足尺試驗環道路面擺值變化趨勢預測

摘" 要：路面抗滑性能是路面使用性能的重要指標之一，是行車安全性的重要保障.依托RIOHTrack足尺試驗環道的檢測數據，選用足尺試驗環道STR2、STR4、STR9和STR16 4種結構的357組路面抗滑性能檢測數據，采用路面溫度、累計標準軸載作用次數和路面磨耗次數3個主要影響因素作為自變量，路面擺值（BPN）指標作為因變量，選用300組檢測數據作為訓練樣本，其余57組數據作為驗證樣本，構建了BPN的顯示化和隱式化預測模型.基于溫度對瀝青路面抗滑性能具備一定影響范圍的假定，構建了路面擺值的顯示化預測模型，其模型的相關系數（R2）為0.625，模型預測平均相對誤差為10.227%.同時，采用不同的隱含層神經元和訓練函數，構建了BP神經網絡預測模型（隱式化預測模型），模型的BPN預測值和真實值基本吻合，變化趨勢一致，平均相對誤差為4.484%.研究提高了路面抗滑性能指標預測的有效性和準確性，不同預測模型具備不同的應用前景，為路面抗滑性能的預測分析提供了參考和依據.

關鍵詞：路面抗滑性能；BP神經網絡；足尺試驗環道；預測模型

中圖分類號：U416.2""" 文獻標志碼：A""" 文章編號：10001565（2024）05044910

DOI：10.3969/j.issn.10001565.2024.05.001

Prediction of pavement BPN value based on RIOHTrack full-scale test track

WU Jiangfeng， WANG Xudong， GUAN Wei， XIAO Qian

（Fundamental Research Innovation Center， Research Institute of Highway， Ministry of Transport， Beijing 100088， China）

Abstract： The pavement skid resistance performance index is one of the important indexes to ensure driving safety. Based on the test data of RIOHTrack full-scale test track， this paper selects 357 sets of test data of four structures as input variables ， including STR2， STR4， STR9 and STR16. The three influence factors of temperature at pavement surface， equivalent single axle load times （ESALs） and pavement abrasion frequency as input variables， while the british pendulum number （BPN） was taken as output variable. The visualized and implicit prediction model of BPN value are constructed by using group data as samples. The 300 groups of data is taken as training samples， while the 57 groups of data is taken as the verifying samples. Based on the assumption that temperature has a certain influence range on the skid resistance performance of asphalt pavement， the visualized prediction model of BPN value is constructed. The correlation coefficient （R2） of this model is 0.625， while the average relative error is 10.227%. At the

收稿日期：20231020;修回日期：20231121

基金項目：

科技基礎資源調查專項資助項目（2022FY101400）;交通運輸部公路科學研究院交通強國試點攻關項目（QG2021-1-1）

第一作者：吳將豐（1988—），男，交通運輸部公路科學研究所助理研究員，主要從事瀝青路面長期服役性能研究．E-mail：jiangfeng.wu@rioh.cn

通信作者：王旭東（1968—），男，交通運輸部公路科學研究所研究員，主要從事長壽命瀝青路面結構與材料設計與建造技術的研究．E-mail：xd.wang@rioh.cn

same time， different hidden layer neurons and training functions are adopted to construct BP neural network prediction model of BPN value. The predicted BPN value is basically consistent with the test value while the average relative error is 4.484%. Different prediction models have different application prospects. It improves the effectiveness and accuracy of pavement skid resistance performance index prediction， which provides reference for pavement skid resistance performance detection and analysis.

Key words： pavement skid resistance performance；BP neural network；RIOHTrack full-scale test track；prediction model

路面抗滑性能是公路表面功能中最重要的性能之一，是行車安全的重要保障.國內外對瀝青路面抗滑性能的評價主要從路面摩擦系數和構造深度2方面進行.早在20世紀20年代，英、美、法等國就開展了路面抗滑研究，然而現有研究中仍然存在很多問題，路面抗滑性能衰變影響因素耦合作用未涉及，抗滑性能評價指標具有片面性［1］.

隨著路面技術的發展，國內外學者嘗試將數理方法引用到路面性能評價中，包括神經網絡、層次分析、模糊數學、遺傳算法、灰色評價等方法.這些方法的引入提高了路面使用性能評價模型的準確性和適用性，其中，人工神經網絡（artificial neural network，ANN），簡稱神經網絡，是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型［2］，具有自組織和自學習能力.目前80%～90%的人工神經網絡模型都是采用BP神經網絡或其變化形式［3］.

