基于物聯網技術的道路施工過程質量管理研究

*基金項目：福建省交通運輸科技項目“基于大數據的高速公路工程質量智能管理系統研究”（202132）。

摘要：為了綜合考慮道路施工過程中的多環節影響因素，提高施工效率，縮短施工周期，提出基于物聯網技術的道路施工過程質量管理方法。首先，利用基于物聯網技術的智慧試驗檢測管理平臺下的瀝青路面施工質量管控系統采集施工路段攤鋪測厚數據、智能壓實監控數據、臺賬數據，以壓實度、平整度、厚度、路面滲水率為評價指標；其次，構建深度神經網絡模型，用于實現從多測量參數到評價指標的回歸分析，通過多次訓練得到最優指標預測模型；最后，根據模型參數實現不同層級的權重分析和輸入/輸出測量參數的重要度分析。以彰武高速公路南靖段工程為例進行數據驗證，結果表明：基于物聯網技術的道路施工過程質量管理方法能夠在充分采集施工數據的基礎上構建準確的回歸分析模型，用于不同評價指標的預測，并基于模型權重實現對輸出結果的一鍵溯源，有效提升施工過程質量智能化管理水平。

關鍵詞：物聯網技術；道路施工；質量管理；深度神經網絡；指標預測

0" 引言

道路施工過程質量管理是指通過合理規劃和有效管理最大限度地提高施工效率和質量，同時降低成本和資源浪費。優化道路施工過程可以提高施工效率，減少施工周期，保障道路施工質量。道路施工過程質量管理是一個持續性過程，雖然已經取得了一系列研究成果，但仍存在施工效率低下、資源浪費、安全隱患等問題［2］。目前，相關研究主要從施工工藝優化、數字化和智能化施工、質量控制與管理、項目管理優化等方面展開。隨著建筑信息模型、物聯網、人工智能等新興技術在道路施工中的應用逐漸增多，施工管理的精確度和自動化程度不斷提高［3］。現階段，相關學者針對質量控制手段進行了深入研究，包括先進的檢測技術、質量評估模型等，以確保道路施工質量符合要求［1］。

傳統的公路工程施工質量管理存在許多問題，主要表現在無法實現全過程的控制和監測。同時，現場管理人員和技術人員素質較低，難以及時識別風險，僅依靠事后取樣檢測費時費力，且不能及時找到問題的解決方法。在物聯網技術的快速發展下，開發快速、高效的道路施工過程自動檢測監控信息系統對于解決我國公路工程施工質量和安全管理問題具有重要意義［4］。通過施工全過程的數據監測和分析，可以顯著提高公路施工管理的水平和效率［5］，有效控制施工過程中的質量和安全風險，確保道路施工質量達標。

綜上所述，本文提出基于物聯網技術的道路施工過程質量管理方法。通過智慧試驗檢測管理平臺下的瀝青路面施工質量管控系統采集施工路段的攤鋪測厚數據、智能壓實監控數據、臺賬數據等測量參數，將壓實度、平整度、厚度、路面滲水率4個評價指標作為輸出，構建基于多層感知的最優指標預測模型，用于實現評價指標預測與輸入重要度分析，為道路施工過程質量管理提供數據基礎和技術支持。

1" 基于物聯網技術的道路施工數據采集

基于物聯網技術的瀝青路面機械化施工質量監控信息系統可以在瀝青拌和料生產過程中，通過傳感器實時監測瀝青拌和料的配合比、溫度、攪拌時間等關鍵參數，確保拌和料的質量和穩定性［6］。同時，該信息系統將實時采集的數據傳輸至中央數據庫或云平臺，為施工管理人員提供實時監控和數據分析功能。管理人員可以通過遠程訪問系統隨時查看施工過程中的各項數據，及時發現問題和異常情況，并做出相應調整。同時，還可以利用數據分析和智能算法進行施工質量評估和安全風險預警，便于全面監控整個施工項目狀態和質量。

物聯網智慧檢測技術融合了5G、物聯網、大數據等新興技術，通過將檢測設備、移動平板和數據系統互聯互通，實現數據的實時采集和傳輸。該技術取代了傳統的人工記錄方式，能夠保證數據的廣泛性和真實性，有效提高了模型數據樣本的質量。

基于物聯網技術的智慧試驗檢測管理平臺下的瀝青路面施工質量管控系統由瀝青試驗室數據智能管理子系統、拌和站生產數據管控子系統、運料車監控子系統、瀝青攤鋪智能測厚子系統、智能壓實監控子系統、平整度自動化檢測子系統、自動化滲水系數檢測子系統共7個子系統構成，能夠收集瀝青路面施工過程中的關鍵數據，包括施工時間、天氣、施工材料、溫度等。各子系統數據采集內容見表1。

