基于多元數據感知的路面服役韌性評價技術

蔣 宏，王寶輝，蔡 氧

[上海市城市建設設計研究總院（集團）有限公司，上海市 200125]

0 引言

《2021 年交通運輸行業發展統計公報》顯示，截至2021 年末，全國公路總里程已達528.07 萬km，位列世界第一[1]。2020 年全國公路養護公共財政支出決算數為885.83 億元[2]，由“建”轉“管”和“養”的趨勢十分明顯（見圖1），預計“十四五”末“管”和“養”將達到千億規模。大規模養護時代已到來。

圖1 2017—2020 年我國公路養護公共財政支出變化

隨著我國已通車各等級道路相繼達到設計使用壽命，如何科學評判道路的實際健康狀況變得十分必要和緊迫。國家相關部門近幾年大力推進道路設施數字化、養護專業化、管理現代化、運行高效化、服務優質化，以提高道路的韌性。具體表現在以下幾個方面：

（1）多樣化的評價技術指標

2007 年交通運輸部頒布行業標準《公路技術狀況評定標準》（JTG H20—2007）（2019 年被新版標準替代），從而建立了我國公路技術狀況的評價體系。公路技術狀況指標由簡單的“好路率”轉變為更多元化的指標，如“MQI”、“PQI”以及“優等路率”、“優良路率”等。這種改變有利于推動公路技術狀況評價水平的提升。

（2）完善的道路管養科學決策體系

道路管養科學決策是道路設施管理發展的必然要求。隨著公路技術狀況評價體系的發展，道路管養決策體系逐漸從無到有，并不斷豐富。這個體系以技術狀況評價為基礎，包括大中修工程比例、預防性養護比例，以及自動化檢測和科學決策覆蓋率等。這些改進反映了管養決策理念及技術水平的不斷提升，并在實踐中逐漸深化。

（3）從被動修路到主動養路

過去，發現道路健康狀況不良，往往采取被動的修路方式；現在，道路基礎設施數字化，利用傳感器監測或大數據分析可主動發現道路病害，并采取對策。這種轉變使得道路的健康狀況管理逐漸實現了從被動修路模式到主動養路模式，延長了道路的使用壽命，提升了道路行駛品質。

（4）大數據分析及人工智能的應用

當前的科技發展階段以數據深度挖掘及其與相關行業的融合應用為特征。在道路運營過程中，不同程度和類型的病害會影響行駛的舒適性和安全性。目前，應用深度學習模型進行路面病害目標識別成為本領域的研究熱點，而道路健康分析評價與信息技術的融合發展也成為本領域未來的發展趨勢。

（5）長壽命道路設計

傳統道路的設計使用年限為15～20 a，而長壽命道路的設計使用壽命可達30 a 以上。為了實現路面長壽命的目標，新技術手段被引入，通過使用多種傳感器獲取各種數據，監測道路系統的磨損、裂縫和其他損壞情況，并提前預測維護需求。這種全新的技術手段與5G、數字化、智慧化和人工智能等新一代路面技術相結合，日益成為本領域的研究熱點。

1 路面服役韌性影響因素及評價指標

1.1 路面服役韌性影響因素

路面服役韌性的影響因素主要包括內部因素和外部因素。路面建成投入使用后，在外部環境的長期作用下，其服役韌性逐漸衰減，總體上是一個外因推動內因，量變引發質變的過程。

（1）內部因素

內部因素主要由道路本體條件決定，包括路面類型（瀝青面層、混凝土面層）、路面結構設計參數、道路材料、道路施工質量控制等。在我國，道路施工質量控制是影響道路預期使用壽命的重要因素之一。

（2）外部因素

外部因素是指道路路面的長期使用環境，主要包括直接作用于路面的交通荷載（軸載及作用次數）、路基承載力以及氣象氣候等自然條件；此外還包括一些人為因素，如道路的日常養護措施等。這些外部因素目前絕大多數可通過感知設備來獲取。

1.2 既有路面服役韌性的評價指標

2007 年交通運輸部頒布行業標準《公路技術狀況評定標準》（JTG H20—2007），其中公路技術狀況（MQI）的評定主要由路基技術指標（SCI）、路面技術狀況指標（PQI）、橋隧構造物指數（BCI）及沿線設施指數（TCI）加權計算得到[3]。各權重的計算主要以人工調查獲取，工作量較大。由于我國幅員遼闊，各地區的道路使用環境、氣候及養護水平也存在較大的差異，因此該通用標準的普適性較差。

路面技術狀況指標（PQI）從劃分路段基本調查單元開始，通過對損壞程度、平整度和路面結構強度等7 項指數的檢測和調查，結合各道路的等級，取權重后計算得到。采用數字化技術進行道路狀況評定時，傳統指標已經不適應數字化的需求，需要針對數字化監測提出新的評價體系和標準。

