基于路表弯沉盆的BP人工神经网络反演沥青面层弹性模量研究

合集下载

基于人工神经网络的沥青路面模量评估

ｌｔｎｉｏｍａｉｙｕｉＯＲＲｆｃｉｆｒｔｎｂｓｇＦＴＡＮ．Ｕｌｅｈｊｒｙｆｈｘｓｎａｋａｕａｉｒｇａｓｅｏｎｏｎｎｉｅｏｉｅｉｉｇｂｃｃｌｌｔｎｐｏｒｋｔｍａｔｏｔｅｔｃｏｍｔａｉｒｔｅｄｕｔｌｔｅｌｅｄｕｅｔｔｈｔｅｍｅｓｒｄｄｆｃｉｓｈｒｌｅｔｏｈｔｔａｉｌａｊｓｌｈｙｒｍｏｌｏｍａｃｈａｕｅｅｅｔｎ，ｔｅｐｏｅｖｙａａｌｏｍｓｄｍｅｈｄ
ＡｒｉｃａｕａｔｉｉｌＮｅｒｌＮｅｔｆｗｏｒ — ｓｄＥｖｌａｉｎｏｙｋＢａｅａｕｔｏｆＬａｅｒＭｏｕｕｆＡｓｈｔＰａｅｍｅｎｄｌｓｏｐａｌｖｔ
ＸＩＨｕ，ＧＵＯｌｎｙｎ，ＣＥｉＺ，ｇｉｏＯＮＧｎＬｉ
维普资讯
第３５卷第８期
２００７年８月
同济大学学报（然科学版）自
ＪＵＮＡＦＴＮＪＵＶＲＩＹＮＴＲＬＳＩＮＥＯＲＬＯＯＧＩＮＩＥＳＴ（ＡＵＡＣＥＣ）
模量和其他参数一起作为输入，利用人工神经网络来预估实测
ＦＷＤ数据进行分析，结果验证了本方法的可行性．关键词：沥青路面落锤弯沉仪；弯沉盆参数；反算；人工神经网络；结构层模量
中图分类号：４６２７Ｕ１．１文献标识码：Ａ文章编号：２３７Ｘ（０７０～１４０５ —３４２０）８０４—０４

基于BP神经网络的沥青路面压实度检测

总第177期公路与汽运H ighw ays&A utom otive A pplications127基于BP神经网络的沥青路面压实度检测赵素素，孟凡虎，宋丽娟，陈宏业(长安大学道路施工技术与装备教育部重点实验室，陕西西安 710064)摘要：为实现沥青路面压实度的实时检测，采集压实过程中的压实温度、压实速度及振动压路机的振动加速度等参数，并检测压实后沥青路面的压实度是否合格；采用BP神经网络建立模型，利用该模型对采集到的数据与沥青路面压实度进行训练，结果表明沥青路面压实参数与路面压实度之间存在一定的映射关系，该模型可用于沥青路面压实度实时检测。

关键词：公路；沥青路面；压实度；神经网络；实时检测中图分类号：U416.217 文献标志码：A文章编号：1671 —2668(2016)06 —0127 —03压实度影响着路面的强度、寿命和使用性能，欠压实会造成水分渗透、路面氧化和破裂等，过度压实则会导致沥青路面在高温下出油等现象。

因此，施工过程中压实度检测必不可少。

压实度检测方法多种多样，国内传统的检测方法主要有挖坑灌沙法、钻心法、环刀法、核子密度湿度仪测定法和无核密度仪测定法。

前3种检测方法需损坏路面，且需在实验室检测，耗时长；核子密度仪具有辐射，对人体健康存在一定威胁，而无核密度仪的精确性还有待验证，且两者都不能实时地对路面压实度进行反馈。

因此，必须采用新的方法对路面压实度进行快速、准确检测。

该文运用B P神经网络建立模型，对沥青路面压实度历史数据进行训练，并用新数据进行验证，以实现对沥青路面压实度的快速、可靠评定。

1 B P神经网络人工神经网络是以人类大脑神经元信息传递结构为基础开发的一种技术，能模拟人学习感知思考的能力。

它由大量神经元组成，每个神经元都是简单的处理单元，它们经过连接形成复杂的网络结构，从而在不同程度上完成复杂的类似人脑功能，在处理许多外界因素等不确定信息时比较适用。

在多种神经网络模型中，BP神经网络运用最广泛，它是一种多层前馈型神经网络，其信号是前向传播处理，误差是反向传播并进行调整的。

利用BP神经网络反算沥青路面结构层弹性模量的研究

第４７卷第５期２００８年９月
中山大学学报（自然科学版）ＡＴＳＩＮＩＲＭＮＴＲＬＵＵＩＥＳＴＴＳＳＮＡＳＮＣＡＣＥＴＡＵＡＵＡＩＭＮＶＲＩＡＩＵＹＴＥＩ
Ｖｏ．Ｎｏ５１４７．Ｓｐ．２０８ｅ０
向２，２
ｈｌ
ｒ
Ｅｌ
，Ｉ
线性映射能力等特点
，为准确获取路面结构
ｈ，
Ｅｌｕ，ｌ
层弹性模量提供了一条途径。
１路面结构的力学分析模型
由不同材料组成的路面各结构层，在荷载的作
∞
１
路加铺，同样也需要提供原有路面结构的结构层弹
力学性质上属于非线性的弹一粘一塑性体。但是考虑到行车荷载作用的瞬时性（常只有百分之几通
秒），在路面结构中产生的粘一塑性变形数量很
性模量，来预估路面的剩余，以此进一步确定加铺
ｈ，Ｅ，（＝１，… ，／—１，最下层为土基ｉ，２２）
落锤式弯沉仪（ＷＤ）就是一种高效、快捷、高Ｆ精度的弯沉检测先进仪器，国内外不少研究者将其
作为路基路面结构无损检测时最理想的首选设备之
一
弹性半空间体，其弹性模量和泊松比分别为和
厚度。因此，不管是新路，还是旧路，路面结构层
少。所以对于厚度较大、强度较高的半刚性基层高等级沥青路面来说，将其视作线弹性体，并应用层

人工神经网络在路面模量反分析中的应用

ＢＰ网络的结构如图１示，所由输入层、隐层、输出层组成。图中每个神经元用一个圆圈表示，边旁为输出值。每一层的每个神经元与下一层的每个神
神经网络的一种模拟和近似。其特色在于信息的分
布式存储和并行协同处理，有集体运算的能力和具自适应的学习能力，有很强的容错能力。目前在且工程上应用最广泛的是前向型神经网络（Ｐ网络）Ｂ。本文使用ＢＰ网络对路面结构进行反分析。对于一个训练好的神经网络而言，用它就如同调用一个使简单的函数。因此，用神经网络进行路面反分析使可大大减少运算时间，实际工程中应用方便。在
网络，它是一个大规模非线性自适应信息处理系统，网络的信息处理由神经元之间的相互作用来实现；知识和信息的存储表现为网络元件互联问分布式的
物理联系；网络的学习和识别决定于各神经元连接
权系数的动态演化过程。由于人工神经网络的独特
优越性，已在智能控制、式识别、号处理、模信函数逼近、线性优化与机器人等许多领域得到广泛应用，非并以其强大的生命力，日益向自然科学、工程技术和
社会科学中的各个领域渗透。目前，经网络模型已有４神Ｏ多种，依据不同标准可分成不同的类型：网络结构分为前馈型和反按