ANN已在路面使用性能評價上開展了相關研究工作，何鐵軍等［4］采用模糊神經網絡開展了瀝青路面的使用性能評價，認為此方法不受主觀等因素影響有效可行.季天劍等［5］利用路面抗滑性能、平整度和結構強度指標，建立了預測路面破損的人工神經網絡模型.劉亞敏等［6］采用基于遺傳算法的非線性回歸模型，建立了SMA 路面抗滑性能的預測模型，模型預測值與實測值無顯著差異.馬士賓等［7］采用物元綜合評判法，利用路面性能的主要指標，建立了路面使用性能綜合預測物元模型，把路面性能預測由定性分析轉為定量分析.曾勝［8］選用交通量、溫度、面層厚度、PCI 指標等10個參數，構建了基于徑向基函數網絡的路面使用性能評價模型，彌補了傳統評價模型單一性的缺點.宋俊敏等［9］采用BP神經網絡用于路面性能的綜合評價.喻小毛［10］以水泥加速磨光值、月降水量等7個因素作為輸入變量，以路面摩擦系數作為輸出變量，構建了水泥混凝土路面抗滑性能BP神經網絡模型.范嫦娥等［11］通過構建神經網絡，選擇了路面抗滑性能、結構承載力、行駛質量和路面破損狀況4個主要因素，綜合評價瀝青路面使用性能.徐兆華［12］利用模糊感知器網絡建立抗滑能力的預測模型，對抗滑指標值進行了預測研究.

通過以上分析發現，ANN技術已經得到道路研究學者的廣泛研究，但以往研究中，樣本數量偏少、檢測連續性不足的問題尤為突出，無法判斷模型的有效性、準確性和適用性，缺乏足夠的訓練數據會使神經網絡模型的預測結果存在較大的偏差，而路面抗滑性能評價的樣本數據采集需要通過長期的試驗積累，但成本較高且試驗路段數量十分有限.

足尺路面試驗環道（RIOHTrack）由交通運輸部公路科學研究院負責建設、管理和運行，于2015年10月建成，2016年11月正式加載，是目前唯一以長壽命道路結構全壽命服役周期性能驗證為目標的實體驗證平臺，為瀝青路面長期性能觀測提供了穩定的條件.通過實車加速加載試驗（APT），對不同路面結構的抗滑性能進行周期檢測，為路面抗滑性能的預測模型構建提供連續的數據支撐，從而提高路面抗滑性能預測模型的可靠性和精度.

本研究依托RIOHTrack足尺試驗環道平臺，利用BP神經網絡技術開展瀝青路面抗滑性能研究，提出了瀝青路面抗滑性能的顯示化和隱式化預測模型，從而提升路面抗滑性能指標檢測的有效性和準確性，有助于指導路面養護的最佳時機，節約路面養護成本，提高道路工程的行車的安全性.

1" 足尺環道擺值指標的檢測概況

擺值（british pendulum number，BPN），是采用路面與輪胎（橡膠片）摩擦性能來表征路面抗滑性能的指標.RIOHTrack足尺試驗環道的路面擺值檢測中，參照《公路路基路面現場測試規程》（JTG E60—2008）開展相關工作［13］，采用標定后的BM-Ⅲ型擺式摩擦系數測定儀，沿著行車道和超車道的輪跡帶位置，檢測頻率為10 m/點，對每一路面測點連續測量5次，記錄路面擺值的檢測數據，計算路段內各檢測點的平均值作為該路段的擺值指標檢測值.通過檢測前對設備的標定，并采用相同的檢測人員，避免了設備因素和人為操作因素的影響，保證了數據的有效性和準確性.路面擺值檢測的設備和位置示意如圖1所示.

a.BM-Ⅲ型擺式摩擦系數測定儀;b.路面擺值檢測位置

RIOHTrack足尺試驗環道包含了國內外19種典型瀝青路面結構的常用形式，具有SMA13-75%、SAC13-65%、SAC13-70%和PAC13-80%共4種典型的路面形式.研究過程中，以STR2、STR4、STR9、STR16 4種不同路面結構作為研究對象，如圖2所示，開展瀝青路面抗滑性能數據采集和預測模型研究.

