改进BP网络在沥青路面构造深度预测中的应用

王　军

(中交公路规划设计院有限公司宁夏分公司,宁夏 银川 750001)



改进BP网络在沥青路面构造深度预测中的应用

王军

(中交公路规划设计院有限公司宁夏分公司,宁夏 银川 750001)

为了快速有效地检测到沥青路面均匀区域的构造深度,采用了改进的BP神经网络算法，建立了以最大公称粒径、细度模数、4.75 mm筛通过率和沥青用量为影响因素的沥青路面构造深度预测模型.结果表明，预测模型经过2 935次学习训练，预测精度达到目标值0.01，BP神经网络对构造深度预测结果与实际情况非常接近.

沥青路面；BP神经网络；构造深度；预测模型

目前，沥青混凝土路面已被广泛应用.从行车安全和舒适程度考虑，抗滑性能差是沥青路面上交通事故频发的主要原因之一.评价路面抗滑性能的两大指标分别为摩擦系数和构造深度,摩擦系数反映的是微观路面构造，而构造深度反映的是宏观路面构造.然而，构造深度的大小也会影响到路面的排水状况，较差的路面构造不能及时排除路面积水，从而引起路表面出现水漂现象.目前，国内采用的测定构造深度的方法[1-2]皆有缺点,传统方法往往测量精度不高，从国外引进的一些高科技、高精度的测量仪器，也比较昂贵，操作不太方便.特别是针对高速公路应急抢险工程，采用快速有效的方法检测沥青路面的构造深度至关重要.故本文采用改进的(提高模型的预测精度)BP神经网络算法[3-5]，建立了以最大公称粒径、细度模数、4.75 mm筛通过率和沥青用量为影响因素的沥青路面构造深度预测模型[6]，从给出的各构造深度的影响因素具体值得出预测的构造深度值，为沥青路面施工质量控制提供了技术参考.

1　改进BP神经网络的基本原理

BP神经网络算法学习过程分为信息正向传递与误差的反向传播2个过程.在信息正向传递过程中，所采取的信息从输入层单元传递到隐含层，再经隐含层单元计算后传向输出层.如果目标值未符合期望的输出，则先计算出输出层的误差变化值，然后通过误差估计器反向传播，将误差信号沿原传播通路反传回来依次修改各层神经元的权值，再进行正向传播计算，直至达到期望目标为止.本文采用的改进的BP神经网络算法其每一层单元都不会受到同层其他单元的影响，有利于更快速达到收敛状态，且预测精度较高.其基本过程如图1所示.

1.1BP神经网络的基本思想

BP神经网络算法的基本原理是最小二乘算法，采用的是梯度搜索技术，直至学习网络达到目标要求为止.在此，目标要求实际值与预测值的差值小于某一固定值.

BP算法是通过梯度下降法调整所有权值和阀值，再进行网络学习，直到网络的实际输出值非常逼近期望输出值为止，否则继续循环学习.以3层网络为例，各层权值的修正量为：

因为BP网络针对的是输入层与输出层的非线性关系，BP算法采取的激励函数是二次函数，误差估计器是均方差估计器，若初始权值取的偏大，容易陷入S型函数的饱和区.所以，BP神经网络算法有以下不足：收敛速度较慢；易陷入局部极值区域而难以收敛；对初始权值的依赖性较强.

1.3BP神经网络的改进

一般情况下，BP神经网络与众多因素息息相关.例如，初始权值和激励函数的选取决定了输入层的单元与输出层的单元的相互对应状态，从而可直接影响到预测模型的成败.为了有效地解决BP神经网络算法存在的问题，本文做出改进，结合某些特殊函数，且从初始权值的选取、激励函数的改进、误差估计函数的改进、自适应学习速率等方面考虑提出属于较为完整体系的改进BP算法.

1)初始权值的选取.BP网络算法中输入层与输出层的关系属于非线性关系，初始权值的选取对收敛的快慢和预测精度的影响较大.假设初始权值过大,使输入值经过加权后映射到了S型激活函数的饱和区域,在饱和区域内导数值趋于零，从而使权值的调节量几乎停止.根据大量的试验与经验可知，初始权值的大小趋于零，能够有效快速地进行网络学习，收敛速度较快.此外，初始权值的选取与权值的个数也息息相关，各权重的初始值应均匀分布在区间[-2.4/F,+2.4/F]内，F为权值的个数.

