基于神經網絡的振動壓路機土壤壓實度數據處理

向 亮，曹源文，易 飛

(重慶交通大學機電與汽車工程學院，重慶400074)

在土壤壓實度連續檢測中，首先利用安裝在振動壓路機振動輪上的加速度傳感器測量振動輪振動加速度，然后建立振動加速度與土壤壓實度之間的關系，間接反應振動壓實情況［1］。這種實時檢測的方法大大提高了振動壓路機的工作效率，縮短了工程進度。不同的土壤，其壓實性質也不相同。因此，相同大小的振動加速度，在不同性質的土壤上進行振動壓實時，土壤的壓實度是不同的，壓實效果也不一樣。同時，同一種性質的土壤，其含水量不同，土壤的壓實度也不一樣。也就是說，很難用一種確定的函數關系式來反映振動加速度和土壤壓實度之間的關系。筆者在重慶交通大學道路實驗室進行現場試槽試驗，采集了振動輪振動加速度和對應的土壤壓實度數據，從中選取一組實驗數據如圖1。

從圖1可以看出，雖然振動加速度和土壤壓實度之間是正相關的，但兩者之間的線性關系并不是很好的。為了達到連續實時檢測的目的，必須在兩者之間建立橋梁。BP神經網絡在處理非線性映射方面的能力可以解決這個問題，即通過神經網絡的處理記憶來實現一個加速度反應一個壓實度的可能性。

圖1 壓實度值與振動加速度的關系Fig.1 Relationship between the compaction and the acceleration of vibration

1 影響土壤壓實度的因素

影響土壤壓實度的因素很多，其中最主要的是如下幾個方面［2－4］。

1.1 土壤材料及其級配情況的影響

不同類型的土壤，其壓實性能是不一樣的。粗粒料易于壓實，而且有足夠的穩定性。粉砂的壓實性能差些，但比黏土要好，只是水穩定性較差。最難于壓實的土壤是黏土，它有高的黏聚性和不透水性。含有大量有機物的腐殖土，彈性很強，無法壓實，不宜作為工程建筑材料使用。

集料的級配對碾壓后所能達到的密實度有著明顯的影響。為了提高工程結構基礎和路面結構層的強度和減少空隙率，增加其在使用過程中的穩定性，則要求材料具有好的級配。特別是對作基礎層的集料，常規定有嚴格的級配范圍。

另外，對路面各結構層的集料成分要求有足夠的強度和硬度，以使能夠抵抗碾壓施工和行車載荷的破壞，要防止集料中的粗骨料被細化而導致路面變形。

1.2 含水量

以相同的壓實方法，壓實不同含水量的同一種土壤，會得到不同的壓實效果。壓實機械的施力，需要克服土顆粒間的內摩擦力和黏聚力，才能使其產生位移及相互靠近，而這種內摩擦力和黏聚力往往是隨著密實度的提高而增加的。

土壤的含水量小時，土顆粒間的內摩擦阻力就大。當壓實到一定程度后，此壓實功便不能繼續克服土壤的變形抗力，壓實所得的密實度是有限的。若增加含水量時，由于水在顆粒間起到的潤滑作用而使土壤的內摩擦阻力下降，因此會以同樣的壓實功而得到較大的密實度。當含水量增加到超過某一界限后，雖然土壤的內摩擦阻力還會下降，但土壤中水的體積卻在增加。由于水的不可壓縮性，致使土壤的密實度反而下降了。

各種不同土壤的最佳含水量和最大干密度是不同的，通過擊實試驗，對各種天然土壤、級配土壤及無極黏結材料穩定土，都能找到一個與擊實曲線上最大干密度想對應的最佳含水量值。

1.3 壓實設備的影響

壓實設備的影響主要包括壓實力的作用方式、壓實功的大小、碾輪的狀態、以及壓實的工藝。其中壓實工藝對土壤壓實的影響是比較大的，比如本文研究的振動壓路機振動壓實，壓路機振動參數的選擇(振動頻率、振幅)、碾壓速度和碾壓次數都影響著土壤的壓實度。