基于表1數據，從壓實度、平整度、厚度、路面滲水率4個方面建立瀝青路面施工質量控制指標體系，如圖1所示［7］。

2" 深度神經網絡模型構建

本文采用深度神經網絡（Deep Neural Networks，DNN）進行評價指標回歸分析。DNN是一種深度學習模型，由多個神經網絡層組成（圖2），用于學習數據的特征表示和執行各種任務，如分類、回歸、目標檢測、語音識別等［8］。每個神經元接收來自前一層神經元的輸入，對其進行加權求和，通過激活函數產生輸出。這些神經元通常分布在不同的層級中，包括輸入層、隱藏層和輸出層。深度神經網絡通常采用前饋傳播的方式進行計算，即輸入信號從輸入層傳遞到隱藏層，再逐層傳遞到輸出層。

深度神經網絡通常采用反向傳播算法進行訓練。在訓練過程中，網絡輸出與實際標簽之間的誤差通過損失函數進行衡量。反向傳播算法將誤差信號逆向傳播回網絡，以調整權重和偏置，減小誤差。上述過程迭代進行，直到網絡收斂于最佳模型。深度神經網絡通常包含多個隱藏層，使網絡能夠學習到多層次的特征表示［9-10］。

3" 基于物聯網技術的道路施工過程質量管理技術路線

本文提出的基于物聯網技術的道路施工過程質量管理技術路線主要包括全流程多子系統數據采集、測量參數-評價指標回歸分析和施工質量一鍵溯源三個部分，如圖3所示。

（1）全流程多子系統數據采集。在高速公路工程施工過程中，利用多種子系統傳感器和監控設備對施工過程的各個環節進行全面的大數據采集。例如，通過溫度傳感器、密實度傳感器、厚度傳感器等對瀝青路面施工過程中的溫度、密實度和厚度等參數進行實時監測和數據記錄。同時，將采集到的數據進行整合和處理，以確保數據的完整性和準確性。

（2）測量參數-評價指標的回歸分析。分析已采集的各類測量參數與工程質量評價指標（如壓實度、平整度等）之間的關系。通過建立回歸模型，預測測量參數與評價指標之間的關聯規律，幫助工程質量管理人員了解各測量參數對工程質量的影響程度，以優化施工參數、提高工程質量。

（3）施工質量一鍵溯源。利用大數據分析技術對施工過程中的質量問題進行一鍵溯源。通過數據追蹤和記錄，快速定位施工過程中的異常和問題，并及時采取措施進行處理，確保工程質量的穩定和持續改進。

綜上所述，通過全流程多子系統數據采集、測量參數-評價指標回歸分析及施工質量一鍵溯源的組合應用，實現對施工過程的全面監測、數據分析和質量管控，有助于提高施工質量、減少安全風險，提高道路施工質量。

4" 實例分析

本文以彰武高速公路南靖段工程為例進行分析，將攤鋪測厚數據、智能壓實監控數據、臺賬數據作為測量參數，將壓實度、平整度、厚度、路面滲水率作為評價指標，驗證基于物聯網技術的道路施工過程質量管理方法的科學性和實用性。

4.1" 數據采集

基于不同子系統的物聯網技術，統計78個樁號（K18+170～K19+430）對應數據，并進行可視化分析。各子系統采集數據變化圖如圖4所示。可以看出，不同參數的量綱不同，且難以直觀地得到不同指標的對應關系。因此，對數據進行批量預處理后，將量綱統一的樣本用于模型構建，實現從多參數到多指標的回歸分析。

由于在評價路段質量時通常以部分點位的指標代表整體狀況，而與子系統采集數據對應的5個評價指標數據大部分缺失，只能得到有限標簽的樣本用于模型訓練。

針對圖5中的不同量綱數據，采用最大-最小歸一化方法將不同尺度的數據映射到統一的尺度范圍內，以便進行比較和分析。最大-最小歸一化結果如圖6所示，不同測量參數的取值范圍均為［0，1］。

4.2" 指標預測模型構建與訓練

根據指標體系各要素間的相互關系，構建包含兩個隱藏層的神經網絡模型。其中，輸入節點為

24，隱層節點分別為64和32，輸出節點為1。在該模型中，輸入對應24個監測數據，輸出為評價指標，由此得到不同指標的預測誤差變化趨勢（圖6）和樣本指標預測結果（圖7）。

可以看出，經過多個Epoch訓練，均方誤差快速下降到較小值，對比已有標簽樣本可知，預測結果與真實值較為接近；針對沒有標簽的樣本，模型能夠預測其指標值，指標值基本在正常范圍內，符合質量評價結果。