浅谈用FWD弯沉盆参数研究沥青路面反应模型

浅谈用ＦＷＤ弯沉盆参数研究沥青路面反应模型
陈子金
摘
王昌衡
要：介绍了国外利用ＦＷＤ弯沉盆参数研究沥青路面反应模型的现状，别对一些研究者提出的疲劳开裂模型和车分
辙模型进行了具体阐述，出无论采用哪种Ｆ指ＷＤ弯沉盆参数，都从不同侧面反映了路面反应与ＦＷＤ弯沉盆参数的内
・
２０・８
第３６卷第１８期２０１０年６月
山西建筑
ＳＨＡＮ．８１３１Ｊｎ．２０ｕ０１
文章编号：０９６２（００１—２００１０．８５２１）８０８—３
扑结构的优点是结构简单，实现容易，数据传输延迟确定。缺点低压断路器、配电所、断开关、压断路器……呈连续的点状分分低
是每两个结点之问的通信线路都是网络可靠性的 “ 颈” 瓶。环中布，又知除调度中心与配电所间外其他各点之间信息传输量小，任何一个结点出现故障，可造成全网瘫痪。为了保证环路能正所以从地理位置的角度看，均调度中心、分断开关、低压断路器宜组常工作，需要较复杂的环路维护工作。同时环中有新结点加入或成点对点环状结构网络，但环状结构中数据沿一个方向在环中传
２．研究结论３
１调度中心应设置通信前置机，）出口带宽至少为２考虑０Ｍ（可遵循。它的主要优点是系统的可靠性高，资源共享方便。缺点１配电所）用３６ｂ／电接口。配电所设置２０８Ｋｉｓ０个采４３８Ｋｉｓｔ４ｂ／ｔ是结构复杂，软件控制麻烦，必须采用路由选择算法和流量控制电接口，出口带宽２４０８Ｋ。分断开关、低压断路器设置２０８Ｋｉｓ４ｂ／ｔ方法。在远程网系统中多采用这种拓扑结构。

对公路路面无损检测技术的探讨

对公路路面无损检测技术的探讨工瑶技术伊晓刚(新疆路桥桥梁工程建设有限责任公司，新挹乌鲁木齐830021){}…一。

‘’“’“’”…、。

!“。

’j j。

‘?。

““j。

、。

1’、4“?+。

’…。

…。

1。

…j…。

…F1。

1””…1。

?。

2““。

”‘。

………L 7喃要】本文探讨了路面使用性能无损检测上的最新技术。

在此基础上，分析了我国在新型检测设备的应用和相关研究方面的现状与不々?，足。

于f-．m m了未来的发展趋势。

，，．[关键词]公路路面；元损检测；技术7，1路面检测技术1．1弯沉测试落锤式弯沉仪(fw d)是目前应用较为广泛的弯沉检测设备，代表了弯沉检测的发展方向。

它的基本原理是通过液压系统提升和释放荷载块对路面施加冲击荷载，荷载大小由落锤质量和起落高度控制，荷载时程和动态弯沉盆均由相应的传感器测定。

我国绝大部分fw d用户单位没有配套的分析软件，．h,vd也仅作为一种高精度的弯沉测置仪器在使用，仅有少数研究性单位在进行深入探讨。

国内外围绕着fw d所开展的研究主要包括：更可靠的模量反演技术。

通过对f w d所测弯沉盆数据的分析，反演路面结构层的弹性模量。

目前的重点和需要解决的问题包括路面结构力学特性的模拟、反分析的适定性(存在性、唯—性、稳定性)、反演结果的验证与应用等。

与加速路面1式验(apt)相结合的试验研究。

在试验路上进行加速破坏试验，路面结构内设置各种传感器，测试应力、应变、温度、含水量等信息。

在试验过程中，采用fw d进行弯沉检测、模量反演、性能评价及剩余寿命预测等试验和分析，并与荷载重复作用次数、应力、应变、表面破损等信息建立联系，从而修正fw d的性能评价和剩余寿命预测方法。

12断面测试路面断面测试主要用于计算两个指标，平整度(纵断面)和车辙(横断面)。

其中平整度是评定路面质量的重要撸标，是道路使用者判断道路好坏的直接依据。

连续式激光断面仪是我国目前最先进的平整度和车辙检测设备，正常测试速度为80km／h，并且同时还可以测量横坡、纵坡、转弯曲率等指标。

基于沥青面层曲率指数反算沥青面层的弹性模量

ＶＯ１３ＮＯ．．５７Ｊｌ２０７ｕｙ０
（ｔｒｌｃｅｃｄｔｎＮａａＳｉｅＥｉｏ）ｕｎｉ
文章编号：１０ —６Ｘ（０７０ —０１０００５５２０）７０４ —５
基于沥青面层曲率指数反算沥青面层的弹性模量
借鉴国内外的研究经验，用构建结构参数与弯沉采
合料常温下是一种粘弹体，其模量值是时间与温度的函数，因此，要精确确定其模量值是困难的．虽然可以通过钻取芯样在室内测得沥青面层芯样的模量值，但其受力状态与真实路面情况有很大的差别，这将导致室内试验结果与实际路面真实值可能存在较大的误差．同时，取芯样检测弹性模量是破坏性试钻验，如果对原有路面修补措施不当的话，会引起多将种病害．落锤式弯沉仪（ＷＤ）仅能模拟真实行车Ｆ不对路面的作用，而且能快速有效地采集到沥青面层在真实路面结构中的响应，对路面实现无损检测．可国内利用ＦＷＤ进行路面结构层模量反算已有不少的研究 ¨ Ｊ但大部分都是基于非线性迭代优之，化理论，基本上都需考虑模量初始值、收敛性和解的唯一性等问题．于此，鉴近年来国外研究者进行了建立弯沉盆特征参数与结构层材料参数之间联系的尝试，用所建立的回归公式直接反算结构层材料参利数，Ｙ．ＲｃａｄＫｍ＿利用弯沉数据进行路面结如ｉｒｉ３ｈ构层状况评价的研究，ｕＢｎ进行了建立弯沉Ｘｉｇ与沥青路面结构层状况指标之间关系的探索．本文

用人工神经网络预测沥青路面材料的回弹模量

用人工神经网络预测沥青路面材料的回弹模量
毛成，邱延峻
（南交通大学，土木工程学院，四川成都６０３）西１０１摘要：将人工神经网络应用于沥青路面材料的回弹模量的预测，提出了一种有效的预测方法，并构造了预测回弹模量的神经网络模型．预测结果表明，该模型具有较高的预测精度，为预测路面材料的回弹模量等力学指标提供
Ｘｔ（Ｏ－Ｘｔ（－
！
ｘ－ａｐ）
辅＾层
隐笛层
辅出坛
图１三层神经网络模型
ＢＰ网络学习过程具体步骤如下：（）网络初始化，络初始权值随机地在（１１网一，１）中选取，置学习因子孙势态因子ａ允许误差ｅ设、以及网络结构（络层数和网络节点数）网．（）为网络提供一组学成的前馈网络（ａｋＰｏａａｉ，简称ＢｃｒｐｇｔｎｏＢＰ网络）目前应用最为广泛的网络模型，Ｂ网是Ｐ络一般由三层神经元组成（１．图）假设ＢＰ网络每层有／个处理单元，用函数７，作为非线性的Ｓｇｉｉｍｏｄ型函数：
了一种新的方法．
关
键
词：人工神经网络；沥青路面材料；回弹模量文献标识码：Ａ文章编号：１０．１Ｘ（ｏ２０．ｏ６００１７６２ｏ）３ｏ２－４

