《Engineering Applications of Artificial Intelligence》：Cross-scale hybrid attention network for enhancing performance prediction of modified asphalt binder preparation
编辑推荐：
本研究提出跨尺度混合注意力网络CSA-Net，解决SBS改性沥青中传统试错法效率低及AI模型忽略微观结构影响的问题。通过双分支架构分别预测微观性能与宏观性能，利用复合损失函数实现跨尺度联合优化。在包含864组样本的实验数据集上验证，CSA-Net的R2值均超0.982，MAPE低于5%，且比基准模型稳健性提升25%以上。SHAP分析揭示了制备参数到微观结构再到宏观性能的跨尺度因果关系，为智能沥青设计提供可解释框架。
张家康|甘国安|龙坤|张艾伦·A.|尚静|严传奇|艾长发
西南交通大学土木工程学院，中国四川成都，610031
摘要
沥青材料是路面耐久性的基础，其中苯乙烯-丁二烯-苯乙烯（SBS）共聚物被广泛用于提高性能。然而，SBS改性沥青（SBSMA）的制备仍然主要依赖于低效的试错方法。尽管基于人工智能的方法已被应用于沥青性能预测，但大多数现有模型直接将制备参数映射到宏观性能，忽略了连接制备参数、微观特性和宏观行为的跨尺度机制。这一限制降低了它们在复杂材料系统中的鲁棒性和实际应用性。为了解决这个问题，本研究提出了一种跨尺度混合注意力网络（CSA-Net），该网络明确地模拟了从制备参数到微观特性，再到宏观性能的层次化信息传递。CSA-Net采用双分支架构：一个微观分支使用增强注意力的制备特征来预测微观特性，而一个宏观分支通过第二个注意力模块整合了经过注意力处理的制备特征和预测的微观特征。通过复合损失函数实现了微观和宏观层面任务的联合优化。建立了一个包含864个SBSMA样本的全面实验数据集。结果表明，CSA-Net在宏观性能预测方面具有高准确性，决定系数（R2）始终超过0.982，平均绝对百分比误差低于5%，均方根误差在实验不确定性范围内。与单尺度、多尺度和非注意力基准模型相比，CSA-Net表现出更高的鲁棒性，蒙特卡洛模拟显示R2的四分位数范围减少了25%以上。Shapley加性解释分析进一步揭示了制备参数、微观结构演变和宏观性能之间的有意义的跨尺度关系。总体而言，CSA-Net为改性沥青粘合剂的智能设计和性能预测提供了一个鲁棒且可解释的框架。
引言
沥青材料是沥青路面服务韧性的关键基础（Zhou等人，2025年）。道路基础设施的迅速扩张要求提高沥青材料的性能。策略性地加入添加剂是确保路面服务性能的有效方法。其中，苯乙烯-丁二烯-苯乙烯（SBS）共聚物是最广泛使用的聚合物改性剂（Yan等人，2020年；Ren等人，2018年；Guo等人，2020年；Chen等人，2021年）。
制备参数是决定改性沥青性能的关键因素。对于SBS改性沥青（SBSMA），包括SBS用量、剪切温度、剪切速率和剪切时间在内的因素的变化直接影响SBS的形态、分散状态和相互作用机制，从而决定了抗裂性、弹性和变形韧性等关键性能（Cao等人，2020年；Zhou等人，2021年；Zhang等人，2019年；Dong等人，2014年；Yuan等人，2022年；Lin等人，2017年；Singh等人，2018年；Kaya等人，2020年）。尽管已经阐明了制备参数在多个尺度上的机械影响，但实际配方仍然依赖于基于试错的正交实验来确定最佳制备条件和材料性能。这一过程需要复杂的表征方法来直接测量许多性能指标，这需要专业人员、昂贵的仪器和大量劳动力，从而阻碍了高性能材料的发展。因此，大量研究工作集中在建立快速准确的预测方法上，以解决这些限制。
机器学习（ML）和深度学习（DL）技术的最新进展显著促进了范式的转变（Jiang等人，2022年；Roy和Bhaduri，2022年，2023年；Roy等人，2022年，2023年；Singh等人，2023年）。ML和DL技术已越来越多地应用于沥青材料研究（Hosseini等人，2021a；Zhang等人，2025a），为快速性能预测提供了有希望的替代方案。传统的ML模型，包括人工神经网络（ANNs）、支持向量机（SVM）、集成学习和梯度提升方法，与传统的回归方法相比，显示出更高的准确性。这些模型已成功用于基于制备参数或材料描述符预测流变性能、动态模量和其他性能指标。最近，结合注意力机制和混合学习策略的最先进的深度学习架构在复杂的工程和环境系统中进一步增强了预测能力和鲁棒性，这一点在各种应用领域得到了证明。
尽管取得了这些进展，但大多数现有的基于ML的沥青性能预测方法采用直接映射范式（Zhang等人，2025b，2025c；Zhong等人，2022年；Hoang等人，2022年），在这种范式中，制备参数或材料描述符直接与宏观性能指标相关联。这些模型隐含地假设可以在不显式考虑中间微观结构演变的情况下捕捉制备条件与性能之间的关系。然而，从材料科学的角度来看，制备参数主要通过微观结构变化（包括SBS分散、膨胀和化学相互作用）影响沥青性能。忽略这一中间尺度会限制预测模型的可解释性和鲁棒性，特别是在输入不确定或外推情况下。