1）路面結構STR2是中國目前正在推行的長壽命半剛性基層的典型結構形式之一，由4 cm的SBS-AC13（65%質量分數）的瀝青混凝土、8 cm的30#-AC20瀝青混凝土組成，瀝青面層厚度僅為12 cm，其中粗集料4.75 mm篩孔通過率為35%，基層采用2層的水泥穩定級配碎石層，厚度為40 cm，20 cm水泥穩定土作為底基層，結構總厚度為72 cm.

2）路面結構STR4是中國高等級公路中普遍采用的剛性基層結構，采用了12 cm的瀝青面層，由

4 cm的SBS-AC13（70%質量分數）的瀝青混凝土、6 cm的30#-AC20瀝青混凝土和2 cm 的應力吸收層混凝土組成，其中粗集料4.75 mm篩孔通過率為30%.采用貧混凝土的剛性基層，結構總厚度為76 cm.

3）路面結構STR9是中國目前高速公路建設過程中采用的典型結構類型之一，主要采用4 cm SBS I DHV4 AC13（80%質量分數）的高黏度排水瀝青混凝土［14］，其中粗集料4.75 mm篩孔通過率為20%，瀝青面層厚度18 cm，基層采用2層的水泥穩定級配碎石層，厚度為38 cm，底基層采用20 cm水泥穩定土，結構總厚度為76 cm.

4）路面結構STR16是中國目前常用的柔性基層結構形式，瀝青面層總厚度為36 cm，由4 cm的SBS-SMA13（75%質量分數）、8 cm的SBS-AC20瀝青混凝土和2層12 cm的70#-AC25瀝青混凝土組成，其中粗集料4.75 mm篩孔通過率為25%，20 cm的水泥穩定級配碎石層作為基層，20 cm水泥穩定土作為底基層，結構總厚度為76 cm.

2" 瀝青路面抗滑性能顯示化預測模型的建立

2.1" 路面抗滑性能預測的研究現狀

針對路面抗滑性能的預測，以往學者已經開展了大量的研究工作，提出了相應的瀝青路面抗滑性能的顯示化預測模型.Mahmoud等［15］提出采用磨光次數計算國際摩阻指數IFI值，如式（1）所示.

IFI=amix+bmix·exp（-cmix·N），（1）

其中：amix、bmix和cmix為回歸系數；N是1 000的倍數.

張偉光等［16］選用構造深度和摩擦系數計算國際摩阻指數IFI值，以此預測路面抗滑性能變化，如式（2）所示.

IFI=0.081+0.732DF20·exp-40Sp，（2）

Sp=14.2+89.7MPD，（3）

其中：DF20是滑移速度為20 km/h時所得到的摩擦系數值；Sp是速度數；MPD是構造深度.

沙振勇等［17］提出了瀝青混凝土路面的抗滑性能預測模型，構建了BPN隨軸載作用次數n和輪壓σ變化的方程，如式（4）所示.

BPN（σ，n）=a1σb1nc1+d1，（4）

其中：a1、b1、c1、d1為相關系數；n為軸載作用次數；σ為輪壓.

劉亞敏等［6］選取了最大粒徑通過率等5個影響因素作為自變量，抗滑性能指標作為因變量，建立了SMA路面抗滑性能預測模型，如式（5）所示.

y=a+b·exp（-（cPNMSA+dPnmsa-1+ePCS+fPCS-1+g））+hAC，（5）

其中：y為抗滑性能指標；PNMSA為最大粒徑通過率；PNMSA-1為最大粒徑次一級篩孔通過率；PCS為關鍵篩孔通過率；PCS-1為關鍵篩孔次一級篩孔通過率；AC為瀝青用量；a～h為相關系數.

Heriberto等［18］提出了2種全路網抗滑性能預測模型，分別是僅考慮路面材料、年平均日交通量、車道數的短模型，和考慮了集料磨光值的長模型.黃曉明等［1］也提出了不同階段的路面抗滑性能經驗模型，當標準軸載作用次數不超過700萬次，采用對數模型，如式（6）所示；當荷載作用次數超過700萬次，采用指數模型，如式（7）所示.

y=a0ln（x）+b0，（6）

y=a0eb0x，（7）

其中：y為抗滑指標，在對數公式中表示構造深度或者擺值，在指數公式中表示擺值；x為標準軸載作用次數；a0和b0均為經驗系數.