利用弯沉盆参数反算沥青路面的土基模量

图１１１限元分析模型４有
１沥青路面结构组合．２我国高等级沥青路面９％以上为半刚性基层０沥青路面，因而本文以半刚性基层沥青路面为研究对象，分析中所选用的路面结构组合及各结构层参
收稿日期：０１０— ６修回日期：０１ｏ一４２１－２１；２１．３ｌ
Ｐ￡（）ｉ（ｔ）ｎ／，Ｔ（）１
如下假定：）ａ各层材料均为均质、向同性的弹性各体，力学性能服从胡克定律．）层之间完全连其ｂ各续，不计路面结构自重的影响。在沥青路面层状体系模型中，路面各层在水平方向无限，而路基在水平方向和深度方向均为无限。采用有限元法进行力学分析时，必须用有限尺寸的模型来模拟路面结构，模型几何尺寸的大小对计算
落锤式弯沉仪（ｗＤ）为高效的无损检测设Ｆ作备，在路面检测中得到越来越广泛的应用。国内利用ＦＷＤ进行路面结构层模量反算已有不少的研究，大结果影响很大，结合以往研究成果和建议，拟定的１／型尺寸为：行车方向）宽度方向）４模９ｍ（ ×９ｍ（ ×１路基深度）２ｍ（。图１为本文有限元分析模型的网格划分示意图。由于弯沉测试依靠Ｄｎｔｔ００型Ｆｙａｓ８０ｅＷＤ测试设备来实现，为在理论计算中更好地模拟ＦＷＤ所
这是一种较为快速、有效评价土基承载能力的方法。１沥青路面理论弯沉计算１１计算模型及假定．本文采用大型通用软件有限元程序ＡＡＵｍＢＱＳ，将路面结构看成是线弹性层状体系，采用三维有限元方法，青路面各结构层单元采用三维六面体沥８节点等参元，对材料特性以及模型的结构特性作

基于动态弯沉分析的路面结构模量反算方法研究

基于动态弯沉分析的路面结构模量反算方法研究成晟;倪富健【摘要】落锤式弯沉仪作为一种动态无损检测方法,在世界范围内得到了广泛应用.弯沉盆包含了大量路面结构信息,可据此对结构层模量进行评价.该文利用谱元法路面计算程序,通过逐步回归和多层感知元神经网络2种方法,对路面模量反算模型进行了研究,并提出了基于弯沉盆的动态模量反算方法.对半刚性沥青路面的实测弯沉数据进行反算后,发现由于实测和理论弯沉盆不完全相同,因此基于理论弯沉盆拟合得到的回归公式虽然相关性很好,但在应用于实测数据时却无法得到正确结果；而数值验证显示神经网络方法的反算值稳定性较好.反算数据显示沥青混合料模量受温度影响很大,水泥稳定碎石基层模量与龄期有关.通过弯沉反算得到的材料模量值可以为路面结构设计提供参考.【期刊名称】《现代交通技术》【年(卷),期】2011(008)003【总页数】4页(P4-7)【关键词】道路工程；落锤式弯沉仪；动态模量；反算；逐步回归；多层感知元神经网络【作者】成晟;倪富健【作者单位】泰州市公路管理处,江苏泰州,225300;东南大学交通学院,江苏南京,210096【正文语种】中文【中图分类】U416.01无损检测技术由于具有不损害路面的独特优势，近20年来在国内外得到了迅速发展。

落锤式弯沉仪（FWD）是目前比较流行的路面无损检测设备，它能模拟行车荷载对路面的作用，相比静态检测技术具有一定优势。

目前常用的FWD分析方法都是基于弹性层状体系的静态分析，由于没有考虑荷载的冲击特性，理论模型和实际情况差别较大［1］。

为提高计算精度，更好地模拟现场特征，有必要引入相应的动态分析手段。

工程上常用有限元进行力学计算，但在波动分析中，为了得到精确解，单元的尺寸必须和波长相当，频率越高，波长越短，所需的计算资源也就越多，由于FWD的荷载波动传导频率非常高，故用常规有限元方法进行分析会有较大困难。

Doyle引入了谱元计算方法，他将单元中的波动描述为入射波和反射波的叠加［2］；在这一理论指导下，Rizzi研究了2D层状固体中波的传播［3］。

BP神经网络在沥青延度预测上的应用

收稿日期：２ｏ１５－０９一ｌ０。作者简介：窦福合（１９８８一），男，硕士研究生，现就读于中国石油大学（北京）化学工程学院，从事石油加工研究。
５８
石油沥青
ห้องสมุดไป่ตู้
２０１６年第３０卷
和 ¨ 根据我国沥青中沥青质含量较少、胶质含量较高的特点，提出适合我国沥青特征的软化点和四组分的经验关联式。
在众多人工神经网络中，最具代表性、使用最多的是误差反向传播的多层前馈式网络，即ＢＰ（Ｂａｃｋ—Ｐｒｏｐａｇａｔｉｏｎ）型网络。图１为ＢＰ神经网络拓扑结构图。本文介绍了采用ＭＡＴＬＡＢ建立ＢＰ神经网络ｕ引，并对调合沥青的四组分计算值和延度进行关联。进而测试其效果验证其可行性。
输入层隐含层输出屡
图１ＢＰ神经网络拓扑结构图
１试验１．１试验原料
软组分Ａ、Ｂ、Ｃ；硬组分Ｄ。原料四组分数据列于表ｌ。
表ｌ调合沥青采用的原料四组分
１．２试验仪器金坛市科析仪器有限公司生产的ＪＪ一１电动
一些专家学者做了一些探索性工作。阙国和… 指出：沥青低温延度与蜡含量以及正庚烷沥青质含量有密切关系，并提出了表征沥青延度的有关因素。
Ｆ』。Ｄ＝一１００ＷＡＴ ×＾ｌ１ｏｕ０ｕ
一
一
式中： ——与低温延度有关的因素；
一沥青中的蜡含量；
青产品。通过沥青调合工艺，一些利用价值很低的副产品，如催化裂化油浆，可以变废为宝。沥青的调合是一个不断尝试的过程，通过不断地变换调合组分和调合比例得到不同的产品，然后对其性质进行测定，评价调合的沥青产品的性能。在这个沥青调合试验过程中，有太多的重复工作。对于调合沥青产品的延度性质数据，由于延度值有极大的跳跃性，很难对测定的延度数据进行利用，即延度数据最终成为孤立的难以利用的数据点，没有形成可以用来预测延度值的信息。试想利用测定的延度数据建立一个数据库，通过对数据库的完善，最终我们能通过该数据库，估计出软硬组分在任意比例下的低温延度值。设想很好，那么我们怎么实现呢？

利用人工神经网络预测再生沥青混合料的动态模量分析

道丨路I工丨程电利用人工神经网络预测再生沥青混合料的动态模量分析石忠利（广西交通设计集团有限公司，广西南宁530029）摘要：回收沥青瓦混合料在组成和性能上与原混合料有很大的不同，因此很难对回收沥青瓦混合料的性能进行预测。

文章旨在说明人工神络在预测收沥青瓦的沥青混合料的动态模量（E'）方面的可行性，整理了1701组数据用工神络模型的构建$可测试，将所建立的人工神络模型与的基元回归的Witczak E*模型进行比较分析。

结果表明，人工神络模型的预测性能Witczak模型,人工神络作为预测再生沥青混合料动态模量的工具具大的潜力。

关键词：回收沥青瓦；BP神络;动态模量中图分类号：U416.217文献标识码：A DOI：10.13282/ki.wccst.2020.06.009文章编号：：673-4874（2020））6-0029-030引言沥青混合料是道路建用最广泛的基材料之一。

