基于神经网络的振动压路机土壤压实度数据处理

向 亮，曹源文，易 飞

(重庆交通大学机电与汽车工程学院，重庆400074)

在土壤压实度连续检测中，首先利用安装在振动压路机振动轮上的加速度传感器测量振动轮振动加速度，然后建立振动加速度与土壤压实度之间的关系，间接反应振动压实情况［1］。这种实时检测的方法大大提高了振动压路机的工作效率，缩短了工程进度。不同的土壤，其压实性质也不相同。因此，相同大小的振动加速度，在不同性质的土壤上进行振动压实时，土壤的压实度是不同的，压实效果也不一样。同时，同一种性质的土壤，其含水量不同，土壤的压实度也不一样。也就是说，很难用一种确定的函数关系式来反映振动加速度和土壤压实度之间的关系。笔者在重庆交通大学道路实验室进行现场试槽试验，采集了振动轮振动加速度和对应的土壤压实度数据，从中选取一组实验数据如图1。

从图1可以看出，虽然振动加速度和土壤压实度之间是正相关的，但两者之间的线性关系并不是很好的。为了达到连续实时检测的目的，必须在两者之间建立桥梁。BP神经网络在处理非线性映射方面的能力可以解决这个问题，即通过神经网络的处理记忆来实现一个加速度反应一个压实度的可能性。

图1 压实度值与振动加速度的关系Fig.1 Relationship between the compaction and the acceleration of vibration

1 影响土壤压实度的因素

影响土壤压实度的因素很多，其中最主要的是如下几个方面［2－4］。

1.1 土壤材料及其级配情况的影响

不同类型的土壤，其压实性能是不一样的。粗粒料易于压实，而且有足够的稳定性。粉砂的压实性能差些，但比黏土要好，只是水稳定性较差。最难于压实的土壤是黏土，它有高的黏聚性和不透水性。含有大量有机物的腐殖土，弹性很强，无法压实，不宜作为工程建筑材料使用。

集料的级配对碾压后所能达到的密实度有着明显的影响。为了提高工程结构基础和路面结构层的强度和减少空隙率，增加其在使用过程中的稳定性，则要求材料具有好的级配。特别是对作基础层的集料，常规定有严格的级配范围。

另外，对路面各结构层的集料成分要求有足够的强度和硬度，以使能够抵抗碾压施工和行车载荷的破坏，要防止集料中的粗骨料被细化而导致路面变形。

1.2 含水量

以相同的压实方法，压实不同含水量的同一种土壤，会得到不同的压实效果。压实机械的施力，需要克服土颗粒间的内摩擦力和黏聚力，才能使其产生位移及相互靠近，而这种内摩擦力和黏聚力往往是随着密实度的提高而增加的。

土壤的含水量小时，土颗粒间的内摩擦阻力就大。当压实到一定程度后，此压实功便不能继续克服土壤的变形抗力，压实所得的密实度是有限的。若增加含水量时，由于水在颗粒间起到的润滑作用而使土壤的内摩擦阻力下降，因此会以同样的压实功而得到较大的密实度。当含水量增加到超过某一界限后，虽然土壤的内摩擦阻力还会下降，但土壤中水的体积却在增加。由于水的不可压缩性，致使土壤的密实度反而下降了。

各种不同土壤的最佳含水量和最大干密度是不同的，通过击实试验，对各种天然土壤、级配土壤及无极黏结材料稳定土，都能找到一个与击实曲线上最大干密度想对应的最佳含水量值。

1.3 压实设备的影响

压实设备的影响主要包括压实力的作用方式、压实功的大小、碾轮的状态、以及压实的工艺。其中压实工艺对土壤压实的影响是比较大的，比如本文研究的振动压路机振动压实，压路机振动参数的选择(振动频率、振幅)、碾压速度和碾压次数都影响着土壤的压实度。

在振动压路机振动压实的过程中，合理的选择振动轮振动频率和振幅对压实效果和压实效率有着很大的影响。

2 压实度实时检测的神经网络模型结构

由于土壤压实度受到各种因素的综合影响，在试验的初期主要关心振动加速度大小和压实度的直接关系。因此试验中使用一种振动频率和振幅测量了多种数据。在BP神经网络的输入向量中暂不考虑振频和振幅的变换因素。从上面各个因素中选出几个主要因素作为神经网络的训练参数，分别为:土壤级配(这里用通过0.074 mm颗粒百分比)、土壤含水量、振动加速度和土壤最大干密度。选用土壤压实度作为网络的输出。网路的传递函数选用S型函数，输出函数选用线性函数。一般情况下BP神经网络均选为3层，隐层节点数没有确定的规则，只能根据训练的结果来增减［5－6］。

3 网络的训练

学习样本的选取在BP网络训练中是非常重要的，在振动压路机实时检测中，学习样本数据应该能表示全部的数据特点，即选取数据前根据现场测定的加速度数据的取值范围来选取，试验一共选取了3段不同级配的土壤，每段土壤均压实7遍以上，同时记录相应测点的土壤压实度值。表1给出了部分学习样本的数据。训练函数的选取也要根据选取训练结果的好坏来判断［7－8］。

表1 学习样本Table 1 Learning samples

网络的训练误差应根据压实度实际需要的精确度来衡量，根据实际需要把误差限定在5%，将学习样本带入建立好的BP神经网络中训练，经过不断的更改隐层神经元数目和训练函数后，在隐层神经元数目达到45个，采用自适应性lr度下降训练函数，神经网络训练达到规定的训练误差［8－9］，如图2。

图2 网络训练过程Fig.2 The process of network training

4 土壤压实度数据检验及预测

为了验证训练后的网络可行性，可将其它测量数据带入网络进行检验，表2给出了一组验证样本。

通过计算，仿真结果最大误差为3.775%，最小误差为1.018%。数据对比如图3。

5 结语

从仿真结果来看，初步达到了加速度和压实度的映射关系，将神经网络控制系统运用到振动压路机在线检测上面来是可行的。通过加速度传感器检测的加速度数据经过预处理之后，通过神经网络的识别可以很好的映射了振动加速度和土壤压实度之间的关系。

表2 验证样本Table 2 The validation of sample

图3 验证数据对比Fig.3 The comparison of data

［1］曹源文.振动压路机压实度实时连续检测技术研究报告［R］.重庆:重庆交通大学，2008.

［2］秦四成.振动压路机［M］.北京:化学工业出版社，2006.

［3］李冰，焦生杰.振动压路机与振动压实技术［M］.北京:人民交通出版社，2001.

［4］邱声，曹源文.非线性有限元在振动压实中的应用［J］.重庆交通大学学报:自然科学版，2011，30(2):270 －272.Qiu Sheng，Cao Yuanwen.Analysis and application of nonlinear finite element on vibration compaction［J］.Journal of Chongqing Jiaotong University:Natural Science，2011，30(2):270 －272.

［5］董长虹.MATLAB神经网络与应用［M］.北京:国防工业出版社，2007.

［6］张德丰.MATLAB神经网络仿真与应用［M］.上海:电子工业出版社，2009.

［7］胡伍生.神经网络理论及其工程应用［M］.北京:测绘出版社，2006.

［8］张德丰.MATLAB神经网络应用设计［M］.北京:机械工业出版社，2009.

［9］周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.北京:清华大学出版社，2001.