一些研究尝试将微观结构或光谱信息（如傅里叶变换红外（FTIR）指数或形态描述符）纳入ML模型。虽然这些方法在一定程度上提高了预测准确性，但微观结构特征通常被视为额外的平面输入，而不是层次化建模框架中的中间状态。因此，制备参数、微观特性和宏观性能之间的内在跨尺度关系仍然受到较弱的限制，当微观层面的不确定性传播到宏观层面输出时，预测稳定性可能会恶化。
为了解决这些限制，越来越需要跨尺度学习框架，这些框架明确地模拟了从制备参数到微观结构特性，再到宏观性能的层次化信息传递。对于SBSMA系统来说，这些框架尤为重要，因为微观特性在物理上是有意义的中间体，而不是独立的描述符。此外，注意力机制提供了一种强大的手段，可以选择性地强调跨尺度上的关键特征和相互作用，从而提高预测准确性和鲁棒性。
为了解决这些差距，本研究利用了关于SBSMA制备因素的广泛研究，开发了一种新的性能预测模型，该模型结合了跨尺度机制——称为跨尺度注意力网络（CSA-Net）。该网络具有两个分支：一个微观特性预测分支和一个宏观性能分支。微观分支接收制备参数，并通过集成多头注意力机制的神经网络处理这些参数，以生成经过注意力处理的制备特征并预测微观特性。后续层采用类似的架构从预测的微观特性中派生出经过注意力处理的微观特征。最后，将经过注意力处理的制备特征和微观特征连接起来，通过神经网络处理以预测宏观性能。这种层次化架构为SBSMA粘合剂的性能建立了高准确性和高鲁棒性的预测模型。
本研究的主要贡献可以总结如下：
1提出了一种新的SBS改性沥青制备的跨尺度学习范式，在该范式中，制备参数、微观特性和宏观性能通过层次化建模框架明确关联，而不是作为独立的或直接映射的变量。
2开发了一种跨尺度混合注意力网络（CSA-Net），该网络具有两个多头注意力模块，分别捕捉制备-微观结构和微观结构-性能关系，实现了有效的跨尺度特征融合和知识传递。
3.通过复合损失函数实现了微观和宏观层面预测任务的联合优化，该函数使用物理上有意义的微观特性表示来约束宏观性能预测，从而提高了预测准确性和鲁棒性。
4.建立了一个包含864个SBSMA样本的全面实验数据集，涵盖了广泛的制备参数、微观结构描述符和宏观性能指标，为跨尺度数据驱动建模提供了可靠的基础。
5.广泛的消融研究和蒙特卡洛模拟表明，CSA-Net在模型鲁棒性方面始终优于单尺度、多尺度和非注意力基准模型，特别是在输入扰动的情况下。
6. 通过Shapley加性解释（SHAP）分析增强了模型的可解释性，该分析定量揭示了制备参数、微观结构演变和宏观性能之间的跨尺度因果关系，为面向工程的沥青粘合剂设计提供了有价值的见解。
部分片段
基础沥青
使用ESSO 70#和SK 70#基础沥青作为基质粘合剂，其基本性质在表1中列出。
添加剂
选择了四种代表性的SBS聚合物添加剂用于沥青改性，其基本性质在表2中详细说明。
改性沥青制备参数
SBSMA是通过将预定的SBS量加入预热的基质沥青中制备的。随后使用高剪切混合器在受控温度（160–190°C）、旋转速度（3000–5000 rpm）下进行均质化
整体架构
图4展示了GSA-Net的架构。该网络采用双分支框架，包括微观特性预测分支和宏观性能预测分支。在微观分支中，制备参数通过密集层和dropout层（双层配置）进行顺序转换，作为特征提取器和防止过拟合的正则化手段。这些处理后的特征随后进入多头注意力模块，该模块捕捉制备-微观结构关系
网络性能
图10和图11展示了CSA-Net在训练和测试数据集上的综合性能评估。在所有微观输出变量中，模型的预测能力表现出色，R2始终在0.971到0.992之间。预测准确性通过MAPE表示，范围为6.915%到8.597%。RMSE分别为特征均值的6.022～10.658%，低于沥青技术中的测量不确定性阈值。宏观性能预测
结论
本研究提出了一种跨尺度混合注意力网络（CSA-Net），用于通过明确建模制备参数、微观特性和宏观性能之间的层次化关系来预测SBS改性沥青粘合剂的性能。与传统的单尺度或直接映射方法不同，CSA-Net将微观特性预测作为中间任务，并使用注意力机制以物理上有意义的方式捕捉跨尺度特征相互作用。
1。
CRediT作者贡献声明
张家康：撰写——原始草稿、可视化、验证、方法论、调查、形式分析、数据管理。甘国安：撰写——原始草稿、可视化、验证、方法论、调查、数据管理、撰写——审阅与编辑。龙坤：撰写——原始草稿、可视化、验证、方法论、调查。张艾伦·A：监督、资源管理、项目管理、方法论、概念化。尚静：撰写——原始草稿，
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
作者衷心感谢中国国家重点研发计划（2022YFB2602603，2022YFB2602602）、国家自然科学基金（52478469）、四川青年科技创新团队（2022JDTD0015）、四川交通运输科技计划（2021-ZL-16和2024-ZL-08）的财政支持。
