劉國光，裴磊洋，楊躍敏，李世男，4

1)中國民航大學(xué)機場學(xué)院，天津 300300；2)中國科學(xué)院西北生態(tài)環(huán)境資源研究院凍土工程國家重點實驗室，甘肅蘭州 730026；3)中國科學(xué)院西北生態(tài)環(huán)境資源研究院，甘肅蘭州 730026； 4)成都雙流國際機場飛行區(qū)管理部，四川成都 610030

隨著中國民航運輸業(yè)的蓬勃發(fā)展和航班日起降架次增加，飛機滑出跑道的飛行事故偶有發(fā)生[1]．飛機在跑道上高速滑行時，受機械性能、天氣情況和道面狀況等因素影響，一旦沖出跑道，起落架折斷，將造成重大災(zāi)難．為此，民用機場在跑道兩側(cè)設(shè)置了土面區(qū)作為飛機沖出跑道時的緩沖區(qū)域[2]．《民用機場運行安全管理規(guī)定》要求土面區(qū)經(jīng)過重型擊實后土質(zhì)壓實度不得低于87%，且碾壓和壓實度測試每年不得少于兩次[3]．

壓實度是機場土面區(qū)工作性能的關(guān)鍵指標(biāo)，壓實度不足將造成起落架沉陷或折斷的二次事故，使救援工作難以開展．因此，在機場飛行區(qū)管理實踐中，常采用割草配合機械設(shè)備碾壓的方法改善土面區(qū)壓實度．已有研究表明，增加碾壓機械的軸重對土體壓實度影響最明顯[4]，但過大的外荷載會破壞土體結(jié)構(gòu)[5]．單位面積壓強[6]、循環(huán)外力幅值比[7]、碾壓周期、土質(zhì)、土體密度、含水量[8]、滲透阻力和孔隙水壓力等都影響著土體壓實度[9]．因此，民航局要求壓實度評價工作由第三方機構(gòu)至少一年開展兩次，常用方法為環(huán)刀取土配合室內(nèi)實驗，但僅能評價當(dāng)前壓實效果，缺乏實時性和預(yù)測性，難以為管理部門提供有針對性的指導(dǎo)意見．

預(yù)測土體壓實度的主要技術(shù)手段是動態(tài)采集影響土體壓實度的重要參數(shù)指標(biāo)．針對含水量監(jiān)測數(shù)據(jù)的統(tǒng)計分析可知，外界水分補給對土體壓實度影響極大，含水率越高，壓實度越差，外荷載作用深度越大[10]．通過分析土粒含量、土壤光譜和底土深度等相關(guān)因素可建立土體壓實度分析模型[11]或采用電阻率法[12]和傳感器融合系統(tǒng)法[13]預(yù)測土體壓實度．在獲得足夠數(shù)量的現(xiàn)場監(jiān)測數(shù)據(jù)后，貝葉斯法[14]、土壤收縮曲線法[15]、有限元法[10]、聚類分析法[16]、壓實曲線法[8]、遺傳算法[17]和人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)法[18]都可用于土體壓實度預(yù)測．

在眾多預(yù)測手段中，ANN法因其不需要為輸入變量和預(yù)測結(jié)果指定本構(gòu)關(guān)系，也不需要窮舉預(yù)測結(jié)果的全部影響因素，僅通過數(shù)據(jù)訓(xùn)練建立輸入因素和輸出結(jié)果的對應(yīng)關(guān)系，因此，被應(yīng)用于邊坡滑移[19]、穩(wěn)定性預(yù)測[20]、不同深度土壤溫度估計[21]、土壤侵蝕敏感性預(yù)估[22]、土壤鹽度預(yù)測[23]及壓實度預(yù)測等領(lǐng)域．楊學(xué)超等[24]根據(jù)路基碾壓試驗的數(shù)據(jù)，基于對ANN的分析，建立了路基壓實度預(yù)測的ANN模型，為路基碾壓施工中的壓實度預(yù)測提供了新的研究思路．李細榮[25]通過土的激光圖像提取壓實度特征參數(shù)，建立了ANN預(yù)測模型，并對預(yù)測模型進行有效驗證，證明了用ANN模型預(yù)測土體壓實度的可行性．RANASINGHE等[26]應(yīng)用ANN法建立模型對滾動強夯法的有效性進行先驗預(yù)測，模型的預(yù)測結(jié)果與實測數(shù)據(jù)吻合度較好．為通過優(yōu)化輸入因素的方法比較不同ANN模型的預(yù)測誤差和穩(wěn)定性，本研究建立了預(yù)測土體壓實度的ANN模型，利用2015—2020年在某機場開展的土面區(qū)壓實度測試結(jié)果進行模型訓(xùn)練與校驗，實現(xiàn)土體壓實度的動態(tài)預(yù)測，并通過另一機場對比實測試驗，驗證了模型的可靠性，為機場管理部門提高土面區(qū)壓實度安全管理提供了技術(shù)建議．