动态模量弦力的振幅与正弦的振幅之比，是沥青混合料的一个重要力数之一。

如今，回收的废弃材料，可以制作成新的路面，在材料、金钱和能源方面观的节省。

：的研究表明，每个屋面沥青瓦30%的沥青和50%〜60%的矿物集料，如果相关能将这部分沥青材料进行循环利用，每年可节11亿美元《玻纤胎沥青瓦技术规范》曰所述的相关条文进行，年沥青瓦产量为15万t，增长迅速。

许多研究评估了回收沥青瓦沥青混合料中的应用及其对混合料力行为的影响［3］。

研究结果表明,沥青混合料入废瓦提高混合物的马歇尔稳定性和抗车辙性,沥青混合料工过程易而,岂的方定回收沥青瓦与合物一起对沥青混合料的影响,地预测改性混合物的动态模量。

本文的目的是建立一工神络模型来预测‘回收沥青瓦的沥青混合料的动态模量。

1人工神经网络1.1概况BP神络工神络模型用最为广泛的一类。

典型的BP神经模型结由一入层、一隐一成，每一层由神经元组成5,神经元接到上一一层，入神经元作为前一层的神经元。

典型的（一入，两个隐藏，一）BP神络页图1所示，该网络配置的输出按式（）计算：作者简介:石忠利（990—），工程师，硕士，主要从事道路工程的设计与研究工作。

基于bp-pso联合算法的沥青混合料空隙率反演计算

关键词:BP 神经网络;PSO 算法;联合算法;空隙率;反演
中图分类号 :TP３９１．９
文献标识码 :A
doi:１０．７５１１/dllgxb２０２００１０１１
０引言
在公路工程中,沥青路面面层直接承受外界车辆荷载的作用,沥青混合料空隙率的大小直接影响沥青混合料的长期使用性能[１]．因此,在沥青路面面层施工过程中,沥青混合料空隙率的控制对于整个公路工程质量有着至关重要的影响．同时 ,在沥青路面面层施工完毕后 ,对沥青混合料空隙率的检测必不可少,现行检测多是对钻芯结果进行分析[２]．该种方法不仅费工费时,而且会对道路结构层造成损坏 ,检测精度低 ,检测结果可重复性差 ,并且是一种抽样检测的方式 ,检测结果并不能代表整个路幅范围内沥青混合料空隙率的整体状况[３]．因此,有必要采用新的方法对沥青混合料空隙率进行快速、精确以及无损检测．探地雷达 (GPR)作为一种电磁无损检测技术,由于其检测速度快、精度高等特点 ,已大量应用于道路施工质量控制以及道路状况评价中[４]．目前,探地雷达在道路无损检测中得到了广泛的应用,特别是在道路结构层厚度检测方面取得了丰硕的成果． [５]
第６０卷第１期２０２０年１月
大连理工大学学报 JournalofDalianUniversityofTechnology