綜上所述，目前的路面技術狀況評價指標僅呈現了“果”，無法明確是何種“因”導致道路狀況惡化，更無法動態預測道路的使用壽命。隨著物聯網、大數據及人工智能的快速發展，各種傳感器的應用也拓展了長壽命道路的設計理論和研究方向。

2 路面服役多元感知體系的構成

基于多元感知技術的路面服役韌性評價技術是一種利用多種傳感器和數據分析技術對道路運行情況進行評估的技術。其基本原理是通過安裝在道路上的傳感器收集多種數據信息，如道路表面形貌、荷載、溫度等，通過數據分析和處理，評價道路的運行狀況和服役韌性。

具體來說，基于多元感知技術的路面服役韌性評價技術主要包括以下幾個方面：

（1）傳感器安裝：在道路上安裝多種傳感器，如振動傳感器、應變傳感器、攝像頭等，以收集道路運行時的多種數據信息。

（2）數據采集與處理：收集到的多種數據信息需要進行采集和處理，如實時采集、存儲、清洗、預處理等。

（3）特征提?。和ㄟ^數據分析和處理，提取出相關特征，如路面平整度、軸載譜、車速、溫度等。

（4）建立模型：基于特征提取結果，建立相應的模型，用于預測和評估道路的運行狀況和服役韌性。

（5）結果評估與展示：將模型預測結果進行評估和展示，反饋給相關部門和用戶，用于養護決策和方法改進。

2.1 路面服役影響因素感知

路面服役韌性變化是一個動態的、復雜的過程，且影響因素較多，如果針對各種影響因素都設置傳感器來采集數據，不僅前期的設備投入費用較高，而且后期的數據處理還會耗費大量的時間。比較合理的做法是，在甄選出路面服役韌性的主要影響因素后，再確定合適的感知設備。經研究總結，以下為部分重要影響因素的感知設備。

（1）交通荷載感知

路面結構的設計壽命是與預測當量軸載相對應的，軸載的大小和作用次數對道路服役韌性起到至關重要的作用。動態稱重系統（Weight-in-Motion，WIM）（見圖2）可以有效感知多車道情況下車輛的總重、軸重、通過速度等信息，極大地提高了交通荷載數據采集的效率和精度[4-5]。

圖2 動態稱重系統（WIM）示意圖來源：http://solusiindustri.com/apa-itu-sistem-weigh-inmotion-ini-penjelasannya/

（2）路面環境感知

道路曝露在大氣環境中，其性能主要受到路表溫度、降水及太陽紫外線等的影響。例如：溫度會影響瀝青材料的蠕變性能，進而導致車轍，誘發裂縫的發展；濕度是影響路面強度和路基承載力的重要外部因素，而疊加重交通后會加速路面性能的衰減；太陽紫外線的長期照射也會加速瀝青面層材料物理性狀的變化。

通過環境傳感器站（Environmental Sensor Stations,ESS）可實現對路面氣象要素的全天候監測以及數據記錄、存儲和傳輸。一般的環境傳感器站包括監測天氣、路面、水位和空氣質量狀況的傳感器。該設備可固定或永久置于道路沿線，也可根據情況采用便攜或移動式設備。如圖3 所示，ESS 采用塔式固定并配置儀表吊桿，監測塔一般安裝在距路面9～15 m 的范圍內，塔基應盡量與路面處于同一標高，并采用圍欄保護[6]。

圖3 相對于道路的所需塔架位置來源：U.S. Road Weather Management Program-Sensor Siting And Weather Information Integration Projects

（3）路基、路面狀態感知

作用于路面的荷載會通過路面結構擴散傳遞至路基，路基沉降導致的附加應力達到一定程度時會打破路面結構的受力平衡，最終傳導至路面，引發路面的病害。此外，不良地質條件、地下管線結構缺陷、地下構筑物施工擾動引起的土體變形等因素也會導致路基的應力狀態發生變化。

由于路基病害具有較強的隱蔽性，其病害機理的形成也較為復雜，單點布設路基沉降監測傳感器的可靠性和時效性較差，且大范圍監測面臨著高昂的成本問題。相比之下，通過搭建分布式光纖傳感網絡可實現對路基的廣域監測，可實時感知應變、振動和溫度等信息，實現對路基沉降變形的長效、動態監測[7]。此外，流量和交通荷載的變化直接影響路面的劣化速度，結構健康監測（Structural health Monitoring,SHM）將光纖布拉格光柵傳感器（Fiber Bragg Grating Sensor, FBG）植入道路結構中（見圖4），可提供實時交通荷載和溫度引起的道路結構層底部的水平應變，由此累計的大量數據將有助于路面設計方法的革新[8]。

圖4 光纖布拉格光柵傳感器（FBG）來源：https://www.researchgate.net/figure/BVDZ-Port-of-Antwerp-2019_fig1_346898703 [accessed 27 Feb, 2023]