4.3" 預測模型一鍵溯源與質量管理

根據模型權重求解其輸入重要度，實現對輸出結果的一鍵溯源，找到對輸出結果影響最大的監測參數，從而為質量管控提供依據。以馬歇爾試件標準密度的壓實度預測為例，可以得到其輸入層到隱藏層1的權重w0，隱藏層1到隱藏層2的權重w1，隱藏層2到輸出層的權重w2，以及w1、w2和w3經過點乘并標準化后的重要度。標準壓實度預測一鍵溯源結果如圖8所示。可以看出，在利用不同評價指標對原始輸入進行回歸分析時能夠得到不同的權重結果和原始輸入的重要度結果。

同理，得到平整度、厚度和路面滲水率預測模型的溯源結果，如圖9所示。這種溯源分析為預測結果提供了合理解釋，有助于明確在預測過程中哪些輸入參數具有主要作用，以及在道路施工過程中，哪些因素對于平整度、厚度和路面滲水率等質量指標的影響更為顯著，便于施工管理團隊更有針對性地進行優化和調整，進一步提高施工質量和效率。

4.4" 預測模型魯棒性分析

在實際施工數據采集過程中，人為因素和監測設備異常會導致數據不準確，從而影響模型預測結果的準確性。為了驗證模型在輕微干擾下的魯棒性，在采集到的監測參數樣本中添加隨機噪聲用于訓練和測試。

設定添加符合正態分布的隨機噪聲N（0，1）×k，其中，k表示噪聲因子，用于調節添加噪聲的強度。為了準確反映模型隨噪聲強度增加的預測結果變化，在對監測數據進行最大-最小歸一化后，k分別取值0.02、0.04、0.06、0.08和0.1。以添加噪聲后的攤鋪速度為例，含噪攤鋪速度對比如圖10所示。同理，可以在其他23個監測參數中添加噪聲數據。

不同噪聲強度下的指標預測結果與原始指標值誤差對比見表2。可以看出，隨著噪聲強度的增加，樣本整體預測MSE誤差逐漸增加，但均在合理范圍內，說明訓練好的模型具有較強的抗干擾能力，能夠在噪聲干擾下得到較為準確的預測結果。

5" 結語

為實現智能、高效的道路施工過程質量管理，本文提出了基于物聯網技術的道路施工過程質量管理方法。利用基于物聯網技術的智慧試驗檢測管理平臺下的瀝青路面施工質量管控系統，采集施工路段的攤鋪測厚數據、智能壓實監控數據和臺賬數據等重要信息作為模型輸入，以壓實度、平整度、厚度和路面滲水率4個評價指標作為模型輸出。通過深度神經網絡模型挖掘多測量參數與評價指標的映射關系，通過模型參數求解輸入指標重要度，實現對預測結果的一鍵溯源。實例驗證結果表明，該方法能夠針對不同評價指標得到較為準確的預測結果和輸入端多個測量參數的重要度，從而有助于明確施工過程中的關鍵影響因素，提高施工質量管理水平和效率。

參考文獻

［1］陳唯冰，董鵬，盧葦.基于數字化的工程項目質量管理方法探析［J］.項目管理技術，2022，20（7）：112-115.

［2］曹利波.高速公路SMA路面施工質量控制［J］.工程建設與設計，2023（13）：120-122.

［3］曹才勇，楊春會，周棟，等.基于BIM的CSC平臺在高速公路施工管理中的應用研究［J］.湖南交通科技，2023，49（2）：162-167，188.

［4］覃琳.物聯網大數據在道路施工質量監控中的應用［J］.電子元器件與信息技術，2019，3（5）：30-34，63.

［5］劉揚.基于物聯網技術的壓實作業智能監控系統構建分析［J］.工程機械與維修，2023（3）：32-34.

［6］朱玉.基于物聯網技術的瀝青路面壓實度與施工工藝研究［J］.交通節能與環保，2022，18（5）：155-159.

［7］索寧，郭興磊.基于主成分分析法和回歸分析的建設項目造價影響因素分析［J］.項目管理技術，2022，20（1）：14-17.

［8］朱強，徐強，付立.基于BP神經網絡算法的路面結冰時間預測［J］.交通運輸研究，2022，8（4）：126-136.

［9］趙曜，張萬磊，陳兆南，等.基于BP人工神經網絡的瀝青路面壓實度預測模型研究［J］.交通世界，2020（14）：29-32.

［10］吳青龍，陳小衛，韓志超.工程建設項目成本估算方法研究綜述［J］.項目管理技術，2022，20（7）：47-51.

PMT

收稿日期：2023-10-17

作者簡介：

張淑寶（通信作者）（1972—），男，高級工程師，研究方向：高速公路建設和運營管理。

朱武榮（1971—），男，高級工程師，研究方向：公路工程管理。

陳健靈（1975—），男，高級工程師，研究方向：高速公路運營管理。

汪衛東（1970—），男，高級工程師，研究方向：路橋施工與管理。

楊德釗（1981—），男，高級工程師，研究方向：高速公路建設和運營管理。