基于人工神经网络的沥青路面水膜厚度预测

基于人工神经网络的沥青路面水膜厚度预测马耀鲁;耿艳芬;陈先华;卢艳坤【摘要】为了研究多因素影响下沥青路面水膜厚度的变化,结合基于水动力学理论的二维浅水方程,提出一种利用人工神经网络(ANN)预测沥青路面水膜厚度的方法.多因素包括降雨强度、路面宽度、路面横坡、路面纵坡和路面粗糙系数.二维水动力仿真模型经过实测数据验证并根据沈山高速公路工程设计方案仿真得到有限数量的训练数据用于沥青路面水膜厚度的预测,进而分析了多因素对水膜厚度在路面分布的影响.经过18组数据的验证,人工神经网络模型预测精度可达0.991.预测结果表明:水膜厚度从中央分隔带向道路边缘逐渐增加,降雨强度对水膜厚度的变化有明显影响.在路面宽度20 m,降雨强度30 mm/h的条件下,路面内侧车道内的水膜厚度低于10 mm,外侧车道的水膜厚度为20 mm.受训练样本数量的影响,预测结果存在一定的波动,但与现行规范和理论计算值相比,人工神经网络模型能够更好地描述沥青路面水膜的宏观分布特性.%In order to study the variation of the asphalt pavement water film thickness influenced by multi-factors,a new method for predicting water film thickness was developed by the combination of the artificial neural network (ANN) and two-dimensional shallow water equations based on hydrodynamic theory.Multi-factors included the rainfall intensity,pavement width,cross slope,longitudinal slope and pavement roughness coefficient.The two-dimensional hydrodynamic method was validated by a natural rainfall event.Based on the design scheme of Shen-Shan expressway engineering project,the limited training data obtained by the two-dimensional hydrodynamic simulation model was used to predict water film thickness.Furthermore,the distribution ofthe water film thickness influenced by multi-factors on the pavement was analyzed.The accuracy of the ANN model was verified by the 18 sets of data with a precision of 0.991.The simulation results indicate that the water film thickness increases from the median strip to the edge of the pavement.The water film thickness variation is obviously influenced by rainfall intensity.Under the condition that the pavement width is 20 m and the rainfall intensity is 30 mm/h,the water film thickness is below 10 mm in the fast lane and 20 mm in the lateral lane.Although there is fluctuation due to the amount of training data,compared with the calculation on the basis of the existing criterion and theory,the ANN model exhibits a better performance for depicting the macroscopic distribution of the asphalt pavement water film.【期刊名称】《东南大学学报（英文版）》【年(卷),期】2017(033)004【总页数】6页(P490-495)【关键词】路面工程;水膜厚度;人工神经网络;水动力学方法;预测分析【作者】马耀鲁;耿艳芬;陈先华;卢艳坤【作者单位】东南大学交通学院,南京210096;东南大学交通学院,南京210096;东南大学交通学院,南京210096;辽宁省交通规划设计院有限责任公司,沈阳110000【正文语种】中文【中图分类】U416.2An excess of water on the pavement leads to a lower bearing capacity of the pavement structure and reduces pavement life. The existence of water on the pavement may cause hydroplaning because of splash and spray. Little is known clearly so far if there is a well-defined quantitative relationship between the factors and water film variation. The reason is perhaps that the water film variation is difficult to obtain with a high precise based on the limit samples[1]. Most of the previous studies focused on the introduction of the theories or empirical equations, and lacked consideration of pavement width. Most of them simply studied the single hydrodynamic parameter, and the influence of multi-factors such as width, slope, and rainfall intensity is still unclear[2]. Furthermore, traditional theoretical calculation cannot provide a well depiction on pavement water film variation. Therefore, a suitable prediction method for water film on the asphalt pavement is essential.Efficient numeric modeling is a beneficial tool for water film simulation[3]. Compared with one-dimensional models, for pavement surface flow, two-dimensional shallow water equations have the advantage on solving the numerical instability and the backwater phenomenon caused by irregular bottom and curbs[4-5]. It is acceptable to mathematically simulate a variety of free surface flows. However, numerous simulation cases are required to analyze the water film variation. For this reason, the artificial neural network (ANN) is a forecasting tool that can handle the complicated issue efficiently. It does not rely on the subjective factors from multivariate regression analysis[6]. The ANN model has been extensively applied forsolving highly nonlinear function approximations in the fields of asphalt pavement, rigid pavement and composite pavement[7-9]. Fast and accurate prediction results can be achieved by the ANN model based on limited data[10-11].However, most previous studies focused on the pavement water film calculation by empirical equations, and limited work has described the prediction approach for water film distribution on the pavement. In this paper, a prediction model based on the ANN is proposed. The training data obtained by the hydrodynamic method is used to predict the water film thickness. Cases of the pavement with different widths and rainfall intensities are taken as examples to analyze the spatial variation of water film thickness. Pavement submerge risk identification is further explored. This approach is beneficial for predicting pavement water film rapidly once the amount of training data is obtained, which is important for the pavement driving safety.Artificial neural network (ANN) functions as a multilayer feed forward network depending on the error back-propagation algorithm by training data. Unlike a model which addresses the mapping interaction by a mathematical equation, the ANN model is a supervised learning procedure that minimizes the sum of error between the desired and predicted outputs by back-propagation. Mathematically, the ANN model can be treated as a universal approximation. The net structure, activation function, net parameters (weights, thresholds, learning speed and momentum coefficient) and learning error are essential for an ANN model. Thenetwork consists of three layers: input layer, hidden layer and output layer[12]. The data is put into the input layer and the hidden layer, and then the information is transmitted to the output layer on the basis of activation function[13]. The structure of the ANN model is shown in Fig.1. Fig.1 illustrates the structure of an ANN model, in which x and y refer to the input and output; i and j represent the number of neurons in each hidden layer. Mathematically, the ANN basically carries out the training process by combining the input samples as[14]where y is the output result; X1, X2,… represent the input variables; w1,w2, … represent the weighting valu e of each input variable; and e is the bias.The sigmoid function is widely used by a majority of ANN models[15], and it can be represented asIn order to eliminate the error caused by the order of magnitude, the input and output data should be normalized before the training process in the ANN model according to Ref.[16].The normalized equation iswhere Yi is the output data after normalization and training; Yminand Ymax are the minimum and maximum values of the training data after being normalized; Xmin and Xmax are the minimum and maximum values of the training data before being normalized; Xi is the input data before being normalized.To calibrate the simulation model for obtaining the training data, pavement flow depth is monitored through a remote road surface statesensor with infrared light detection based on the practical project of the Shen-Shan expressway (The pavement cross slope is 2% and longitudinal slope is 0.464%). An on-site monitoring program was launched in the year of 2013 and lasted for more than one year (see Fig.2).To analyze the effects of multi-factors on pavement water film thickness, a three-dimensional model is established with the length of 100 m in the X direction, and the width varying from 11 to 25 m (see Fig.3). The influence of pavement aggregate is not considered based on two-dimensional shallow water equations. Simulation is implemented by the following equations:wherewhere h is the water depth on the pavement surface, m; t is the time, s; u and v are the horizontal velocity components in X and Y directions, m/s; Q is the rainfall intensity, mm/h; zb is the bottom elevation, m; g is the acceleration of gravity, m/s2; n is the roughness coefficient of the pavement; S0 is the bottom slope; ζ is the experience coefficient; τb is the bottom shear stress, (kg·m)/s2; Sf is the bottom friction gradient.Fig.4 shows that the simulated value is in agreement with the measured value under a natural rainfall event, and the two curves are identical for the peak value. This means that the two-dimensional shallow water equations are accepted for simulating flow characteristics of the pavement water film. However, many more cases need to be done when the multi-factors are considered. For this reason, the ANN model is proposed for predicting the water film thickness rapidly and effectively once an amount of trainingdata is collected. This capability makes it very powerful for precisely predicting the variation of the water film on the pavement surface. Although the ANN model shows good performance in many situations,Ji[11] showed that the ANN model cannot precisely predict the water film thickness which exceeds the range of training data. Therefore, obtaining representative typical training data as much as possible can improve the prediction accuracy of the ANN model. In this paper, the number of training data is 414 which is sufficiently reliable for expressing the distribution characteristics of the water film thickness. The water film prediction model by the ANN includes one input layer of five neurons, one hidden layer of fifteen neurons and one output layer of one neuron. The input variables are the distance from the median strip, rainfall intensity, cross slope, longitudinal slope, and roughness coefficient. The output variable is the water film thickness (see Tab.1). The sigmoid function is selected as the activation function. Refs.