1 壓實度預(yù)測模型

1.1 ANN模型結(jié)構(gòu)

ANN指由大量的處理單元互相連接而形成的復(fù)雜信息處理系統(tǒng)，是一種多層前饋式網(wǎng)絡(luò)，按誤差逆?zhèn)鞑ニ惴ㄍㄟ^反向傳播誤差信號調(diào)整網(wǎng)絡(luò)權(quán)值訓(xùn)練數(shù)據(jù)[27]，使實際輸出與期望輸出的誤差最小[28]．ANN有多層和單層之分，它的每一層包含若干個神經(jīng)元，各個神經(jīng)元之間用有向弧線連接，通過對輸入變量的反復(fù)訓(xùn)練學(xué)習(xí)，達到處理輸入變量、模擬輸入輸出關(guān)系的目的，且它只需要知道引起輸出變量變化的影響因素．因此，利用ANN建模的關(guān)鍵在于輸入變量(即影響因素)的選取，它提供了被預(yù)測系統(tǒng)的基本信息[29]．ANN在處理土體壓實度影響因素等模糊、隨機性和非線性數(shù)據(jù)方面具有明顯的優(yōu)勢，對結(jié)構(gòu)復(fù)雜、因果關(guān)系不明確的土體壓實度預(yù)測尤為適用．

土體壓實度影響因素見圖1．在為某機場進行長期壓實度評估后發(fā)現(xiàn)，同一飛行區(qū)土質(zhì)情況接近，土體地表植被接近，經(jīng)重型擊實后最大干密度值接近．因此，選取天然密度(natural density, ND)、實測含水率(actual water content, AW)、最優(yōu)含水率(optimal water content, OW)、測試前1個月內(nèi)降水狀況(rainfall condition, RC)和測試前2個月內(nèi)壓實狀況(compaction condition, CC)作為ANN模型的輸入變量，這些變量可以分別通過試驗和飛行區(qū)管理部門的巡場記錄得到．選取壓實度作為模型的輸出值，利用Matlab可建立結(jié)構(gòu)為N(5，3，1)的土體壓實度預(yù)測模型，其中，“5”表示輸入層中有5個輸入向量；“3”表示設(shè)置的隱含層中有3個節(jié)點； “1”表示輸出層有1個輸出向量，即壓實度．

1.2 ANN模型訓(xùn)練與校驗

圖2為某機場連續(xù)6 a土面區(qū)壓實度測試方案．該機場位于珠江入海口，地形屬于丘陵地帶，土質(zhì)為赤紅壤，氣候?qū)儆趤啛釒ШＱ笮詺夂颍炅扛蛔?，年均日照時間長．從圖2可見，測點分布在跑道兩側(cè)土面區(qū)，每個土面區(qū)的測點至少3個，每個測點環(huán)刀取土3次，共收集1 728組壓實度數(shù)據(jù)．從實測的土面區(qū)壓實度結(jié)果中隨機抽取500組數(shù)據(jù)，其中，400組數(shù)據(jù)用于輸入ANN模型進行訓(xùn)練，100組數(shù)據(jù)用于校驗，部分原始輸入變量和期望輸出變量可掃描文末右下角二維碼．模型選用雙曲正切S型傳輸函數(shù)(Tansig函數(shù))，將神經(jīng)網(wǎng)絡(luò)層中的凈輸入信號轉(zhuǎn)換為凈輸出信號，訓(xùn)練次數(shù)上限設(shè)置為5萬次．

