>0.9，表明SBS含量与FTIR的相关曲线有着非常高的相关性。

（2）ANN预测模型快速检测SBS含量，实际值与预测值非常接近，标准偏差为0.087，均方根误差为0.123，可信度高。

参考文献：

[1]蔡 健，石鹏程，韩静云，等.基于FTIR的改性沥青中SBS含量精确测试研究[J].公路，2016（3）：176-181.

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

[3]孙大权，张立文.SBS改性沥青中SBS含量测试方法研究[J].建筑材料学报，2013，16（1）：180-184.

[4]高妮妮.改性沥青SBS剂量快速检测方法研究[D].西安：长安大学，2013.

[5]徐志荣，陈忠达，常艳婷，等.改性沥青SBS含量的红外光谱分析[J].长安大学学报（自然科学版），2015，35（2）：7-12.