Xie等［19］選用BPN和平均構造深度（MTD）來描述瀝青混合料拋光過程中的抗滑性能發展，發現溫度越低，BPN下降越快，建立了瀝青混合料抗滑性能隨溫度變化的預測模型，如式（8）所示.

y=A·t-B·N+C， （8）

其中：y為抗滑性能指標，路面擺值或者MTD指標；t為溫度；N為harbin accelerated polishing machine（HAPM）的旋轉次數；A、B、C為回歸模型參數.

綜上，發現在瀝青路面抗滑性能顯示化預測模型的構建中，由于考慮的角度不同，選用的因變量和自變量存在不同，導致模型的構建也存在不同，因而不同的學者提出了不同的預測模型，目前較多采用指數函數的形式，多為單因素模型.實際路面抗滑性能，往往是受到多因素耦合作用的影響，而非單一影響因素造成的路面抗滑性能衰減，因此在瀝青路面抗滑性能預測模型的構建中，需要考慮多因素作用下的路面抗滑性能.

2.2" 路面抗滑性能影響因素的選擇

路面的抗滑性能受到內因和外因的共同作用.瀝青路面的材料組成和結構形式，是影響路面抗滑性能的重要內因.路面抗滑性能與瀝青表面層的材料組成密切相關，即與表面層的級配參數密不可分，STR2、STR4、STR9、STR16 4種瀝青混凝土結構分別采用了4種不同的級配參數，其粗集料4.75 mm篩孔通過率分別為35%、30%、20%、25%，具有足尺試驗環道瀝青路面級配的典型性和代表性.

瀝青作為溫度敏感材料，相對水泥穩定碎石層、水泥穩定土層、貧混凝土層等其他層位而言，瀝青表面層更容易受到溫度變化的影響.以往的研究表明，溫度對路面抗滑性能具有顯著影響，隨著瀝青路表面溫度的升高，其抗滑值降低，同時認為溫度對瀝青路面抗滑性能影響是有限的，具備一定的溫度影響范圍，而不是無限制地產生影響［20］，溫度對抗滑性能的影響規律與Boltzmann函數曲線相類似.

路面磨耗次數是路面抗滑性能衰減的重要影響因素之一.在車輛加載過程中，由于輪胎的碾壓，造成路面不同程度的衰減.不同的加載車輛，其軸數、軸重都會存在差異，對路面的磨耗次數也會不同.足尺試驗環道，在加載過程中，采用A模式和B模式2種加載模式，A模式采用車型為3軸整體式貨車，B模式采用車型為6軸的半拖掛貨車.根據環道的累計加載里程，按式（9）計算獲得不同路面結構的磨耗次數.

Ni=SS0×i，（9）

其中：Ni為路面磨耗次數；S為累計加載里程數（單位：km）；S0為足尺環道里程數（2 039 km）；i為加載車輛軸數.

由于采用不同的荷載進行加速加載試驗，不同的荷載作用對路面的抗滑性能也會產生影響.隨著路面軸載作用次數的增加，抗滑性能逐漸衰減.研究中，參考了《公路量路面設計規程（JTG D50—2006）》中標準軸載當量軸次的計算方法，將不同車型的不同軸載換算為BZZ-100標準軸載的當量軸次，通過統計足尺環道不同周期的累計標準作用次數，作為瀝青路面抗滑性能的重要影響指標之一.

足尺環道施工過程中，采用的是最緊密狀態設計方法，利用粗集料斷級配密實型混合料骨架結構穩定的特點，采用重膠輪初壓、雙鋼輪壓路機復壓的施工工藝，全線絕大部分瀝青混合料的現場空隙率在 6%左右，施工控制良好.因此在進行路面BPN的預測研究中，暫不考慮施工工藝對抗滑性能的影響.

綜上所述，選擇路表溫度、累計標準軸載作用次數、路面磨耗次數作為路面擺值指標的重要影響因素，構建路面抗滑性能的顯示化預測模型，并假定瀝青路面抗滑性能隨著累計標準軸載作用次數呈對數模型變化，隨著路面磨耗次數增加呈線性變化.

2.3" 路面抗滑性能顯示化預測模型的構建和分析

采用Origin軟件中的自定義函數功能，以路面溫度、累計標準軸次和路面磨耗次數3個影響因素作為自變量，BPN指標作為因變量，構建了瀝青路面抗滑性能（BPN）的顯示化預測模型，如式（10）所示.

y=A+B1-exp（Cx1+D）+Eln（x2）+Fx3，（10）

其中：y為路面擺值；x1為路面溫度（單位：℃）；x2為累計標準軸載作用次數；x3為路面磨耗次數，A—F為相關系數.

