基于BP神經網絡的瀝青路面壓實度檢測

2016-12-12 13:45:54趙素素孟凡虎宋麗娟陳宏業

公路與汽運 2016年6期

關鍵詞：瀝青路面振動檢測

趙素素，孟凡虎，宋麗娟，陳宏業

（長安大學道路施工技術與裝備教育部重點實驗室，陜西西安 710064）

基于BP神經網絡的瀝青路面壓實度檢測

趙素素，孟凡虎，宋麗娟，陳宏業

（長安大學道路施工技術與裝備教育部重點實驗室，陜西西安 710064）

為實現瀝青路面壓實度的實時檢測，采集壓實過程中的壓實溫度、壓實速度及振動壓路機的振動加速度等參數，并檢測壓實后瀝青路面的壓實度是否合格；采用BP神經網絡建立模型，利用該模型對采集到的數據與瀝青路面壓實度進行訓練，結果表明瀝青路面壓實參數與路面壓實度之間存在一定的映射關系，該模型可用于瀝青路面壓實度實時檢測。

公路；瀝青路面；壓實度；神經網絡；實時檢測

壓實度影響著路面的強度、壽命和使用性能，欠壓實會造成水分滲透、路面氧化和破裂等，過度壓實則會導致瀝青路面在高溫下出油等現象。因此，施工過程中壓實度檢測必不可少。壓實度檢測方法多種多樣，國內傳統的檢測方法主要有挖坑灌沙法、鉆心法、環刀法、核子密度濕度儀測定法和無核密度儀測定法。前3種檢測方法需損壞路面，且需在實驗室檢測，耗時長；核子密度儀具有輻射，對人體健康存在一定威脅，而無核密度儀的精確性還有待驗證，且兩者都不能實時地對路面壓實度進行反饋。因此，必須采用新的方法對路面壓實度進行快速、準確檢測。該文運用BP神經網絡建立模型，對瀝青路面壓實度歷史數據進行訓練，并用新數據進行驗證，以實現對瀝青路面壓實度的快速、可靠評定。

1 BP神經網絡

人工神經網絡是以人類大腦神經元信息傳遞結構為基礎開發的一種技術，能模擬人學習感知思考的能力。它由大量神經元組成，每個神經元都是簡單的處理單元，它們經過連接形成復雜的網絡結構，從而在不同程度上完成復雜的類似人腦功能，在處理許多外界因素等不確定信息時比較適用。

在多種神經網絡模型中，BP神經網絡運用最廣泛，它是一種多層前饋型神經網絡，其信號是前向傳播處理，誤差是反向傳播并進行調整的。信號前向傳播過程中，信號從輸入層經過隱含層各神經元的處理再傳向輸出層，若輸出值與期望輸出值存在差距，則誤差信號反向傳播，系統根據誤差調整相應的權值和閾值，從而使輸出值與期望輸出值越來越逼近。完成訓練后的神經網絡可對將來的輸入信號進行預測性輸出，可實現高度的網絡輸入和目標輸出之間的非線性映射關系。BP神經網絡的拓撲結構見圖1，單個神經元的作用見圖2。

圖1 BP神經網絡的拓撲結構

圖2 單個神經元的作用示意圖

2 BP神經網絡模型設計

2.1 影響因子的選取

瀝青路面的壓實度受多種環境因素的影響，主要包括壓實速度、壓實時瀝青的溫度、壓實遍數及振動壓路機的振頻和振幅。若壓實速度過快，會導致壓實不充分；若速度過慢，會影響施工進行，且混合料冷卻后難以壓實。通常高溫瀝青混合料比低溫下的混合料更易壓實，但若溫度過高，瀝青的性質會發生改變，導致瀝青老化。壓實遍數過低，則壓實不充分；壓實遍數過多，會導致過壓實，且影響施工進程。壓路機的振頻影響瀝青路面的表面壓實質量，振幅影響瀝青路面的壓實深度。近些年，許多學者通過建立振動壓路機-路面系統的動力學模型研究振動輪的垂直振動加速度與路面材料壓實度之間的關

系，以此檢測路面壓實度。振動輪的垂直加速度可直接反映瀝青路面的壓實度，故可將其作為決斷性因子來反映瀝青路面的壓實度。綜上，將壓實速度、瀝青溫度、壓實遍數、振動壓路機的振頻和振幅、振動輪的垂直加速度作為影響因子輸入。

2.2 數據的歸一化

由于不同輸入數據及輸出數據量綱不一樣，為防止數據之間的非規則性，避免大數吃小數現象，對數據進行歸一化處理，將其轉換成0～1的無量綱數據。瀝青路面壓實度數據屬于區間型，根據經驗采取最大最小法進行歸一化處理，函數形式見式（1）?？蛇\用MATLAB自帶函數mapminmax根據輸入數據自動歸一化。

式中：Xmin為訓練數據中的最小值；Xmax為訓練數據中的最大值。

2.3 網絡結構的設置

神經網絡由輸入層、隱含層和輸出層組成，層與層之間采用全部連接方式，同一層單元之間不存在相互連接。由Kolmogrov可得一個具有m個輸出單元、2m+1個隱含層單元和n個輸出單元的3層網絡結構可精確表達任何映射。壓實度的影響因子有壓實速度、瀝青溫度、壓實遍數、振動壓路機的振頻和振幅、振動輪的垂直加速度，所以網絡結構設置6個輸入口。根據Kolmogrov定理，初步設置隱含層的神經元個數為13。對于隱含層的數量，若增加隱含層數量，雖可進一步提高準確度，降低誤差，但網絡結構會變得更加復雜，網絡的訓練時間會延長。而通過增加隱含層神經元數量也可確保精度要求，且訓練效果比增加隱含層數量更直觀、易調。因此，采用單隱含層結構，同時將隱含層神經元數設置為20。另外，壓實度的確定一定程度上受到攤鋪質量和混合料品質的影響，若采用壓實度值為輸出，則可能導致輸出的變化與輸入的變化存在不連續關系，這樣一個隱含層的網絡將無法實現。因此，采用壓實度合格或不合格將輸入數據進行分類處理。一般而言，分類結果的種類數即為輸出口數。如壓實度合格，則輸出［1 0］；若不合格，則輸出［0 1］，所以輸出層神經元個數設置為2。綜上，將BP網絡神經網絡結構設置為6-20-2。

2.4 神經網絡的訓練與預測

在神經網絡訓練之前，需對網絡訓練參數進行設置。最大訓練循環次數設置為1 900次，目標誤差設為0.000 1。學習速率就是訓練的步長，取值范圍一般為0.01～0.8，太大會導致系統找不到誤差最小值及系統不穩定，太小則會延長訓練時間，故將系統的學習速率設為0.10。

理論上，具有至少一個S型隱含層和一個線性輸出層的網絡能逼近任何有理函數。為了增加系統的可靠性，將隱含層的傳遞函數設置為tansig（S型正切函數），輸出層的傳遞函數設置為logsig（S型對數函數），訓練函數設置為traingd（梯度下降BP算法函數）。

最終的BP網絡結構見圖3。