圖2 某機場壓實度測試方案Fig.2 Compactness test plan in the airport

利用前400組數(shù)據(jù)將ANN模型完成訓(xùn)練后，可用已測試數(shù)據(jù)進行土體壓實度預(yù)測效果校驗，壓實度預(yù)測值與實測值的對比見圖3．ANN模型的預(yù)測準(zhǔn)確性可通過納什效率系數(shù)(Nash-Sutcliffe efficiency, NSE)評估[29]，

(1)

圖3 實測壓實度與預(yù)測壓實度的對比Fig.3 Comparisons of compactness between the predicted results and in-situ test results

圖3為實測壓實度與預(yù)測壓實度的對比. 由圖3可知，土面區(qū)壓實度預(yù)測值與實測值的擬合直線均方差(R-Squared,R2)為0.98，同時NSE計算值為0.89，表明根據(jù)該機場壓實度測試數(shù)據(jù)建立的ANN模型對本機場的壓實度具有出色的預(yù)測能力．為驗證上述ANN模型的適用性，在另一機場進行了驗證試驗．

2 機場應(yīng)用驗證

在圖4所示的14個測區(qū)進行環(huán)刀取土，在實驗室測得土樣的實測密度與含水率，如表1. 制作含水率分別為12%、14%、15%、16%和17%的土樣進行重型擊實試驗，得到最優(yōu)含水率為13.4%，最大干密度為1.96 g/cm3，進而計算得到每個采樣點的實測壓實度．

圖4 對比機場驗證試驗Fig.4 Verification test in contrast airport

表1 對比機場測區(qū)土樣天然密度及含水率測試結(jié)果Table 1 Natural density and mass water content test results for soil samples of text zones in contrast airport

結(jié)合上述實測參數(shù)和機場飛行區(qū)管理部門記錄的數(shù)據(jù)，輸入ANN模型進行壓實度預(yù)測．比較預(yù)測值與實測值，可得14個土面區(qū)的壓實度預(yù)測誤差(圖5)．其中，13個分區(qū)的預(yù)測誤差在±5%內(nèi)，只有1個分區(qū)預(yù)測誤差達到15%，同時NSE計算值為0.86，說明利用ANN模型快速預(yù)測土面區(qū)壓實度能夠滿足工程應(yīng)用精度．因此，飛行區(qū)管理部門可根據(jù)土面區(qū)壓實度測試報告歷史數(shù)據(jù)建立并訓(xùn)練ANN模型，通過監(jiān)測土面區(qū)含水率和記錄降水與壓實情況，利用ANN動態(tài)預(yù)測土面區(qū)壓實度變化，實現(xiàn)土面區(qū)安全的實時管控，為飛行區(qū)管理部門加強安全監(jiān)管提供指導(dǎo)意見．

圖5 對比機場壓實度相對誤差Fig.5 Compactness relative errors in contrast airport

3 基于ANN的壓實度影響因素分析

3.1 單影響因素分析

為給機場飛行區(qū)管理部門提供改進安全工作的技術(shù)方案，通過縮減輸入向量對上面建立的ANN模型進行優(yōu)化分析．在輸入變量中依次剔除ND、AW、OW、RC和CC數(shù)據(jù)后，利用同樣的400組數(shù)據(jù)重新訓(xùn)練并進行預(yù)測，壓實度預(yù)測值和實測值的平均誤差情況如圖6．由圖6可知，剔除ND、AW和RC 3個影響因素后平均預(yù)測結(jié)果偏大，表明這3項因素對預(yù)測結(jié)果影響較大，不能忽略．而剔除OW后對平均預(yù)測結(jié)果影響不大，但預(yù)測結(jié)果穩(wěn)定性變差．造成這種現(xiàn)象的原因在于最優(yōu)含水率受土質(zhì)影響較大，同一機場飛行區(qū)回填時土質(zhì)接近，因此OW接近，忽略它對預(yù)測結(jié)果影響不大．但如圖3所示，機場飛行區(qū)面積較大，土面區(qū)土質(zhì)存在差別，剔除OW將會影響預(yù)測結(jié)果的穩(wěn)定性．因此，當(dāng)根據(jù)土面區(qū)土質(zhì)情況分區(qū)建立ANN模型時，可不考慮OW因素．此外，剔除CC后平均預(yù)測結(jié)果偏小，穩(wěn)定性波動大，模型的壓實度預(yù)測結(jié)果小于實測壓實度，預(yù)測結(jié)果偏安全．在機場壓實機械和壓實周期不變的情況下，該因素可以忽略．