采用RIOHTrack足尺試驗環道的300組檢測數據進行函數擬合，通過Origin軟件構建函數模型，設定模型參數的初始值為1，通過數據擬合獲得模型的相關參數，如表1所示，模型的擬合標準誤差（R2）為0.625.采用57組數據進行預測模型的驗證，對比分析了模型預測值和真實值之間的差異，如表1和圖3所示.

由圖3可知，瀝青路面擺值的顯示化模型預測結果整體呈下降趨勢，而實際路面擺值為先下降后上升，預測結果無法準確反映擺值指標的后期變化情況，存在不足之處.從擬合模型參數中，可以發現：模型整體的相關系數R2為0.625，參數E和F都為負值，說明路面的擺值指標隨著磨耗次數和累計標準軸載作用次數的增加而降低，為負相關關系，這與假定相符.BPN模型預測值的誤差最小值為0.604，誤差最大值11.826，平均誤差為4.576，平均相對誤差為10.227%，此模型公式的預測誤差相對較大，擬合精度還有待進一步地提高，需要進一步地優化.

3" 瀝青路面擺值的BP神經網絡預測模型構建

傳統的路面抗滑性能顯示化預測模型，易于路面技術人員使用，便于推廣和驗證.但預測模型存在精確性不高的問題，建立的關系模型較難反映數據內在的復雜非線性關系，存在一定的局限性.隨著人工智能技術的快速發展，越來越多的智能仿真技術被應用于道路工程領域.與傳統的顯示化預測模型相比，人工神經網絡不需作任何假定，能夠模擬人類的思考和判斷過程，能夠根據已有的道路性能檢測數據，總結和判斷數據中內在的非線性影響規律，能夠較好地克服以往確定性、線性方法的局限性，反映復雜因素耦合作用下的路面抗滑性能的衰變過程，提高路面抗滑性能預測的準確性和有效性，因此，本研究過程中，選擇采用BP神經網絡構建瀝青路面擺值的預測模型.

BP神經網絡是應用最廣泛的人工智能技術之一，由美國加利福尼亞的McClelland和Rumelhart于20世紀80年代中期首先提出.研究過程中，采用MATLAB軟件的神經網絡工具箱，通過湊試法確定了隱含層節點數，選用不同的神經元傳遞函數，構建了瀝青路面擺值的BP神經網絡模型，如圖4所示，實現多因素耦合作用下的瀝青路面抗滑性能預測分析.

3.1" 確定BP網絡輸入與輸出參數

選取路面BPN指標的3個主要影響因素，包括路面溫度、累計標準軸載作用次數和路面磨耗次數，作為BP神經網絡的輸入量，因而輸入層數為3.選取路面BPN指標代表瀝青路面的抗滑性能，以此作為BP神經網絡的輸出量，因而輸出層數為1.

3.2" 確定隱含層層數和節點數

為了探究不同影響因素對路面抗滑性能的影響機理，研究中采用了單隱含層的BP神經網絡，采用湊試法確定隱含層節點，即由式（11）、（12）或根據Kolmogorov定理（13）確定隱含層節點數量［21］，如式（11）～（13）所示.

m=l+n+α，（11）

m=ln，（12）

m=2n+1，（13）

其中：n為輸入節點數；m為隱含層節點數；l為輸出節點數；a為1～10的調節常數.

在路面BPN的BP神經網絡模型的構建過程中，采用了路面溫度、累計標準軸載作用次數和路面磨耗次數3個影響因素作為輸入變量，即n為3，路面BPN指標作為唯一的輸出變量，預測路面擺值BPN的變化規律，即l為1.在確定隱含層節點時，發現：不同計算方法獲得最佳隱含層節點數存在差異，采用式（11），獲得隱含層節點的數量范圍在3～12.采用式（12），則最佳隱含層節點為2，采用式（13）計算的最佳隱含層節點為5.

根據式（11）的計算方法，采用MATLAB軟件設計了一個隱含層節點可變的路面BPN的BP神經網絡模型，用相同的神經網絡訓練同一樣本，通過改變隱含層節點數，經3 000次的迭代過程，對比分析不同隱含層節點模型的BPN預測值誤差大小，選取誤差最小的節點數量作為最佳隱含層節點數，從而使得BP網絡訓練效果達到最優，結果如表2所示.

