趙素素，孟凡虎，宋麗娟，陳宏業(yè)

（長安大學道路施工技術(shù)與裝備教育部重點實驗室，陜西西安 710064）

基于BP神經(jīng)網(wǎng)絡(luò)的瀝青路面壓實度檢測

趙素素，孟凡虎，宋麗娟，陳宏業(yè)

（長安大學道路施工技術(shù)與裝備教育部重點實驗室，陜西西安 710064）

為實現(xiàn)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(shù)，并檢測壓實后瀝青路面的壓實度是否合格；采用BP神經(jīng)網(wǎng)絡(luò)建立模型，利用該模型對采集到的數(shù)據(jù)與瀝青路面壓實度進行訓(xùn)練，結(jié)果表明瀝青路面壓實參數(shù)與路面壓實度之間存在一定的映射關(guān)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(jīng)網(wǎng)絡(luò)；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(dǎo)致瀝青路面在高溫下出油等現(xiàn)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(nèi)傳統(tǒng)的檢測方法主要有挖坑灌沙法、鉆心法、環(huán)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(jīng)網(wǎng)絡(luò)建立模型，對瀝青路面壓實度歷史數(shù)據(jù)進行訓(xùn)練，并用新數(shù)據(jù)進行驗證，以實現(xiàn)對瀝青路面壓實度的快速、可靠評定。

1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是以人類大腦神經(jīng)元信息傳遞結(jié)構(gòu)為基礎(chǔ)開發(fā)的一種技術(shù)，能模擬人學習感知思考的能力。它由大量神經(jīng)元組成，每個神經(jīng)元都是簡單的處理單元，它們經(jīng)過連接形成復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，從而在不同程度上完成復(fù)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(jīng)網(wǎng)絡(luò)模型中，BP神經(jīng)網(wǎng)絡(luò)運用最廣泛，它是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，其信號是前向傳播處理，誤差是反向傳播并進行調(diào)整的。信號前向傳播過程中，信號從輸入層經(jīng)過隱含層各神經(jīng)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(tǒng)根據(jù)誤差調(diào)整相應(yīng)的權(quán)值和閾值，從而使輸出值與期望輸出值越來越逼近。完成訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可對將來的輸入信號進行預(yù)測性輸出，可實現(xiàn)高度的網(wǎng)絡(luò)輸入和目標輸出之間的非線性映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)見圖1，單個神經(jīng)元的作用見圖2。

圖1 BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

圖2 單個神經(jīng)元的作用示意圖

2 BP神經(jīng)網(wǎng)絡(luò)模型設(shè)計

2.1 影響因子的選取

瀝青路面的壓實度受多種環(huán)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(shù)及振動壓路機的振頻和振幅。若壓實速度過快，會導(dǎo)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(zhì)會發(fā)生改變，導(dǎo)致瀝青老化。壓實遍數(shù)過低，則壓實不充分；壓實遍數(shù)過多，會導(dǎo)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(zhì)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(tǒng)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(guān)

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(shù)、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(shù)據(jù)的歸一化

由于不同輸入數(shù)據(jù)及輸出數(shù)據(jù)量綱不一樣，為防止數(shù)據(jù)之間的非規(guī)則性，避免大數(shù)吃小數(shù)現(xiàn)象，對數(shù)據(jù)進行歸一化處理，將其轉(zhuǎn)換成0～1的無量綱數(shù)據(jù)。瀝青路面壓實度數(shù)據(jù)屬于區(qū)間型，根據(jù)經(jīng)驗采取最大最小法進行歸一化處理，函數(shù)形式見式（1）?？蛇\用MATLAB自帶函數(shù)mapminmax根據(jù)輸入數(shù)據(jù)自動歸一化。

式中：Xmin為訓(xùn)練數(shù)據(jù)中的最小值；Xmax為訓(xùn)練數(shù)據(jù)中的最大值。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置