圖6 剔除單個影響因素后的平均誤差及誤差區(qū)間Fig.6 Average error and error range after removing one factor

3.2 多影響因素分析

為進一步比較各因素對預(yù)測結(jié)果的影響，在輸入變量中依次將5組影響因素兩兩剔除，重新建立ANN模型重復(fù)上述計算．其中，同時剔除ND和AW兩個影響因素后，在訓(xùn)練模型時計算中斷，說明在此ANN模型中ND和AW是應(yīng)重點分析的影響因素，不可輕易剔除．其余9種組合的預(yù)測結(jié)果誤差情況如圖7．圖7的橫坐標(biāo)為同時剔除的輸入向量，縱坐標(biāo)為ANN模型訓(xùn)練后預(yù)測壓實度的相對誤差平均值．與圖6相比，剔除兩種影響因素后預(yù)測結(jié)果平均誤差率顯著增加，整體預(yù)測結(jié)果偏低，預(yù)測結(jié)果穩(wěn)定性變差．其中，剔除OW-ND組合后整體誤差最大，表明除直接導(dǎo)致ANN模型失效的ND-AW組合外，ND-OW對預(yù)測結(jié)果誤差影響最大．分別剔除RC-ND、RC-CC、OW-AW、RC-AW和OW-RC等影響因素后，預(yù)測結(jié)果平均誤差較小，但結(jié)果穩(wěn)定性變差，上述5種組合中RC出現(xiàn)了4次，說明RC對預(yù)測結(jié)果誤差影響相對較小，但對結(jié)果穩(wěn)定性影響較大．剔除含CC的組合計算結(jié)果波動性最大，與圖6結(jié)論一致．

圖7 剔除兩個影響因素后的平均誤差及誤差區(qū)間Fig.7 Average error and error range after removing two factors

由上述分析可知，在影響土面區(qū)壓實度的5種因素中，對ANN模型預(yù)測能力影響從高到低排列為AW、ND、RC、CC和OW．此外，機場飛行區(qū)土面區(qū)壓實度變化具有明顯的規(guī)律性：影響土體壓實度最主要的因素是回填土的類型；級配良好的土顆粒形成的土體壓實度高；降水對機場土面區(qū)壓實度具有不利影響，當(dāng)飛行區(qū)排水能力較差，造成土面區(qū)局部含水量過高甚至接近飽和狀態(tài)，壓實度將大大降低．因此，在機場飛行區(qū)的設(shè)計、建設(shè)和運營過程中要加強對土面區(qū)回填土級配控制并提高其排水能力．

4 結(jié) 論

為提高機場飛行區(qū)內(nèi)土面區(qū)安全保障能力，結(jié)合某機場連續(xù)6 a的壓實度測試數(shù)據(jù)，建立了具有較強預(yù)測能力的壓實度預(yù)測ANN模型．通過因素分析法進行模型優(yōu)化，為機場管理部門提供了預(yù)測壓實度的技術(shù)方案和提升壓實度的工作建議，可知：

1) 通過足夠的數(shù)據(jù)樣本進行訓(xùn)練，建立的ANN模型預(yù)測結(jié)果和實測結(jié)果線性擬合后的R2為0.98，NSE計算值達到了0.89，表明模型具有出色的預(yù)測能力．另一機場預(yù)測結(jié)果的誤差在±5%內(nèi)，僅有個別樣本誤差為15%，同時NSE計算值為0.86，表明達到了工程預(yù)測精度要求．

2) 利用ANN預(yù)測模型，機場管理部門可根據(jù)壓實度測試報告中提供的土質(zhì)情況和最優(yōu)含水率等因素，建立符合機場自身特點的壓實度動態(tài)預(yù)測ANN模型，并可利用傳感器監(jiān)測土面區(qū)含水率實現(xiàn)壓實度的實時報告，為飛行區(qū)安全管理提供指導(dǎo)意見．

3) 通過ANN模型的優(yōu)化分析可知，在輸入的5種壓實度預(yù)測影響因素中，ND和AW對壓實度影響最大. 在飛行區(qū)土面區(qū)施工過程中加強回填土級配控制和提高排水能力，將大大方便機場運營階段的土面區(qū)安全管理工作．