通過上述分析表明，經過3 000次訓練后，隱含層神經元節點數為7的BP神經網絡模型預測誤差的方差和標準差較小，同時考慮模型的計算時間和效率，將BP神經網絡隱含層的神經元個數選擇為7.

3.3" 確定神經元上的傳遞函數

傳遞函數是BP網絡的重要組成部分，是神經元輸入和輸出之間的變換函數，研究中選擇了正切S型傳遞函數tansig和線性傳遞函數purelin作為傳遞函數，模擬不同影響因素對路面擺值BPN的非線性影響.

采用不同的訓練函數開展瀝青路面BPN的BP神經網絡的預測訓練，通過計算不同訓練算法模型預測誤差的情況，確定模型的預測精度，選擇最佳的訓練函數，發現：采用Levenberg_Marquardt的BP算法訓練函數trainlm構建的預測模型最精確，其BPN值的平均相對誤差為4.189%，方差為2.569，標準差為1.603，因此，選用trainlm訓練函數作為BP神經網絡的訓練函數，不同算法模型下的瀝青路面BPN的預測值和真實值的對比結果如表3和圖5所示.

通過表3和圖5分析，最終確定BP神經網絡預測模型的隱含層節點數為7，選用tansig和purelin作為傳遞函數，trainlm作為訓練函數，以此構建了瀝青路面抗滑性能的BP神經網絡預測模型.設定模型迭代10 000次，采用57組抗滑性能檢測數據，進行模型精度驗證，模型計算結果穩定，模型的迭代過程如圖6所示.其預測值和真實值檢測結果，如圖7所示.發現：BP神經網絡模型的BPN預測值和檢測值的逼近效果較好，最大誤差為10.263，平均誤差僅為1.990，平均相對誤差為4.484%，誤差處于允許范圍內，說明該預測模型較為合理.路面擺值（BPN）指標的預測值和真實值基本吻合，變化趨勢基本一致，整體相對誤差處于允許范圍內，精確度較高，預測模型較為合理，由此可見，BP神經網絡可以用路面抗滑性能的預測分析，且具備較好的應用前景.

4" 結論

依托足尺試驗環道平臺RIOHTrack，選用STR2、STR4、STR9和STR16 4種結構的路面BPN的357組檢測數據，采用路面溫度、累計標準軸載作用次數和路面磨耗次數3個主要影響因素作為自變量，路面擺值作為因變量，選用300組檢測數據作為訓練樣本，57組數據作為驗證樣本，構建了路面擺值的顯示化和隱式化預測模型，結論如下：

1）溫度對瀝青路面抗滑性能影響是有限的，具備一定的溫度影響范圍，構建了瀝青路面BPN的多因素影響模型，模型的擬合標準誤差R2為0.625，模型預測的平均誤差為4.576，平均相對誤差為10.227%，此模型易于路面技術人員使用，便于推廣和驗證，但模型的精確性不高，影響因素有限，存在一定的局限性，有待進一步優化和完善.

2）構建了BPN的BP神經網絡預測模型，通過不同模型參數的對比分析，發現采用7個隱含層神經元和trainlm訓練函數，其BPN預測值和真實值基本吻合，變化趨勢基本一致，最大誤差為10.263，平均誤差僅為1.990，平均相對誤差為4.484%，BP神經網絡用于路面抗滑性能的預測分析，不需作任何假定，能夠反映復雜因素耦合作用下的路面抗滑性能的衰變過程，具有可行性，不足之處在于，其計算過程無法可視化，在瀝青路面設計過程中無法做到有效推廣和使用.基于人工神經網絡自學習的特性，隨著路面抗滑性能檢測數據的積累，其訓練精度將進一步提高，為路面抗滑性能的預測和分析提供技術支撐.

路面的抗滑性能受多因素影響，包括材料、環境、車況等，合理利用RIOHTrack足尺試驗環道平臺，深入挖掘路面抗滑性能檢測數據的價值，綜合采用顯示化和隱式化的表征，建立多種因素耦合作用影響的抗滑性能智能預測模型，是未來的研究方向，在今后的研究中可增加環境濕度、材料模量等相關參數，從而不斷提高路面抗滑性能預測和分析的準確性，有助于指導路面養護的最佳時機，節約路面養護成本，為道路交通安全提供保障.

