基于数据驱动的沥青混合料高温性能预测及设计优化方法

1.一种基于数据驱动的沥青混合料高温性能预测及设计优化方法，其特征在于，所述方法包括如下步骤：S1：整理并预处理沥青混合料高温性能数据，采用灰关联分析法，分析不同沥青混合料沥青针入度、沥青软化点、油石比、矿料级配信息、混合料空隙率、矿料间隙率以及有效沥青饱和度特征指标参数对沥青混合料高温性能指标参数的影响程度，基于灰度分析结果对数据集进行筛选，确定高温性能预测模型的输入和输出；S2：搭建ANN、SVM、GPR三种机器学习模型，实现对沥青混合料高温性能的预测，并对模型进行可视化处理，利用CV交叉验证来验证各机器学习回归模型的预测性能，并选出最佳预测模型；S3：基于最佳预测模型，利用贝叶斯优化算法对沥青混合料的配合比进行针对性设计优化，并且通过限定配合比中的部分参数，以模拟不同实际工况下的应用需求；所述步骤S3中贝叶斯优化算法的设定目标函数表示为：其中，obj是目标函数值，prediction是将当前优化配方带入最佳预测模型后得到的预测值，targetY是优化目标值，gradation是矿料级配。 2.根据权利要求1所述的基于数据驱动的沥青混合料高温性能预测及设计优化方法，其特征在于，所述步骤S1中矿料级配信息包括19mm、16mm、13.2mm、9.5mm、4.75mm、2.36mm、1.18mm、0.6mm、0.3mm、0.15mm以及0.075mm关键筛孔的通过率以及贝雷法三参数CA比、FA C 比、FA f 比和级配曲线Weibull分布两参数：形状参数k、尺度参数λ。 3.根据权利要求1所述的基于数据驱动的沥青混合料高温性能预测及设计优化方法，其特征在于，所述步骤S2中搭建基于Matlab框架ANN、SVM以及GPR三种机器学习模型，其中ANN预测模型包含3个隐藏层，SVM预测模型以及GPR预测模型的核函数分别为二次核函数和Matern 5/2核函数，其他最优超参数由贝叶斯优化求得。 4.根据权利要求1所述的基于数据驱动的沥青混合料高温性能预测及设计优化方法，其特征在于，所述步骤S2中沥青混合料性能预测可视化以APP形式呈现，并提供三种预测模型的切换、贝雷法参数辅助计算、威布尔分布辅助计算和高温性能预测功能。 5.根据权利要求1所述的基于数据驱动的沥青混合料高温性能预测及设计优化方法，其特征在于，所述步骤S3中限定部分参数包括沥青指标、级配信息以及混合料参数空隙率VV、有效沥青饱和度VFA，所述沥青指标是指对于特定沥青，获得目标性能下的级配、用油量以及压实度；所述级配信息是指规定使用某种级配，获得目标性能下的沥青种类、用油量以及压实度；所述混合料参数VV、VFA是指规定压实度下获得目标性能下的沥青种类、级配信息以及用油量。