基于人工神经网络的沥青路面龟裂预测研究_金昊鹏.pdf

第 卷第 期 河 南 城 建 学 院 学 报 年 月 收稿日期：基金项目：安徽省高等学校自然科学研究项目（）作者简介：金昊鹏（），男，江苏盐城人，硕士研究生。通信作者：庞建勇（），男，河北保定人，博士，教授。文章编号：（）：基于人工神经网络的沥青路面龟裂预测研究金昊鹏，庞建勇，姚韦靖（安徽理工大学 土木建筑学院，安徽 淮南）摘 要：沥青路面在车辆重复荷载作用下，面层或稳定基层破坏严重，易发生龟裂，是力学 经验路面设计方法中应考虑的重要因素。通过数据挖掘技术，提取了美国长期路面性能 组数据，分析了不同类型因素对路面龟裂的影响规律，尤其是非线性因素。为准确预测沥青路面在使用过程中龟裂破坏程度，利用人工神经网络模型法对龟裂破坏进行了分析，模型综合考虑了交通量、路面结构与施工、气候条件等影响因素，预测结果与实际值较为接近。研究成果可在沥青路面设计时对龟裂破坏预测建模提供理论支持，并对优化路面结构设计有一定指导作用。关键词：龟裂预测；长期路面性能；数据挖掘；人工神经网络中图分类号：开放科学（资源服务）标识码（）：文献标识码：，（，）：，：；力学 经验法是世界上使用最广泛的沥青路面设计方法之一，它基于力学原理分析路面在荷载和环境因素作用下的力学响应，并建立二者之间的关系模型，运用关系模型完成结构设计。美国的力学 经验路面设计指南（，）最具代表性。基于力学 经验理论，构建材料、交通、气候以及施工等多方面的关系并建立路面破坏模型，可以预测多种路面性能。其中，龟裂是评估路面性能的一项重要指标，龟裂不仅对道路上行驶的车辆造成潜在危害，而且会缩短道路的使用寿命。因此，龟裂的预测准确性直接关系着路面结构设计的可靠性。龟裂又被称作网状裂缝，是一种典型的沥青路面疲劳破坏形式，也是工程中遇到的常见难题之一。龟裂最初沿着轮迹方向，长度较短且呈纵向分布。随着车辆荷载的重复累积，逐渐发展成为网状结构。这种裂缝一开始在沥青层底部出现，后又沿着垂直路面方向向上传播至表面。在 中，研究人员通过大量历史监测数据，分析不同类型因素对龟裂破坏影响规律，建立多元线性回归（，）模型，得到不同类型因素的回归系数，并据此推算在类似条件下路面龟裂破坏大小。同时为各地研究机构提供了地方标定框架，各州可以结合当地的监测数据和自然条件开发适用于该地的龟裂预测模型。然而，预测结果的准确性是建立龟裂回归模型遇到的难题之一。虽然地方标定工作可以增强模型对特定区域的适用性，从一定程度上提高预测准确性，但存在较大弊端。龟裂破坏是一个受到多因素影响的复杂问题，其中包括广泛存在的非线性因素，甚至在某些方面具有混沌特性。因此，模型很难依据数据建立可靠的数学关系。根据 提出的观点，路面破坏过程是一个由多因素直接或间接作用的复杂场问题，而在 中只是通过计算回归系数将这些因素线性地组合起来，这会使得模型在面对逐年累积的大量历史数据时束手无策。要想从源头解决这个问题，必须选择合适的建模算法。近年来，人工神经网络（，）算法在道路工程领域被广泛应用，进一步拓宽了国内外学者对道路研究的视野。源于生物神经网络，一般由输入层、隐藏层和输出层组成。每层设置若干节点（神经元），这些节点包含了数据在该层的计算方法，各层之间的节点彼此连接形成权重。数据从输入层进入网络，在训练的过程中，只需要通过调整网络间的权重就可以建立输出与输入间的关系，得到准确的预测结果。同时在输出端和输入端信息传递过程中引入激活函数，可以解决非线性问题。路面龟裂问题受到交通、路面结构与施工和气候等因素的影响，这些因素特点往往与上述问题相同或相似，且存在较多的非线性关系。因此，可以考虑用于解决路面龟裂预测的问题。本文通过对美国长期路面性能（，）数据库进行挖掘，共提取了美国和加拿大地区的 组样本，并分析了样本中各变量之间的内在联系，建立了一个 模型以提高路面龟裂预测的准确性。此外，使用相同的数据集建立了 模型，用于评价 模型的性能。模型训练结果表明，该预测结果较为准确，可以为路面结构设计龟裂预测提供指导。