本研究发表于《公路》期刊2025年8月第8期，由程浩（东南大学交通学院）、孙引浩（中铁建城建交通发展有限公司）、唐樊龙（金陵科技学院网络与通信工程学院）、范剑伟与马涛（东南大学交通学院）共同完成。
研究背景与目的 本研究属于道路工程领域，聚焦于沥青路面施工质量控制。沥青混合料在运输过程中因热量散失导致温度分布不均，即温度离析，会严重影响后续摊铺与压实质量，进而导致路面早期损坏，缩短使用寿命。传统温度监测方法（如红外热成像）存在仅能测量表面温度、误差大、代表性不足等问题，而现有研究对运输过程中混合料内部温度时空演化规律及其量化预测关注不足。因此，本研究旨在：1）基于有限元模拟，深入揭示沥青混合料运输过程中温度的时空演化规律；2）建立一种能够量化温度离析程度的评价指标；3）分析影响温度离析的关键因素及其显著性；4）开发并优选能够快速、准确预测运输过程中混合料温度区间分布的机器学习模型，为实际工程中的运输过程温度监控与决策提供理论依据和实用工具。
详细研究流程与方法 本研究主要包括三个核心环节：有限元模型构建与温度场模拟、温度离析评价指标构建与影响因素分析、以及基于机器学习的温度预测模型开发与优选。
第一环节：有限元建模与模拟分析 1. 模型构建：首先，建立了与实际运输车厢尺寸相符（长6.4m、宽2.6m、高1.7m，钢板厚0.02m）的三维有限元模型。模型内部填充沥青混合料，并模拟了其顶部的不规则堆积形态。为简化计算，将车厢顶部覆盖的保温篷布的影响，通过调整混合料顶部与空气的对流换热系数来等效模拟。 2. 参数设置：研究设定了沥青混合料和钢材的热物理参数（密度、导热系数、比热容）。关键影响因素被凝练为三个：对流换热系数（综合反映车速、风速、天气，范围10-50 W/(m²·℃)，顶面取侧面的1/5）、空气温度（0-40℃）和沥青混合料出料温度（150-190℃）。 3. 正交试验设计：为系统分析上述三因素对降温规律的影响，采用了三因素九水平的正交试验设计，共生成81组不同的参数组合进行模拟。每组模拟时长为120分钟，每10分钟输出一次整个混合料内部的温度场数据。 4. 数据分析基础：从模拟结果中，提取了不同时刻混合料的最高、最低、平均温度，并重点统计了混合料内部温度分布在四个离析等级区间（根据美国国家沥青技术中心NCAT标准：温差<10℃为未离析，10-16℃为轻度离析，17-25℃为中度离析，>25℃为重度离析）的体积比例，作为后续分析的基础数据。
第二环节：温度离析评价指标构建与规律分析 1. 指标开发：为更科学地量化运输过程中的温度离析，本研究借鉴了摊铺过程温度离析指数TSI的思路，将其从“面积权重”发展为“体积权重”，提出了适用于运输过程的温度离析指数TSIv。计算公式为：TSIv = 1000 × Σ (w_i * v_i) / V。其中，v_i为第i个温差区间混合料的体积，V为总体积，w_i为对应区间的权重（未离析0，轻度0.5，中度0.8，重度1.0）。TSIv值越高，表明整体温度离析越严重。 2. 时空演化规律分析：以一组典型参数为例，分析了温度场演化过程。结果显示：运输过程中，混合料中心最高温度基本保持出料温度不变；平均温度随时间缓慢下降；靠近车厢壁的混合料温度先因接触冷壁而快速下降，随后因内部热量传递而上升达到峰值，之后因散热大于得热而再次缓慢下降；由于篷布保温作用，顶部温度下降最慢。在整个120分钟运输期内，温差小于10℃（未离析）的区域比例始终最高，其次是温差大于25℃（重度离析）的区域，而轻度与中度离析区域比例相对较低。 3. 影响因素显著性分析：基于81组正交试验结果，计算了不同运输时刻下各因素（出料温度、空气温度、对流换热系数）对TSIv值的极差。分析发现：在运输前期（前30分钟），三个因素的影响程度接近，其中出料温度的影响略大；在运输后期（40分钟以后），对流换热系数的影响变得最为显著，其极差值增长最快，成为主导因素。这意味着，在长途运输中，车厢的保温性能（反映在对流换热系数上）对控制温度离析至关重要。 4. 单因素影响机理探讨：通过补充设定控制变量的工况进行模拟，进一步阐明了各因素的影响机理：① 出料温度越高，或对流换热系数越高，或空气温度越低，都会导致TSIv值增大，即温度离析更严重。② 出料温度越高，混合料最低温度上升越快、到达峰值时间越短，但平均温度下降速率也越快，表明内部温差大、热量散失快。③ 对流换热系数越高或空气温度越低，混合料最低温度上升越慢、到达峰值时间越长，且平均温度下降越快，表明外部散热条件严苛加剧了整体降温和内外温差。