[16-17] illustrated that the number of neurons was from 6 to 15 based on the empirical formula. After the comparison, the suitable neurons’ number in the hidd en layer is 15 with the error of 0.003 58 (see Fig.5) and the scatter plot accuracy of 0.991 (see Fig.6). Then, 18 sets of data are randomly selected to verify the application of the ANN model. The relative error of the predicted values are all below 10% (see Tab.2), which demonstrates that the predictive results have a good correlation with the simulation data.The goal of this application is to predict the water film thickness from the influence of multi-factors which are the distance from median strip, rainfallintensity, cross slope, longitudinal slope, and roughness coefficient[18]. When the selected variable changes between its minimum and its maximum value of initial data, other variables are invariable. It is necessary to add a parameter to the fixed variables’ in order to analyze the variables’ variation in an accepted range[18]. The variation of input variables are determined bywhere Pi is the input data; P is the average value of input data; and a is the accepted range.For the pavement with a width of 20 m, according to the specifications for drainage design of highway (JTGT D33—2012) [19], the calculated value of water film thickness is 11.21 mm under the conditions as shown in Tab.3. From Fig.7, it is found that the trend of variations of the prediction value on the pavement are different from the calculation value. The thickness of the water film increases clearly as the distance from the median strip increases. The maximum value exceeds 20 mm. It can be concluded that the two-dimensional characteristics on the pavement surface cannot be explained clearly by the calculation value. As schematically shown in Fig.8, it can be concluded that the area of lateral lanes (Y=14 to 17 m) has a larger water film thickness, which has a significant impact on the driving vehicles.Tab.3 Calculated value by the specifications for the drainage design of highwayRainfall is a crucial factor for water film variation. As is shown in Tab.4, compared to the minimum value of water film thickness, the maximumvalue of water film thickness of the pavement is obviously influenced by rainfall intensity due to the flow confluence on the pavement. In particular, Fig.9 shows that when the rainfall intensity is 100 mm/h, the water film thickness is greater than 50 mm in the location of 14 to 20 m away from the median strip. So, the lateral lane may suffer a worse situation in a strong rain intensity. On the other hand, the prediction value curve shows a fluctuation under the condition of various rainfall intensities. The fluctuation becomes more obvious as the rainfall intensity becomes stronger. It can be seen from Fig.9 that the pavement water film thickness has an abnormal fluctuation on the location of 8 to 10 m from the median strip because the small thickness is influenced by multi-factors more easily, and this also illustrates that the ANN model has not achieved enough accuracy for small local water depths.Having investigated the impact of water film thickness distribution by the ANN model, we subsequently studied the risk of hydroplaning depending on water film thickness, and this is beneficial to driving safety under bad weather conditions. The pavement area can be classified into a high risk area, medium risk area and low risk area. Fig.10 shows the pavement risk identification by a variation width from 11 to 25 m. Low risk means that the pavement water film thickness is 30% lower than that of the maximum value; high risk means that a pavement water film thickness is 70% higher than that of the maximum value; and others are medium risk. The high risk area exceeds half of the pavement surface when the width of the pavement increases to 25 m. It can definitely be seen that high risk areagradually expands with the increase in the width. This is because more discharge is accumulated easily by a wider pavement. As a result, a wider pavement requires efficient drainage facilities to eliminate the adverse influence caused by the water film.In this study, the distribution of the asphalt pavement water film is systematically predicted by an ANN model. The artificial neural network is an alternative approach for revealing the influence of multi-factors for pavement water film thickness. The approach is capable of predicting the water film distribution on asphalt pavement by using limited data. It is valuable for the design of expressway geometry and drainage. Based on this method, an operational forecasting circumstance can be achieved when using a trained ANN network, which means that the ANN model can depict the distribution of water film thickness on the asphalt pavement. Future work will focus on developing and increasing the capability of this methodology by comprising the geometric line type design of the pavement. Expanding the model to a superelevation transition section and transition curve will allow it to be applied more widely in pavement engineering.【相关文献】[1]Zhang L, Zhang Z. Impact of road slope on water film thickness [J]. Journal of Chongqing Jiaotong University (Natural Science), 2013, 32(3): 404-406. (in Chinese) [2]Zhou Q. Study on the theoretical calculation of the thickness of water film on road surface and its effect on the pavement skid resistance condition [D]. Nanjing: School of Civil Engineering, Nanjing Forestry University, 2013. (in Chinese)[3]Cristina C M, Sansalone J J. Kinematic wave model of urban pavement rainfall-runoff subject to traffic loadings [J]. Journal of Environmental Engineering, 2003,129(7): 629-636. DOI:10.1061/(asce)0733-9372(2003)129:7(629).[4]Wolff A. Simulation of pavement surface runoff using the depth-averaged shallow water equations [D]. Stuttgart: Institute for Transport and Streets, University of Stuttgart. 2013:15-17.[5]Wang Z L, Geng Y F. 2-D shallow water equations with porosity and their numerical scheme on unstructured grids [J]. Water Science and Engineering, 2013, 6(1): 91-105. [6]Li H, Xu J C, Li C Z, et al. The evaluation of intensive land use in the development zone based on BP artificial neural network: A case of Zhejiang province [J]. Areal Research and Development, 2014, 30(4): 122-125. (in Chinese)[7]Ceylan H, Bayrak M B, Gopalakrishnan K. Neural networks applications in pavement engineering: A recent survey [J]. International Journal of Pavement Research and Technology, 2014, 7(6): 434-444.[8]Roberts C A, Attoh-Okine N O. A comparative analysis of two artificial neural networks using pavement performance prediction [J]. Computer-Aided Civil and Infrastructure Engineering, 1998, 13(5): 339-348. DOI:10.1111/0885-9507.00112.[9]Shafabakhsh G A, Talebsafa M, Motamedi M, et al. Analytical evaluation of load movement on flexible pavement and selection of optimum neural network algorithm [J]. KSCE Journal of Civil Engineering, 2015, 19(6):1738-1746.[10]Londhe S N, Shah S, Dixit P R, et al. A coupled numerical and artificial neural network model for improving location specific wave forecast [J]. Applied Ocean Research, 2016, 59:483-491. DOI:10.1016/j.apor.2016.07.004.[11]Ji T J, Huang X M, Liu Q Q, et al. Prediction model of rain water depth on road surface [J]. Journal of Transportation Engineering, 2004, 4(3): 1-3. (in Chinese)[12]Tahershamsi A, Tabatabai M R M, Shirkhani R. An evaluation model of artificial neural network to predict stable width in gravel bed rivers [J]. International Journal of Environmental Science & Technology, 2012, 9(2):333-342. DOI:10.1007/s13762-012-0036-8.[13]Plati C, Georgiou P, Papavasiliou V. Simulating pavement structural condition using artificial neural networks [J]. Structure and Infrastructure Engineering, 2016, 12(9): 1127-1136.[14]Vimala J, Latha G, Venkatesan R. Real time wave forecasting using artificial neural network with vary input parameter [J]. India Journal of Geo-Marine Sciences, 2014, 43(1): 82-87.[15]Gajewski J, Sadowski T. Sensitivity analysis of crack propagation in pavement bituminous layered structures using a hybrid system integrating artificial neural networksand finite element method [J]. Computational Materials Science, 2014, 82(3): 114-117. DOI:10.1016/matsci.2013.09.025.[16]Jiao B, Ye M X. Determination of hidden unit number in a BP neural network [J]. Journal of Shanghai Dianji University, 2013, 16(3): 113-116. (in Chinese)[17]Shen H Y, Wang Z X, Gao C Y, et al. Determining the number of BP neural network hidden layer units [J]. Journal of Tianjin University of Technology, 2008, 24(5): 13-15. (in Chinese)[18]Gevrey M, Dimopoulos I, Lek S. Review and comparison of methods to study the contribution of variables in artificial neural network models [J]. Ecological Modelling, 2003, 160(3): 249-264. DOI:10.1016/s0304-3800(02)00257-0.[19]Liu B Y, Guan Y B, Ding X J, et al. JTGT D33—2012 Specifications for drainage designof highway [S]. Beijing: China Communications Press, 2012. (in Chinese)。