龟裂破坏分析 龟裂产生原因沥青路面是一种柔性路面，刚度小，抗弯拉强度低。在车辆荷载的重复累积作用下，沥青面层和基层材料逐渐失去承载能力，局部产生不规则裂缝。随着荷载的持续作用以及环境的温湿度影响，这种类型的疲劳裂缝由最初的沿着轮迹方向短的纵向裂缝迅速发展成网状，如图 所示。影响龟裂的因素影响龟裂破坏的因素有很多，根据成因可以分为交通、路面结构与施工、气候三个方面。（）交通荷载的重复作用是影响裂缝产生的直接因素，路面层在车辆循环加载卸载过程中产生的弯拉应力作用下逐渐疲劳，产生局部永久性累积损伤。（）路面结构与施工包括路面材料、厚度和施工工艺等多个部分。沥青混合料的力学性能差、材料级配、拌和温度过高、拌和物储存时间过久以及长时间运输导致材料初步老化，材料的抗变形能力相对降低从而产生裂缝。此外，路面层厚度偏小，刚度低，导致路面产生较大的弯拉应变，变形逐渐累积容易 河南城建学院学报 年 月产生裂缝。（）气候环境条件也是影响龟裂产生的一个重要因素，空气湿度大，降水多，水分逐步侵蚀渗入路面微裂缝，进而剥落骨料，加速裂缝发展。尤其是北方地区，纵向裂缝经过侵入水的冰冻后路面加速破坏形成龟裂。（）疲劳裂缝示意图 （）产生机理图 龟裂 龟裂破坏预测 龟裂回归预测问题路面龟裂预测是一个典型的回归问题，需要对数据进行回归分析。回归分析是对具有相关性的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理，从而构建二者之间的数学关系。在龟裂问题中，自变量就是来自交通、路面结构与施工和气候方面的相关参数值，因变量则是实际的龟裂值。因此，交通、路面结构与施工和气候方面的因素与龟裂值是否有关，这种相关性的大小以及如何评价这种相关性，是搭建路面龟裂回归预测模型要解决的问题。评价指标通常回归模型在预测某个对象的值时，与实际值之间会产生误差，误差大小反映了模型性能的优劣。为了量化误差，常用的模型评价指标有决定系数（也叫拟合优度）和均方误差。反映了回归模型可预测的未来样本数量，其值范围在 到，越接近于，说明模型拟合得越好。反映了预测值与观测值的偏差。越小，模型拟合性能越好。和 的计算公式为：（）（?）（）（）式中：为测量值；为预测值；为样本总数。模型在 中，依据回归模型的建模方法，模型的结果可由传递函数表示。中关于路面龟裂的传递函数为：（）（）（）（）()（()，）|（）（）式中：是允许荷载次数；是关键位置的拉伸应变；是 层的动态模量；、和 是全体标定系数；、和 是地方标定系数；是与沥青中的有效沥青含量和空隙相关的常数；是沥青层总厚度函数；是沥青层总厚度。第 卷第 期 金昊鹏，等：基于人工神经网络的沥青路面龟裂预测研究由式（）可以看出，传递函数计算龟裂引入了一些标定系数，这些标定系数需要各州根据当地的实际施工条件进行确定。而且这种标定也需要较为频繁地进行，使得整个预测过程变得复杂。实际结果表明，中的 性能表现一般，如图 所示。其中 为 ，为 ，数据集中在低值处，模型对高龟裂值的预测表现较差。因此，为了提高龟裂预测的准确性，需要搭建一个新的模型，来解释这些复杂因素之间的内在联系。图 中龟裂的实际值和预测值 图 的网络结构 神经网络模型 方法简介 算法是一种模式匹配算法，通常用于解决分类和回归问题。本文 方法框架由 部分组成：（）收集并整理路面性能参数（即历史记录样本数据）等待使用；（）在调用相应的样本数据训练之前，需要进行特征标准化，即数据清洗、特征提取等，目的是希望数据经过处理后得到的每个特征值在一个小范围内浮动；（）将处理后的数据分成数据集，其中一部分作为模型构建的训练集，另一部分作为模型评估的测试集；（）使用准备好的数据集训练 模型，然后估计未训练样本的龟裂值。龟裂数据挖掘与预处理 数据获取由于神经网络对数据的数量和质量都有较高要求，训练数据过少会导致模型无法把握样本的特征，从而达不到预期效果。在神经网络模型训练与调优的过程中，输入质量较差的数据集时，会对模型质量带来负面影响。