參" 考" 文 "獻：

［1］" 黃曉明，鄭彬雙.瀝青路面抗滑性能研究現狀與展望［J］.中國公路學報， 2019，32（4）： 32-49. DOI： 10.19721/j.cnki.1001-7372.2019.04.003.

［2］" 傅薈璇，趙紅.MATLAB神經網絡應用設計［M］.北京：機械工業出版社， 2010： 88-89.

［3］" 張德豐.MATLAB神經網絡編程［M］.北京：化學工業出版社，2011.

［4］" 何鐵軍，黃衛.模糊神經網絡在瀝青路面使用性能評價中的應用［J］.公路交通科技， 2000， 17（4）： 15-18. DOI： 10.3969/j.issn.1002-0268.2000.04.006.

［5］" 季天劍，黃曉明，陳榮生.人工神經網絡在路面使用性能分析中的應用［J］.公路交通科技， 2002，19（4）： 19-21. DOI： 10.3969/j.issn.1002-0268.2002.04.006.

［6］" 劉亞敏，韓森，徐鷗明.基于遺傳算法的SMA路面抗滑性能預測模型［J］.應用基礎與工程科學學報，2013，21（5）： 890-898. DOI： 10.3969/j.issn.1005-0930.2013.05.009.

［7］" 馬士賓，魏連雨，孫維豐，等.路面使用性能綜合預測物元模型及其應用［J］.河北工業大學學報，2006，35（4）： 44-48. DOI： 10.3969/j.issn.1007-2373.2006.04.010.

［8］" 曾勝.徑向基函數網絡在瀝青路面使用性能評價中的應用［J］.公路交通科技，2008，25（3）： 23-26. DOI： 10.3969/j.issn.1002-0268.2008.03.005.

［9］" 宋俊敏，李明，范虎彪，等.基于BP神經網絡的路面使用性能評價方法研究［J］.公路，2008，53（12）： 140-144.

［10］" 喻小毛.基于BP神經網絡的水泥混凝土路面抗滑性能分析［J］.山西建筑，2012，38（17）： 176-177. DOI： 10.3969/j.issn.1009-6825.2012.17.099.

［11］" 范嫦娥，李德華.基于自組織特征映射神經網絡的路面使用性能評價方法［J］.重慶交通大學學報（自然科學版），2013，32（1）： 80-82. DOI： 10.3969/j.issn.1674-0696.2013.01.18.

［12］" 徐兆華.瀝青路面抗滑性能神經網絡預測模型研究［J］.交通標準化，2013（10）： 10-12.

［13］" 中華人民共和國交通運輸部.公路路基路面現場測試規程：JTG E60—2008［S］.北京：人民交通出版社，2008.

［14］" 王旭東.足尺路面試驗環道路面結構與材料設計［J］.公路交通科技，2017，34（6）：30-37. DOI：10.3969/j.issn.1002-0268.2017.06.005.

［15］" MAHMOUD E， MASAD E. Experimental methods for the evaluation of aggregate resistance to polishing abrasion and breakage［J］. Journal of Materials in Civil Engineering，ASCE，2007，19（11）：977-985. DOI：10.1061/（ASCE）0899-1561（2007）19：11（977）.

［16］" 沙振勇，徐暘，關宏信，等.新建瀝青混凝土路面抗滑性能預測方法［J］.公路，2011，56（10）： 251-254.

［17］" SHA Z Y， XU Y， GUAN H X， et al. Prediction method for skid resistance of new asphalt concrete pavement［J］. Highway， 2011（10）：251-254.

［18］" PREZ-ACEBO H， GONZALO-ORDEN H， FINDLEY D J，et al. A skid resistance prediction model for an entire road network［J］. Constr Build Mater，2020，262： 120041. DOI： 10.1016/j.conbuildmat.2020.120041.

［19］" XIE X G， LU G Y， LIU P F， et al. Influence of temperature on polishing behaviour of asphalt road surfaces［J］. Wear，2018，402/403： 49-56. DOI： 10.1016/j.wear.2018.02.002.

［20］" WU J F， WANG X D，WANG L B，et al. Temperature correction and analysis of pavement skid resistance performance based on RIOHTrack full-scale track［J］. Coatings，2020，10（9）： 832. DOI： 10.3390/coatings10090832.

［21］" 謝小山.基于遺傳算法和BP神經網絡的鐵路客運量預測研究［D］.成都：西南交通大學，2010.

（責任編輯：王蘭英）