基于BP人工神经网络的路基压实度预测模型研究

基于BP人工神经网络的路基压实度预测模型研究杨学超;何彩平【摘要】Based on a large number of subgrade rollingexperiments,through a neural network model of roadbed compaction prediction is established,and the corresponding programs are developed with the help of the neural network toolbox of MATLAB. Prediction results show that the model programs are high in learning abilities,quick and convenient in prediction. It has also paved a new way for the prediction of soil compaction during the construction process of subgrade crushes.%在大量路基碾压实验的基础上,通过对BP人工神经网络的分析,建立了路基压实度预测神经网络模型,并利用MATLAB环境下的神经网络工具箱开发了相应的程序.预测结果表明,该模型程序具有学习能力强、预测精度较高、快速方便等特点.这项研究为路基碾压施工工程中土的压实度预测研究提供了新的研究思路.【期刊名称】《甘肃科学学报》【年(卷),期】2011(023)003【总页数】4页(P132-135)【关键词】路基;碾压;压实度;神经网络;预测【作者】杨学超;何彩平【作者单位】兰州交通大学土木工程学院,甘肃兰州 730070;山西路桥第二工程有限公司,山西临汾041051【正文语种】中文【中图分类】TP183在道路工程中非常重视对路基的合理压实与压实度检测，压实度作为一项重要指标用于控制道路施工质量，评定工程标准、工程验收以及检查和判定质量事故［1］.传统压实度检验通常采取随机抽样的方法，这些方法大部分是依靠人工操作，既花时间，费用也高，已经不能适应当前公路建设的需要.因此，寻求一种快速、稳定、无损的检验土压实度的方法已经刻不容缓.人工神经网络 ANN（Artificial Neural Network，ANN）又称并行分布式处理（Parallel Distributed Processing），最早出现于20世纪40年代，其基本思想是从仿生学的角度对人脑进行模拟，使机器具有人脑那样的感知、学习、推理等智能［2］.典型的BP网络是一种具有3层或3层以上的多神经网络.BP网络按有学习目标的方式进行学习.当为网络提供一对学习样本后，经过神经网络内的一系列正向传播，得到网络的输出值，然后根据希望输出与网络的实际输出间的误差按反向对网络进行调节.这样，随着学习过程的不断进行，网络的实际输出值也就逐渐逼近希望输出值.由于误差逆传播及其算法增加了中间层，使其具有对非线性模式的识别能力，特别是其数学意义明确、步骤分明的学习算法，使其具有广泛的应用前景.整个网络的学习分为2个过程：正向传递过程与误差反向传播并调整连接权过程.这2个过程反复交替，直至连接权不再改变，网络输出误差达到精度要求为止.算法的具体步骤如下：（1）确立网络模型，初始化网络及学习参数；（2）提供训练模式，选实例作学习训练样本：训练网络，直到满足学习要求；（3）前向传播过程，对给定训练模式输入，计算网络的输出模式，并与其模式比较，若误差不能满足精度要求，则误差反向传播，否则转到（2）；（4）误差反向传播过程.BP神经网络计算流程见图1.神经网络作为一门新兴的学科，尚缺乏具体的、指导性的应用原则，这给工程应用带来了一定困难.因而，网络结构的确定、网络传递函数的选择、网络初始权值的确定和学习算法的改进等都需采取一定的策略才能使网络发挥出预期的功能.通过现场试验，提取了影响压实度的主要因素的一些特征参数，分析了压实度与各特征参数之间的相对关系.以下基于BP网络，建立了压实度的定量分析模型. （1）数据预处理由于BP神经网络隐含层采用的是非线性可微的Sigmoid传输函数，在学习的时候采用的是梯度下降法，比如对于对数S型函数，如果自变量在［0，1］之外，则函数的导数会变得很小，梯度也随之变小，那么下降就会很慢，学习也很慢，可能会导致网络无法收敛.因此，在实际应用中，对输入变量和输出变量进行归一化是非常必要的.当变量是连续性时，常用的归一化处理方法有以下几种：将数据变换到［0，1］之间时其中x为真实值，xmin、xmax分别为真实值的最小值和最大值，x′为变换后的值. 将数据变换到［－1，1］之间时将数据进行标准正态转换，使其均值为0，标准差为1时其中x为真实值，mean、std分别为真实值的均值和标准差，x′为变换后的值.分别利用上述3个公式对路基土试验数据进行预处理，在网络结构为5-11-1（输入层5个神经元，隐含层11个神经元，输出层1个神经元）、传递函数、初始权值和阈值、训练函数和学习函数完全相同的情况下，编制BP网络，最大迭代次数1 000，网络目标0.01，考察网络的收敛速度结果见表1.由表1可以看出，用式（2）和式（3）对数据进行归一化后得到的网络收敛速度差，迭代1 000次都没达到网络目标.因此，我们选用收敛速度最快的式（1）对数据进行归一化处理.（2）网络层数理论上早己证明具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数［3］.一般来说，对大多数实际问题，一层隐层即3层网络己经足够了［4］.增加层数主要可以进一步降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间.而误差精度的提高实际上也可以通过增加隐含层中的神经元数目来获得，其训练效果也比增加层数更容易观察和调整.因此，在确定神经网络结构时，优先考虑单隐层结构.我们将建立3层BP 网络，即设置一层隐层.（3）网络节点数对于输入层，其神经元数根据实际问题而定，相当于统计方法中所说的自变量个数：对于输出层，其神经元数亦根据实际问题而定，相当于统计方法中所说的因变量个数.课题自变量个数为4个，因此输入层设置4个节点：因变量1个，输出层设置1个神经元.从网络收敛速度可知，当网络隐层节点数少于10个时，网络的收敛速度较慢，迭代1 000次时不能达到网络目标，当网络隐层节点数多于19个时，网络收敛速度很快，当节点数为27个时，网络的收敛速度最快.因此，课题建立3层BP网络：输入层4个神经元，隐含层27个神经元，输出层1个神经元.（4）网络收敛极小值的确定我们将网络停止学习的方式为指定误差法，网络训练的均方误差MSE达到指定要求，网络即会停止学习.网络收敛极小值的确定是在综合考虑网络收敛速度、耗机时间及网络仿真结果的基础上确定的.它在MATLAB环境下开发的神经网络工具箱中可以很好实现［5］.当网络目标误差设置为0.001时，均方误差MSE＝0.000 890.路基质量的好坏与其压实度密切相关，影响压实度的主要因素有填筑材料的碾压层厚度、湿密度、干密度、含水量，压实度的大小可表达为其中表达式右边各函数因子的意义分别为碾压层厚度、填料湿密度、干密度、含水量.根据以上分析可知，影响压实度的主要因素各不相同，但也有共同的相关因素.限于实测资料的获取，经过综合考虑，并利用因子相关分析，选用以上4个预测因子作为输入因子.经反复调试，BP模型结构取为3层，即输入层、一个隐含层和输出层［6］.其中输入层由4个神经元组成，对应于4个预测因子；隐含层神经元个数初步定为27个；输出层一个神经元对应于一个预报对象，此即该问题BP模型的总体结构.输入层与隐含层间、隐含层与输出层间的传递函数均采用对数S型传递函数logsig；训练函数为基本BP算法的训练函数TRAINGD；学习速率为0.1；最大迭代次数为40 000次，目标误差MSE为0.01.试验时，将15个基本检测点的初始压实度、含水量和碾压遍数以及水准检测的松铺厚度和沉降值作为训练输入，灌砂法实测压实度作为训练目标输出，进行网络训练.训练完毕后，将碾压层厚度、填料湿密度、干密度、含水量作为网络输入，进行网络仿真，考察仿真误差即网络推测性能.当目标误差设置为0.001时，网络迭代7次即收敛，MSE为0.000 890；当目标误差设置为0.01时，网络迭代3次即收敛，MSE为0.009 441.训练样本仿真误差和测试样本仿真误差见图2、图3.从图2、图3可见，目标误差为0.001相比为0.01时，网络训练样本仿真误差要小，但对于未学习过的测试样本，仿真误差更大.即目标误差为0.001时，网络出现了过度学习，导致网络泛化能力较差.故采纳的目标误差为0.01.建立的BP网络：网络结构为5-15-1，隐层和输出层的传递函数分别为logsig和purelin，网络目标误差设置为0.01，最大迭代次数为1 000.分别采用附动量的自适应学习率算法和L-M算法对网络进行实现［7］.网络训练速度和MSE分别为：附动量的自适应学习率算法迭代148次，MSE为0.009 536：L-M算法迭代次数为3次，MSE为0.009 441.相比而言，LM算法训练速度要快得多.2种算法对应的网络训练样本仿真误差和测试样本仿真误差见图4、图5.从图4和图5可直观看出，L-M算法对应的训练样本仿真误差和测试样本仿真误差变化范围都比?附动量的自适应学习率算法小，即性能好.由表2可知，基本BP算法模型对测试数据预测的效果较好.基本BP算法对测试样本预测，相对误差最大值为0.41%，相对误差标准差为0.175%，这一模型对测试样本进行预测的预测误差变异性最小.因此，BP人工网络模型应用于路基压实度预测是完全可行的［8］.ANN是目前广泛应用且很有发展前途的一门新的人工智能技术，尤其适用于处理条件复杂、高度非线性问题［9］，在路基碾压施工工程领域得到了广泛应用.利用MATLAB环境下的ANN工具箱，通过建立BP模型，并用测试数据对BP网络模型的预测性能进行检验，确定了用于路基压实度预测的最佳BP人工网络模型.结果表明，利用人工神经网络方法可以解决土石混合料密实度评定问题，这种尝试为路基压实度预测分析提供了一种可供借鉴的新的研究思路.【相关文献】［1］沙庆林.公路压实和压实标准［M］.第2版.北京：人民交通出版社，1980.［2］袁曾任.人工神经元网络及其应用［M］.北京：清华大学出版社，1999.［3］王从贵.动态变形模量Evd与地基系数K30的相关性研究［J］.路基工程，2004，23（2）：4-7.［4］刘春杰，任甲蕴，赵顺波.沉降观测法控制天然砾料路基压实度的研究［J］.华北水利水电学院学报，2006，24（2）：11-13.［5］楼顺天，施阳.基于MATLAB的系统分析与设计——神经网络［M］.西安：西安电子科技大学出版社，1998.［6］李明超，冯耀龙.基于MATLAB神经网络的三门峡水库泥沙冲淤变化预测分析［J］.泥沙研究，2003，57（4）：57-60.［7］曾怀恩.基于GPS的路基压实质量控制方法研究与系统实现［D］.武汉：武汉大学，2008. ［8］杨学超.基于GPS远程实时监控的公路路基碾压施工质量监控理论与应用研究［D］.西安：长安大学，2008.［9］李清禄，俞焕然.基于神经网络等强度超静定梁的优化设计［J］.甘肃科学学报，2005，17（3）：16-19.。