第三环节：机器学习预测模型开发与验证 1. 模型选择与数据准备：鉴于有限元模拟耗时，不适用于工程实时预测，研究选用并对比了三种机器学习算法：支持向量机回归、随机森林回归和极限梯度增强。将81组正交试验数据及部分补充数据（共87组）作为数据集，输入特征为三个影响因素（出料温度、空气温度、对流换热系数），输出目标为四个温度区间（<10℃, 10-16℃, 16-25℃, >25℃）的体积比例。数据按8:2分为训练集和测试集，并进行标准化处理。 2. 模型训练与优化：采用网格搜索法对三种模型的超参数进行优化，以获得最佳性能。优化后的关键参数例如：SVR模型采用高斯核函数，惩罚参数C=1000；RFR模型的决策树数量为100；XGBoost模型的学习率为0.1，树数量为120等。 3. 模型评价与对比：使用均方根误差、平均绝对误差和决定系数三个指标评估模型预测性能。结果表明：SVR和RFR模型表现优异，其R²值均达到0.995，RMSE约为0.72，MAE分别为0.573和0.499，且100%的预测误差在5%以内。XGBoost模型性能稍逊，R²为0.969，且有3.6%的预测误差超过5%，尤其在预测对TSIv计算权重最大的“温差>25℃”区间时误差相对较大。因此，SVR和RFR模型被证明能高精度预测运输过程中沥青混合料各温度区间的比例。
主要研究结果 1. 揭示了运输过程中沥青混合料温度场的时空演化规律：明确了最高、平均、最低温度的变化趋势，以及不同离析等级区域比例随时间的分布特征（未离析区域占比始终最高，重度离析区域次之）。 2. 建立了运输过程温度离析量化评价指标TSIv：该指标综合考虑了不同温差区域的体积及其对路面性能影响的权重，能更全面地评估运输过程中的整体温度离析状况。 3. 明确了关键影响因素及其动态显著性：系统量化了出料温度、空气温度和对流换热系数对TSIv的影响，并首次发现在运输不同阶段，主导影响因素会发生变化（前期出料温度略主导，后期对流换热系数主导）。 4. 成功开发了高精度的温度区间比例预测模型：验证了SVR和RFR模型能够基于有限的输入参数，快速、准确地预测运输过程中混合料内部温度的分布情况，预测误差小，工程实用性强。
结论与意义 本研究通过有限元模拟与机器学习相结合的方法，系统研究了沥青混合料运输过程中的温度时空演化规律。结论表明：运输中混合料温度分布不均客观存在，且受出料温度、环境温度和车厢保温性能共同影响，其中保温性能在长途运输中作用关键。所建立的TSIv指标能有效量化离析程度，而开发的SVR和RFR预测模型可为施工前制定运输方案（如最长允许运输时间）和施工中实时评估混合料状态提供快速、可靠的工具。该研究将温度离析的评价从摊铺阶段前移至运输阶段，并从“点”或“整体平均”的温度监测，深化到“不同温度区间体积比例”的量化预测，对提升沥青路面施工质量精细化管理水平具有重要的理论指导与工程应用价值。
研究亮点 1. 研究视角新颖：聚焦于沥青混合料“运输过程”这一相对被忽视但至关重要的环节，系统研究其内部温度场的时空演化，弥补了现有研究多关注摊铺或仅监测表面、少数点温度的不足。 2. 方法创新结合：创造性结合了有限元数值模拟、正交试验设计、极差分析以及多种机器学习算法，形成了从机理研究到预测模型开发的完整技术路线。 3. 评价指标创新：将适用于摊铺阶段的TSI指标发展为适用于三维运输过程的TSIv指标，实现了对运输过程中温度离析严重程度的定量化评估。 4. 成果实用性强：明确了各影响因素的作用机理与显著性排序，并提供了经过验证的高精度、高效率预测模型，可直接服务于工程实践，为智能施工和决策支持提供了关键模型基础。
其他有价值内容 研究中对有限元模型进行了合理简化（如篷布的等效处理），在保证计算精度的前提下提高了效率。同时，研究对比了三种主流机器学习算法在特定问题上的表现，为同类工程预测问题提供了模型选型的参考。文末的结论部分清晰总结了四项具体研究发现，并指出了研究成果在“温度监测理论参考”和“运输限时决策依据”两方面的直接应用价值。