基于BP神经网络的沥青路面压实度检测

2016-12-12赵素素孟凡虎宋丽娟陈宏业

公路与汽运 2016年6期

关键词：压路机沥青路面压实

赵素素，孟凡虎，宋丽娟，陈宏业

（长安大学道路施工技术与装备教育部重点实验室，陕西西安 710064）

基于BP神经网络的沥青路面压实度检测

赵素素，孟凡虎，宋丽娟，陈宏业

（长安大学道路施工技术与装备教育部重点实验室，陕西西安 710064）

为实现沥青路面压实度的实时检测，采集压实过程中的压实温度、压实速度及振动压路机的振动加速度等参数，并检测压实后沥青路面的压实度是否合格；采用BP神经网络建立模型，利用该模型对采集到的数据与沥青路面压实度进行训练，结果表明沥青路面压实参数与路面压实度之间存在一定的映射关系，该模型可用于沥青路面压实度实时检测。

公路；沥青路面；压实度；神经网络；实时检测

压实度影响着路面的强度、寿命和使用性能，欠压实会造成水分渗透、路面氧化和破裂等，过度压实则会导致沥青路面在高温下出油等现象。因此，施工过程中压实度检测必不可少。压实度检测方法多种多样，国内传统的检测方法主要有挖坑灌沙法、钻心法、环刀法、核子密度湿度仪测定法和无核密度仪测定法。前3种检测方法需损坏路面，且需在实验室检测，耗时长；核子密度仪具有辐射，对人体健康存在一定威胁，而无核密度仪的精确性还有待验证，且两者都不能实时地对路面压实度进行反馈。因此，必须采用新的方法对路面压实度进行快速、准确检测。该文运用BP神经网络建立模型，对沥青路面压实度历史数据进行训练，并用新数据进行验证，以实现对沥青路面压实度的快速、可靠评定。

1 BP神经网络

人工神经网络是以人类大脑神经元信息传递结构为基础开发的一种技术，能模拟人学习感知思考的能力。它由大量神经元组成，每个神经元都是简单的处理单元，它们经过连接形成复杂的网络结构，从而在不同程度上完成复杂的类似人脑功能，在处理许多外界因素等不确定信息时比较适用。

在多种神经网络模型中，BP神经网络运用最广泛，它是一种多层前馈型神经网络，其信号是前向传播处理，误差是反向传播并进行调整的。信号前向传播过程中，信号从输入层经过隐含层各神经元的处理再传向输出层，若输出值与期望输出值存在差距，则误差信号反向传播，系统根据误差调整相应的权值和阈值，从而使输出值与期望输出值越来越逼近。完成训练后的神经网络可对将来的输入信号进行预测性输出，可实现高度的网络输入和目标输出之间的非线性映射关系。BP神经网络的拓扑结构见图1，单个神经元的作用见图2。

图1 BP神经网络的拓扑结构

图2 单个神经元的作用示意图

2 BP神经网络模型设计

2.1 影响因子的选取

沥青路面的压实度受多种环境因素的影响，主要包括压实速度、压实时沥青的温度、压实遍数及振动压路机的振频和振幅。若压实速度过快，会导致压实不充分；若速度过慢，会影响施工进行，且混合料冷却后难以压实。通常高温沥青混合料比低温下的混合料更易压实，但若温度过高，沥青的性质会发生改变，导致沥青老化。压实遍数过低，则压实不充分；压实遍数过多，会导致过压实，且影响施工进程。压路机的振频影响沥青路面的表面压实质量，振幅影响沥青路面的压实深度。近些年，许多学者通过建立振动压路机-路面系统的动力学模型研究振动轮的垂直振动加速度与路面材料压实度之间的关

系，以此检测路面压实度。振动轮的垂直加速度可直接反映沥青路面的压实度，故可将其作为决断性因子来反映沥青路面的压实度。综上，将压实速度、沥青温度、压实遍数、振动压路机的振频和振幅、振动轮的垂直加速度作为影响因子输入。

2.2 数据的归一化

由于不同输入数据及输出数据量纲不一样，为防止数据之间的非规则性，避免大数吃小数现象，对数据进行归一化处理，将其转换成0～1的无量纲数据。沥青路面压实度数据属于区间型，根据经验采取最大最小法进行归一化处理，函数形式见式（1）。可运用MATLAB自带函数mapminmax根据输入数据自动归一化。

式中：Xmin为训练数据中的最小值；Xmax为训练数据中的最大值。

2.3 网络结构的设置

神经网络由输入层、隐含层和输出层组成，层与层之间采用全部连接方式，同一层单元之间不存在相互连接。由Kolmogrov可得一个具有m个输出单元、2m+1个隐含层单元和n个输出单元的3层网络结构可精确表达任何映射。压实度的影响因子有压实速度、沥青温度、压实遍数、振动压路机的振频和振幅、振动轮的垂直加速度，所以网络结构设置6个输入口。根据Kolmogrov定理，初步设置隐含层的神经元个数为13。对于隐含层的数量，若增加隐含层数量，虽可进一步提高准确度，降低误差，但网络结构会变得更加复杂，网络的训练时间会延长。而通过增加隐含层神经元数量也可确保精度要求，且训练效果比增加隐含层数量更直观、易调。因此，采用单隐含层结构，同时将隐含层神经元数设置为20。另外，压实度的确定一定程度上受到摊铺质量和混合料品质的影响，若采用压实度值为输出，则可能导致输出的变化与输入的变化存在不连续关系，这样一个隐含层的网络将无法实现。因此，采用压实度合格或不合格将输入数据进行分类处理。一般而言，分类结果的种类数即为输出口数。如压实度合格，则输出［1 0］；若不合格，则输出［0 1］，所以输出层神经元个数设置为2。综上，将BP网络神经网络结构设置为6-20-2。

2.4 神经网络的训练与预测

在神经网络训练之前，需对网络训练参数进行设置。最大训练循环次数设置为1 900次，目标误差设为0.000 1。学习速率就是训练的步长，取值范围一般为0.01～0.8，太大会导致系统找不到误差最小值及系统不稳定，太小则会延长训练时间，故将系统的学习速率设为0.10。

理论上，具有至少一个S型隐含层和一个线性输出层的网络能逼近任何有理函数。为了增加系统的可靠性，将隐含层的传递函数设置为tansig（S型正切函数），输出层的传递函数设置为logsig（S型对数函数），训练函数设置为traingd（梯度下降BP算法函数）。

最终的BP网络结构见图3。