基于复合材料细观力学模型的沥青混凝土弹性模量预测

Elastic Modulus Prediction of Asphalt Concrete Based on Composite Material Micromechanics Model
ZHU Xing2yi1 , HU AN G Zhi2yi1 , C H EN Wei2qiu2
(1. Depart ment of Civil Engineering , Zhejiang U niversity , Hangzho u 310027 , Zhejiang , China ; 2. Instit ute of Applied Mechanics , Zhejiang U niversity , Hangzhou 310027 , Zhejiang , China)
通过百分率之积的加权。文献 [ 5 ]中所采用的这 2
个假设偏离了细观力学基于解析模型的分析思想 ,
因此他们的分析方法实质上是细观力学和经验公式
的混合。此外 ,文献[5 ]中虽然给出了弹性模量的表
达式 ,但该表达式是针对单相夹杂的表达式。事实
上沥青混凝土是多相夹杂的复合材料 , 为此需进一
步给出多相夹杂的弹性模量的表达式。笔者在文献
朱兴一1 ,黄志义1 ,陈伟球2
(1. 浙江大学土木工程学系 ,浙江杭州 310027 ; 2. 浙江大学应用力学研究所 ,浙江杭州 310027)
摘要 :针对目前预测沥青混凝土弹性模量的主要方法 (基于宏观层面的试验法和经验法) 均未能反映其细观结构的问题 ,基于复合材料细观力学方法建立了沥青混凝土多相的 2 层嵌入式细观力学模型 ,求解得到单夹杂复合材料的 2 个弹性常数 (弹性模量和剪切模量) ;结合多步骤方法 ,即将各档粒径集料与空隙逐一投入 ,然后进行均匀化 ,得到多夹杂复合材料弹性模量 ,并与试验值进行对比。结果表明 :预测结果与试验结果基本相同 ;该方法能够反映各组成材料在沥青混凝土中所起的力学作用 ;沥青混凝土的空隙率、沥青胶浆的弹性模量对沥青混凝土的弹性模量有重要影响。关键词 :道路工程 ;沥青混凝土 ;细观力学模型 ;复合材料 ;有效性能 ;多夹杂中图分类号 :U414. 1 文献标志码 :A

基于BP神经网络的沥青路面沉陷发展预测

基于BP神经网络的沥青路面沉陷发展预测
曹阳;杨傲;翟博渊;聂付松;文家刚
【期刊名称】《无损检测》
【年(卷),期】2024(46)4
【摘要】为提高沥青路面的检测效率,以某沥青路面某桩号断面的路面沉陷数据为研究对象,基于BP神经网络,对高速公路沥青路面沉陷发展进行了拟合及预测。

试验结果表明,BP神经网络模型能够有效预测路面沉陷,随着训练组数据的增加,神经网络模型的预测精度不断提高;基于工程效率和预测精度方面的考虑,建议选用32组数据作为最佳样本数;BP神经网络模型的预测精度显著高于二次曲线法的,相对误差降低了5%。

该研究验证了BP神经网络模型应用于路面沉陷发展预测的可行性和有效性,为探究高速公路沥青路面沉陷发展提供了新方法。

【总页数】5页(P48-52)
【作者】曹阳;杨傲;翟博渊;聂付松;文家刚
【作者单位】北京市政路桥股份有限公司;武昌工学院城市建设学院;北京中岩大地科技股份有限公司;中南勘察基础工程有限公司
【正文语种】中文
【中图分类】U418;TG115.28
【相关文献】
1.基于LassoCV和BP神经网络模型的重庆市经济发展预测研究
2.基于Adaboost的改进BP神经网络地表沉陷预测
3.基于BP神经网络和Logistic回归
分析的\r沥青路面平整度模型预测4.基于BP神经网络的高速公路沥青路面使用性能预测5.基于PSO-BP神经网络模型的中国碳排放情景预测及低碳发展路径研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于BP神经网络的沥青洒布精度研究

基于BP神经网络的沥青洒布精度研究摘要：针对传统沥青洒布车洒布精度低的问题，利用多传感器冗余检测信号确保了采集信息的准确性；提出利用非定常效率法来控制沥青洒布精度，设计了基于BP神经网络PID控制法的沥青洒布车控制器，通过建立泵效率数学模型，计算出泵出口压力与喷洒壁压力的关系。

利用MATLAB 进行仿真，结果表明：采用BP神经网络PID控制法实现了沥青洒布车车速信号、泵速信号、压力信号的快速响应，可以有效地提高沥青洒布精度。

关键词：沥青洒布；BP神经网络；PID控制；洒布精度中图分类号：U418.3文献标志码：B 文章编号：1000033X （2016）060097040引言传统沥青洒布车多采用常规PID控制法来控制沥青洒布精度，存在沥青泵响应速度慢、车速变化不稳、管路阻力大、沥青泵容积效率变化等缺点[1]。

本文将神经网络技术引入到常规PID控制技术中，设计出基于BP神经网络的PID控制器，并提出利用非定常效率法来控制沥青洒布精度。

1传感器多重冗余检测处理采用多重冗余方法设计的沥青洒布精度检测装置，充分利用了多个传感器的特点和资源，通过对各种传感器所测信息的合理支配与不同传感器对同一对象的一致描述，提高了整个洒布装置检测信号的准确度[2]。

即通过压力传感器对泵出口压力和喷嘴压力进行检测、雷达检测洒布车行驶速度、接近开关测量传动轴转速、流量传感器检测沥青流量、温度传感器检测沥青和导热油温度、编码器测量沥青泵转速等，按照它们提供信息的不同特征对同一现象进行循环检测确认[34]。

2数学模型建立2.1相关参数推算3基于BP网络的PID控制结构BP神经网络的PID控制系统原理结构如图1所示。

控制器是整个控制系统的核心，主要由神经网络算法和常规PID 控制器构成。

根据实际洒布运行状态，以及自学习能力、加权系数自调整能力修正PID控制器的3个参数Kp、Ki、Kd，最终达到一定的理想组合，使神经网络输出层节点上的值分别对应PID控制器的3个可调参数。

利用BP人工神经网络建立油气水层解释模型

利用BP人工神经网络建立油气水层解释模型
胡红;张强
【期刊名称】《录井技术》
【年(卷),期】2000(011)004
【摘要】利用ＢＰ人工神经网络误差反传播算法，开发了录井神经网络解释软件，通过对焉耆盆地勘探至今的已试油层的原始资料的学习、训练，建立了焉耆盆地神经网络储层解释模型，运用该模型可圆满地解决储层流体类型（凝析油气层、油气层、油层、气层、油水同层、水层和干层）的划分和识别，使得综合利用气测、地化、测井等原始资料识别储层流体类型，实现计算机处理自动化。

其精度及解释效果均令人满意，该方法值得推广应用。

【总页数】6页(P13-18)
【作者】胡红;张强
【作者单位】河南南阳油田地质录井公司;河南南阳油田地质录井公司
【正文语种】中文
【中图分类】TE311
【相关文献】
1.安塞油田高52区长10储层参数解释模型的建立与油水层测井识别研究 [J], 李维;罗静兰;杨艳芳;孙佩
2.基于BP神经网络的录井油气水层解释模型研究与实践 [J], 苑仁国;秦磊;刘晓亮
3.鄂尔多斯盆地TBM气田下二叠统低渗透储层测井解释模型建立及气、水层识别[J], 冯方;牟泽辉;张克银;陈长胜;朱宏权;罗宇
4.用函数链神经网络建立油气水层解释模型 [J], 龙铄禺
5.碎屑岩油气水层神经网络解释模型 [J], 龙铄禺
因版权原因，仅展示原文概要，查看原文内容请购买。