因此，为了获取到较高质量与数量的龟裂样本数据，本文通过数据挖掘提取了美国 项目中龟裂数据集，其中包含 个待训练样本。项目是美国国家战略公路研究项目（，）的一部分，自 年起由联邦公路管理局（，）管理，主要研究在用路面的性能。长期以来研究人员在各种路面类型上收集路面性能数据信息并存储在一个数据库中，全世界的路面工程师和研究人员可以使用该数据库来推动路面工程科学的发展。本次研究收集的数据包含交通、路面结构与施工、气候和性能方面在内的 组影响变量和 组龟裂实际测得值，具体变量及其含义见表。数据标准化由于不同变量的量纲不同，数值差异较大。如果数据不经处理直接用于模型训练，就会突出数值较大的变量在数据分析中产生的影响，相对降低了数值较小变量的影响。因此，为了防止因削弱数值大小对模型造成的负面影响，需要将所有变量缩放到同一尺度下（到 之间）加以分析，即标准化处理。数据标准化方法常用的有“最小 最大标准化”、“标准化”等。本次采用的是“最小 最大标准化”，其计算公式为：（）（）经过标准化处理后，不同变量都被缩放到相同的区间（到 之间），降低了高值变量对模型的负面 河南城建学院学报 年 月影响。表 输入变量及含义类别变量含义交通年平均日货车交通量路面结构与施工粗骨料的体积比重细骨料的体积比重集料过 筛占比集料过 筛占比集料过 筛占比集料过 筛占比类别变量含义路面结构与施工渗透指数面层材料平均回弹模量路面结构层数沥青层总厚度路面总厚度气候渗透指数性能路面龟裂值 数据集分配通常将原始数据集的 作为训练集，作为测试集。因此在本次龟裂预测模型的开发中，将收集到的 个样本数据中随机选取 个样本作为训练集，而其余 个作为测试集。模型搭建 模型参数的确定 模型中的框架参数和超参数主要包括学习率、正则化方法、神经网络层数、各层神经元个数、学习回合数和激活函数等。学习率指模型在迭代计算时步长的大小，如果学习率过大，模型无法找到极值点，即误差最小点；但过小的学习率会使得训练非常耗时，降低效率。经过反复测试，最终将学习率设置为 。正则化是防止模型过拟合的一种方法，限制模型损失函数的输出解。正则化方法有 和 两种，一般采用 正则化。激活函数是神经网络一个十分重要的组成部分，它向网络中引入非线性因素，网络通过激活函数就能拟合各种曲线，常见的激活函数有 和。函数在反向传播计算梯度并更新参数时，容易出现梯度消失的情况，数据信息容易丢失从而在面对深层网络训练时会过拟合。会使一部分节点的输出为，形成稀疏网络并且减弱参数的共线性关系，有效地防止模型过拟合，适用于数据量较大的模型。因此，对于龟裂这样数据计算量大且复杂的问题，更适合选择 作为激活函数。模型在训练过程中会不断地调整参数，直至达到最优的网络结构。调整参数的方法有网格搜索和随机搜索，网格搜索是指通过循环选择所有候选参数，逐个遍历所有可能值，最后选取其中表现最好的参数组合。然而，当参数的数量比较大时，网格搜索十分耗时。在训练龟裂 模型时，数据量大且复杂，使用网格搜索的方法效率不高。因此选择随机搜索，在超参数空间中随机搜索数百个点，其中可能会有一个更接近最优解的值。研究表明随机搜索法的结果优于稀疏网格法。通过随机搜索，最终确定了 层的 模型，其中包括 个隐藏层，各个隐藏层的神经元个数分别为、和。层与层之间使用 作为激活函数，网络结构见表。表 龟裂预测模型结构输入层隐藏层 隐藏层 隐藏层 输出层神经元激活函数正则化学习率 交叉验证为了充分利用现有数据，引入机器学习中交叉验证方法将训练集分成多个部分。经过多次尝试最终使用了六折交叉验证。整个过程需要将训练集数据等分为 个部分，每次使用其中的一份作为验证集，其余数据作为训练集。这样经过 步后，得到 个结果，最后取平均值，得到最终的模型评估结果。交叉验证可以更好地评估模型并使结果更加准确，训练过程见图。第 卷第 期 金昊鹏，等：基于人工神经网络的沥青路面龟裂预测研究图 模型训练过程 结果与分析经过大约 次的迭代计算，模型预测值和实际测量值之间的误差趋于稳定，