神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)結(jié)構(gòu)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(shù)、振動壓路機的振頻和振幅、振動輪的垂直加速度，所以網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置6個輸入口。根據(jù)Kolmogrov定理，初步設(shè)置隱含層的神經(jīng)元個數(shù)為13。對于隱含層的數(shù)量，若增加隱含層數(shù)量，雖可進一步提高準確度，降低誤差，但網(wǎng)絡(luò)結(jié)構(gòu)會變得更加復(fù)雜，網(wǎng)絡(luò)的訓(xùn)練時間會延長。而通過增加隱含層神經(jīng)元數(shù)量也可確保精度要求，且訓(xùn)練效果比增加隱含層數(shù)量更直觀、易調(diào)。因此，采用單隱含層結(jié)構(gòu)，同時將隱含層神經(jīng)元數(shù)設(shè)置為20。另外，壓實度的確定一定程度上受到攤鋪質(zhì)量和混合料品質(zhì)的影響，若采用壓實度值為輸出，則可能導(dǎo)致輸出的變化與輸入的變化存在不連續(xù)關(guān)系，這樣一個隱含層的網(wǎng)絡(luò)將無法實現(xiàn)。因此，采用壓實度合格或不合格將輸入數(shù)據(jù)進行分類處理。一般而言，分類結(jié)果的種類數(shù)即為輸出口數(shù)。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(jīng)元個數(shù)設(shè)置為2。綜上，將BP網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為6-20-2。

2.4 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與預(yù)測

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前，需對網(wǎng)絡(luò)訓(xùn)練參數(shù)進行設(shè)置。最大訓(xùn)練循環(huán)次數(shù)設(shè)置為1 900次，目標誤差設(shè)為0.000 1。學習速率就是訓(xùn)練的步長，取值范圍一般為0.01～0.8，太大會導(dǎo)致系統(tǒng)找不到誤差最小值及系統(tǒng)不穩(wěn)定，太小則會延長訓(xùn)練時間，故將系統(tǒng)的學習速率設(shè)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(wǎng)絡(luò)能逼近任何有理函數(shù)。為了增加系統(tǒng)的可靠性，將隱含層的傳遞函數(shù)設(shè)置為tansig（S型正切函數(shù)），輸出層的傳遞函數(shù)設(shè)置為logsig（S型對數(shù)函數(shù)），訓(xùn)練函數(shù)設(shè)置為traingd（梯度下降BP算法函數(shù)）。

最終的BP網(wǎng)絡(luò)結(jié)構(gòu)見圖3。

圖3 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

3 BP網(wǎng)絡(luò)用于路面壓實度檢測

于夏季在實驗室進行試驗，采用90號石油瀝青熱拌級配混合料，路面結(jié)構(gòu)見表1。采用雙鋼輪壓路機進行壓實，壓實遍數(shù)為單程壓實。對面層復(fù)壓階段的影響因子數(shù)據(jù)進行采集和處理，并運用上述BP網(wǎng)絡(luò)進行訓(xùn)練。采集的數(shù)據(jù)和網(wǎng)絡(luò)訓(xùn)練結(jié)果見表2、圖4。

表1 路面結(jié)構(gòu)

表2 試驗實測數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測值

續(xù)表2

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

根據(jù)訓(xùn)練結(jié)果，目標值與訓(xùn)練值的相關(guān)度高達0.994，兩者之間的誤差低于1%。說明運用BP神經(jīng)網(wǎng)絡(luò)對瀝青路面壓實度進行檢測完全可行。

［1］ 楊娟，林永波.瀝青混凝土的壓實質(zhì)量控制技術(shù)［A］.土木建筑學術(shù)文庫［C］.2013.

［2］ 肖天宏，安豐軍，惠希文.瀝青混凝土路面攤鋪與壓實施工工藝及質(zhì)量控制［J］.河北建筑工程學院學報，2000，18（4）.

［3］ 蔣建平，章楊松，閻長虹，等.BP神經(jīng)網(wǎng)絡(luò)在地基土壓縮指數(shù)預(yù)測中的應(yīng)用［J］.中南大學學報：自然科學版，2010，41（2）.

［4］ 易家龍.淺談影響瀝青路面壓實的因素［J］.城市道橋與防洪，2010（1）.

［5］ 黃志福，梁乃興，趙毅，等.路面壓實度自動連續(xù)檢測技術(shù)研究［J］.長安大學學報：自然科學版，2015，35（6）.

［6］ 王銀虎.BP神經(jīng)網(wǎng)絡(luò)在公路路面性能預(yù)測中的應(yīng)用［J］.公路與汽運，2006（5）.

［7］ 徐黎明，王清，陳劍平，等.基于BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測［J］.吉林大學學報：地球科學版，2013，43（1）.

［8］ 李萍，曾令可，稅安澤，等.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)設(shè)計［J］.計算機運用與軟件，2008，25（4）.

［9］ 卜富清.基于人工神經(jīng)網(wǎng)絡(luò)的圖像識別和分類［D］.成都：成都理工大學，2010.

U416.217

A

1671-2668（2016）06-0127-03

2016-05-24