2)激励函数的改进.在BP算法中，激励函数f(x)=1/(1+e-λx)是不对称函数.经过多次试验可知，反对称函数(即f(-x)=-f(x))比不对称函数好，本文采用的反对称函数是双曲正切函数，即f(x)=atanh(λx)=(1-e-λx)/(1+e-λx)，值域为[-1,+1].

4) 自适应学习速率.在BP网络反向传播学习过程中，各权值经过不同的调节学习，学习速率就有所不同.因此，笔者可以通过观察每次学习后的误差估计值下降程度适当调节学习速率的大小，可以有效地缩短学习时间(学习次数).同时，也为了避免学习速率过大引起的振荡现象，本文采用自适应的学习速率，即在网络的学习过程中，不同的学习阶段自动设置不同的学习速率的大小.以误差估计器作为指标，当ΔE(n)=E(n+1)-E(n)<0时，为了加快收敛，学习速率η稍微增大；而ΔE(n)>0时，为了避免振荡，η应适当减小.

2　沥青路面的构造深度

构造深度是衡量路表面抗滑性能的主要指标之一，且与路表面排水性能息息相关，对沥青路面构造深度的测量具有以下意义：1)能够直观地反映路面结构的三维形态；2)能较好地衡量路表面抗滑性，为路表面的性能检测提供科学依据，提高行车的安全性；3)为探索路表面抗滑性能、排水性能与构造深度之间的定量关系奠定基础.

2.1构造深度的测量方法

1) 铺砂法.此方法采用的主要仪器是手动铺砂仪，也称为路面深度构造仪.将已知体积和粒径的干砂摊铺在沥青路表面上，将砂的体积和所覆盖的平均面积的比值称为路面构造深度.虽然操作简单，设备便宜，但需要大量的时间和人力，而且测量结果受人为因素影响较大，精度偏低.

2)断面法.断面法是通过测定沥青构造深度剖面的方法来表现出沥青路表面产状、形态、构造深度以及结构材料的分布状况.一般采用的仪器是激光断面仪，将极坐标法和计算机有机结合起来，能够有效地测量出实际的路面构造轮廓线.此方法虽精度高，但所需设备耗费较大.

3) 其他新型技术.随着高速公路建设的发展，沥青路面得到广泛的应用，国内外研究人员将多种数字化技术应用于沥青路面结构的检测，主要有激光构造深度仪法、制度距离法、横向力系数测定法以及摆式仪法4种新型技术.

2.2构造深度的主要影响因素

一般来说，从沥青混合料角度考虑，沥青路面构造深度的影响因素[7]主要有最大公称粒径(MS)、集料细度模数(FM)、4.75 mm筛集料通过率(p4.75)、沥青用量(AC)4个.

1)最大公称粒径.在沥青混合料中，最大公称粒径越大，越容易形成骨架，预留的空隙也就越大，从宏观角度上看，路表面会出现凹凸不平，形成较大的构造深度.

2)集料细度模数.集料细度模数表示集料的粗细程度，细度模数越大，集料越粗，尺寸不同、粗糙表面以及有细纹的集料，经过碾压后相互嵌挤锁结，能够形成较好的沥青混凝土构造深度.

3)4.75 mm筛集料通过率.4.75 mm筛孔通过率越大，则混合料中细料成分含量越高.细集料含量过多，骨架结构不够稳定，在交通荷载作用条件下，集料很容易发生滑移变形.

4)沥青用量.沥青在沥青混合料中起粘合作用，沥青混合料中沥青用量较大时，粗集料被沥青膜包围，在高温交通条件下，由于沥青高温强度较低，会使路表面矿料被压入下层，甚至被挤出路表面，形成了沥青膜，导致沥青路面的构造深度变小.

3　改进BP网络算法预测路面的构造深度

3.1试验数据

对几段道路试验段进行实验，通过激光仪测定相应段的沥青路面的构造深度，再钻芯取样，得到相应路段的各参数值，结果如表1.

表1　沥青路面构造深度的实测值与其相关参数

3.2输入层与输出层的选择

本文以某几段沥青路面试验路段检测数据进行BP神经网络模型的有效检验，选取影响沥青路面构造深度的4大控制参数为输入层单元，即确定最大公称粒径、集料细度模数、4.75 mm筛集料通过率和沥青用量为输入层单元.输出层单元只有一个，即沥青路面的构造深度值.上述试验总共有8组实验数据，即试验样本总数L=8.