2.2 路面服役狀態感知

以往對道路病害的判別依靠肉眼，近年來隨著計算機圖像運算能力的提升和深度學習模型的不斷迭代，將圖像目標識別相關算法應用于路面病害的檢測是近幾年熱門的研究方向之一。其主要是通過獲取道路病害的照片，利用目標檢測網絡模型（Faster RCNN、Yolo）對道路病害的類型進行訓練和識別，經過大數據訓練改進后的模型對于路面病害的識別率可以達到90%以上[9-10]。路面圖像的采集可采用無人機或車輛（見圖5），搭載激光和探地雷達等設備后，還可以實現對路面承載能力（激光自動彎沉儀）、車轍深度（激光式車轍檢測儀）的檢測，繪制路面結構層的雷達圖譜，構造路面的“CT 影響”模型。此外，針對車載雷達無法動態實時檢測道路性能的缺點，可通過埋設路側感知設備等方式，建立車（載）路（側）聯合感知體系，擴展動態數據神經元。

圖5 路面圖像采集車來源：https://www.researchgate.net/figure/Mobile-mappingsystem-STIER_fig1_336157008

3 路面服役韌性的深度學習預測模型

3.1 路面服役韌性的一般預測模型

以往，道路使用性能的預測模型主要針對道路某一項性能指標，根據預測模型的機理可分為確定型和概率型兩種類型。

確定型預測模型是以力學為基礎的回歸模型，反映路面結構或功能等性能隨著路面材料、交通荷載、環境因素等影響因素的變化而發生變化的情況，具體還可以分為力學模型、經驗模型和力學- 經驗模型3 種。

考慮到各種影響因素的不確定性，概率型預測模型是根據路面某一時期的狀況來預測其將來各個時刻（或時期）的變動狀況的一種預測方法，其中以馬爾科夫預測模型的應用最為廣泛。

除以上常見的預測模型以外，時間序列模型等也用于道路服役韌性的預測。

3.2 基于深度學習的路面服役韌性預測模型

深度學習是人工智能領域的一種機器學習方法，利用其人工神經網絡可實現對大量數據的自動學習和預測。相比傳統的路面服役韌性預測模型，深度學習在處理大數據時具有極佳的效果，且預測準確率高度依賴于數據，數據量越大其表現效果越好。深度學習模型能夠自動提取數據特征，并根據數據集進行自我修正。此外，深度學習可通過神經網絡的層數和節點，將輸入映射到輸出，能夠解決復雜的數據關系，將路面性能衰減機理簡化為一個“黑箱模型”。圖6 為路面服役韌性預測模型技術路線。

圖6 路面服役韌性預測模型技術路線圖

基于感知設備獲取的道路監測數據，采用神經網絡方法分別定義輸入參量和輸出參量，建立瀝青路面性能預測模型。

（1）輸入參量

模型輸入參量的選擇，首先應考慮感知設備容易獲取且長期可靠穩定的數據，并剔除對模型預測結果影響不顯著的變量。根據上文所述感知設備采集的類型及其特點，梳理出輸入參量（見表1）。

表1 神經網絡模型輸入參量屬性一覽表

路面的本體信息主要來源于設計資料，反映機動車道的路面結構、上下面層采用的瀝青混凝土類型及其厚度、基層和墊層的材料及厚度等，實際設計中路面設計參數一般根據道路等級確定。交通荷載的數據通過WIM 收集后，最終可將其換算為各種軸型的軸載累計頻率，或通過軸載譜模型擬合[11]。路表環境感知通過ESS 獲取，其中值得關注的是路面含水量，它影響路面結構的強度、壓實度、剛度和穩定性。

（2）輸出參量

輸出參量應是一個能夠反映路面技術狀況的指標，可根據地域交通特點和實際情況選擇單一性或綜合性指標。通過視頻采集和激光掃描等技術手段，獲取路面病害數據和路面構造深度等信息，最終通過標準化和歸一化將其轉換為一個修正的PQI指標。

4 結語

基于多元感知技術的路面服役韌性評價技術具有數據全面和準確性高、實時性和可操作性強等優點，但目前路用感知技術的應用還存在著感知設備應用設計和實施標準不統一、感知設備穩定性和耐久性較差、感知數據的多源異構性等問題[12]。但是，隨著我國交通強國戰略的持續推進和不斷深入，人工智能、大數據、云計算、新材料、物聯網等技術的更新迭代，將新型技術引入傳統交通基礎設施建設和改造中，通過數字化手段，形成傳統道路工程與現代數據科學工程的耦合，實現對道路健康的全過程、全要素、智能化、主動式管理，是提升道路基礎設施韌性的重要手段，也是長壽命道路工程設計及管養技術發展的必然選擇。