在振動壓路機振動壓實的過程中，合理的選擇振動輪振動頻率和振幅對壓實效果和壓實效率有著很大的影響。

2 壓實度實時檢測的神經網絡模型結構

由于土壤壓實度受到各種因素的綜合影響，在試驗的初期主要關心振動加速度大小和壓實度的直接關系。因此試驗中使用一種振動頻率和振幅測量了多種數據。在BP神經網絡的輸入向量中暫不考慮振頻和振幅的變換因素。從上面各個因素中選出幾個主要因素作為神經網絡的訓練參數，分別為:土壤級配(這里用通過0.074 mm顆粒百分比)、土壤含水量、振動加速度和土壤最大干密度。選用土壤壓實度作為網絡的輸出。網路的傳遞函數選用S型函數，輸出函數選用線性函數。一般情況下BP神經網絡均選為3層，隱層節點數沒有確定的規則，只能根據訓練的結果來增減［5－6］。

3 網絡的訓練

學習樣本的選取在BP網絡訓練中是非常重要的，在振動壓路機實時檢測中，學習樣本數據應該能表示全部的數據特點，即選取數據前根據現場測定的加速度數據的取值范圍來選取，試驗一共選取了3段不同級配的土壤，每段土壤均壓實7遍以上，同時記錄相應測點的土壤壓實度值。表1給出了部分學習樣本的數據。訓練函數的選取也要根據選取訓練結果的好壞來判斷［7－8］。

表1 學習樣本Table 1 Learning samples

網絡的訓練誤差應根據壓實度實際需要的精確度來衡量，根據實際需要把誤差限定在5%，將學習樣本帶入建立好的BP神經網絡中訓練，經過不斷的更改隱層神經元數目和訓練函數后，在隱層神經元數目達到45個，采用自適應性lr度下降訓練函數，神經網絡訓練達到規定的訓練誤差［8－9］，如圖2。

圖2 網絡訓練過程Fig.2 The process of network training

4 土壤壓實度數據檢驗及預測

為了驗證訓練后的網絡可行性，可將其它測量數據帶入網絡進行檢驗，表2給出了一組驗證樣本。

通過計算，仿真結果最大誤差為3.775%，最小誤差為1.018%。數據對比如圖3。

5 結語

從仿真結果來看，初步達到了加速度和壓實度的映射關系，將神經網絡控制系統運用到振動壓路機在線檢測上面來是可行的。通過加速度傳感器檢測的加速度數據經過預處理之后，通過神經網絡的識別可以很好的映射了振動加速度和土壤壓實度之間的關系。

表2 驗證樣本Table 2 The validation of sample

圖3 驗證數據對比Fig.3 The comparison of data

［1］曹源文.振動壓路機壓實度實時連續檢測技術研究報告［R］.重慶:重慶交通大學，2008.

［2］秦四成.振動壓路機［M］.北京:化學工業出版社，2006.

［3］李冰，焦生杰.振動壓路機與振動壓實技術［M］.北京:人民交通出版社，2001.

［4］邱聲，曹源文.非線性有限元在振動壓實中的應用［J］.重慶交通大學學報:自然科學版，2011，30(2):270 －272.Qiu Sheng，Cao Yuanwen.Analysis and application of nonlinear finite element on vibration compaction［J］.Journal of Chongqing Jiaotong University:Natural Science，2011，30(2):270 －272.

［5］董長虹.MATLAB神經網絡與應用［M］.北京:國防工業出版社，2007.

［6］張德豐.MATLAB神經網絡仿真與應用［M］.上海:電子工業出版社，2009.

［7］胡伍生.神經網絡理論及其工程應用［M］.北京:測繪出版社，2006.

［8］張德豐.MATLAB神經網絡應用設計［M］.北京:機械工業出版社，2009.

［9］周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計［M］.北京:清華大學出版社，2001.