3.3初始权值的选取

一般来说使初始权值都接近于零，且保证每个神经元的权值都能够落在S型激活函数饱和区之外.根据经验，初始权值的大小与权值的个数息息相关，各权重的初始值应为均匀分布的小数经验值，在区间[-2.4/4,+2.4/4]内.

3.4改进BP网络预测模型的构建

3.5BP网络算法预测

随机选取4段道路试验段取其芯样进行实验，测得相应路段的各参数值，通过各参数值预测相应路段的路面构造深度值[8]，结果如表2所示.

表2　以各参数值为依据的沥青路面构造深度预测值

3.6预测结果分析

基于改进的BP神经网络的沥青路面构造深度预测模型经过2 935次的训练，达到设置的目标精度0.01.网络学习预测误差见表3.

表3　沥青路面构造深度的实测值与预测值的比较

从表3可见，预测精度达到了预定目标的0.01，预测结果与实测数据基本一致，可知所构建的改进BP神经网络预测模型的预测效果良好，满足实际施工要求.因为改进BP网络算法是一种考虑多因素综合影响的计算方法，能够准确地反映出各个影响因素(构造深度的影响因素)与预测目标(路面构造深度值)之间的非线性关系，且预测精度高，计算简便，是一种比较实用的方法，为检测路面构造深度提供了一种很好的途径.

4　结语

1) 针对BP神经网络存在的一些缺陷，分析网络误差学习流程，并对其进行了改进，获得了一定的精度上的改良.

2) 基于改进BP网络算法的预测模型，考虑了单一因素和模糊主观不确定因素的影响，预测结果具有一定的真实性.

3) 采用不对称的激励函数与稳健估计器，同时又考虑学习速率的快慢影响，利用自适应的学习速率，比一般的预测模型精度要高数十倍.

4) 根据实验结果可得，运用改进BP神经网络的预测模型对沥青路面的构造深度进行预测是可行的，为施工质量提供了技术参考.但由于沥青路面构造深度还受到一些外界的因素干扰，对比较复杂多变的外界环境下的准确预测还存在一定的难度，这有待于进一步深入研究.

[1]文静.数字化技术评价沥青路面构造深度研究[D].西安：长安大学，2009.

[2]马荣贵,王建峰,李平.沥青路面构造深度精确检测方法研究[J].科学技术与工程，2014，14(8)：265-268.

[3]侯祥林,胡英,李永强，等.多层人工神经网络合理结构的确定方法[J].东北大学学报(自然科学版)，2003,24(1):35-38.

[4]刘乐.改进BP网络及其在预测问题中的应用研究[D].济南：山东师范大学,2009.

[5]王钰,郭其一,李维刚，等.基于改进BP神经网络的预测模型及其应用[J].计算机测量与控制,2005,13(1):39- 42.

[6]徐建,丛林,郭忠印.沥青路面均匀区域构造深度的预估模型[J].建筑材料学报,2007,10(6):653-656.

[7]叶志成,朱朝晖.沥青路面均匀区域的构造深度的影响因素灰熵分析[J].道路工程,2010(7):176-178.

[8]ELLIS G W,YAO C,ZHAO R.Stress-strain modeling of sands Using artificial neural networks[J].Journal of Geotechnical Engineering,1995，121(5)：429- 435.

(责任编辑雨松)

Improved BP Neural Network in PredictingTexture Depth of Asphalt Pavement

WANG Jun

(Zhongjiao Highway Planing and Design Institute Ningxia Branch,Yinchuan 750001，China)

To measure the texture depth of the homogeneous area of asphalt pavement effectively,improved BP neural network algorithm was applied and the prediction model of the texture depth was established with influence factors on the maximum nominal size,fineness modulus,4.75 mm sieve pass rate and asphalt content.The results show that after 2 935 times of learning and training on prediction model,the prediction accuracy tends to the target 0.01,so the prediction results of texture depth by BP neural network are very close to the real situation.

asphalt pavement;BP neural network;textural depth;prediction model

2015-06-18

2015-07-13

王军(1990-)，男，助理工程师，硕士，研究方向为道路工程.E-mail：beyondjiaju0318@163.com

U414

A

1673-4432(2016)03-0088-05