基于级联卷积神经网络的沥青混凝土吸水状况推测方法

李家胜

摘要：针对传统推测方法在复杂环境下无法实现数据共享，使数据重复出现，导致吸水状况推测精准度低的问题，文章提出了基于级联卷积神经网络的沥青混凝土吸水状况推测方法。根据沥青混凝土结构，确定三级网络推测形式：通过第一级网络依据级联卷积神经网络推测原理，分析吸水率与常压、正压环境关系，确定压力对混凝土的吸水影响，获取沥青混凝土吸水率;通过第二、三级网络可过滤不符合实际的情况，剔除大量冗余数据，避免重复数据出现。由实验结果可知，使用该方法在常压环境下与标准值最大误差为0.5%，在正压环境下与标准值一致，具有精准推测效果。

关键词：级联卷积神经网络;沥青混凝土;吸水状况;推测

0 引言

长期暴露在自然环境下的沥青路面常年受到降雨影响，雨水逐渐渗透到沥青混凝土内部，长此以往会造成沥青路面破裂、剥落等病害发生。如果沥青路面积水无法有效快速排除，会在其表面形成一层水膜，当高速行驶车辆穿过水膜时，会降低轮胎与路面摩擦力，车辆瞬间会产生横向漂移，存在一定的危险系数。因此，对沥青混凝土吸水状况进行推测研究是具有必要性的。

文献[1]提出一种基于结构特征和纹理特征的沥青混凝土吸水状况推测方法，预处理沥青混凝土吸水数据，检测吸水方向边缘，并利用沥青混凝土结构特征推测吸水状况;文献[2]提取沥青混凝土结构特征并构建特征向量，通过贝叶斯分类器精确推测沥青混凝土吸水状况;文献[3]提出基于角点回归全卷积神经网络的沥青混凝土吸水状况推测方法，该方法能够在标准数据上有效推测。然而，上述三种方法在正常环境下较适用，但是在环境复杂的条件下，受到压强影响，无法实现数据共享，使数据重复出现，导致气压发生变化时，吸水状况推测结果并不精准。因此，本文提出了基于级联卷积神经网络的沥青混凝土吸水状况推测方法。

卷积神经网络能够自动选取最优特征提取算子，利用多层级联方式检测沥青混凝土结构，首先采用轻量级的卷积神经网络快速过滤掉大量的非沥青混凝土吸水区域数据，之后采用复杂卷积神经网络推测沥青混凝土吸水状况。

1 级联卷积神经网络推测原理

基于级联卷积神经网络的沥青混凝土吸水状况推测框架层级设计为三级，其推测示意图如图1所示。

图1（b）为第一级网络与沥青混凝土结构基础推测框图;图1（c）中第二级网络是沥青混凝土结构基础推测框图的进一步强化结果;图1（d）中第三级网络是对沥青混凝土各层结构推测框图进行筛选与数据回归的结果。

輸入第一张推测图像时，为了应对不同结构部分，需对推测图像进行尺度变换，获取图片尺度缩放集合[4]。每张图片推测流程如图2所示。

推测框是依次通过不同级网络，推测沥青混凝土吸水情况并得到推测混凝土结构[5]。重新调整前一级推测框对应的图片大小，并将调整结果传送到下一级中再次推测判别，在第三个级层输出吸水状况推测结果。

第二级主要任务是对第一级沥青混凝土吸水状况推测不符合实际情况的结果过滤。第二级网络为一个多任务分类网络，其结构如图3所示。

与第一级网络目标不同，第二级中所生成的吸水状况推测框数量有所减少，剔除多余数据，只针对吸水结构推测其回归框[6]。在第二级网络结构中存在较多神经单元，大大增加了第二级网络的拟合性。与第一级网络类似，第二级网络是对吸水状况相对误差展开推测的[7]。

第三级为推测框架最后一个阶段，其作用是承接第二级结果，并过滤多余数据，因此，该级将推测精度作为参照结果[8]。与前两级不同，第三级网络结构中使用全连接层，有效保证了推测精度。

2 沥青混凝土吸水状况推测

依据级联卷积神经网络推测原理，可确定三级网络推测结果，第一级网络推测结果可获取图片尺度缩放集合，该集合内数据包括沥青混凝土吸水率数据;第二、三级网络推测结果是过滤不符合实际的情况，减小推测误差，保证推测精度。因此，依据该原理，研究含水率与浸水压力关系，由此推测沥青混凝土吸水状况。

2.1 第一级推测

建立的级联卷积神经网络结构如图4所示。

由图4可知，该网络中存在2个分类器，均是卷积神经网络，其中一个为高分辨率训练样本，另一个是低分辨率训练样本[9]。将256×256像素小尺寸图像作为输入样本直接输入该网络中作为训练和测试样本，之后进行卷积和赤化操作，推测沥青混凝土吸水状况。

沥青混凝土含水率与不同空气压力之间的关系如表1所示。

由表1可知，常压环境下，基于级联卷积神经网络推测方法，随着压力增加，吸水率由2.50%增加到3.80%，增加速度较慢;正压环境下，基于级联卷积神经网络推测方法，随着压力增加，吸水率也随之缓慢增加。

使用级联卷积神经网络推测方法可推测出，当沥青混凝土外部环境压力出现变化时，渗透性会随之变化。当沥青混凝土处于常压环境下，水流在外部压力作用下向混凝土内部渗入的速度较慢，随之而来的还有空气，空气逐渐使连通孔隙饱和，沥青混凝土吸水率不再变化[10];当沥青混凝土处于正压环境下，水流在外部压力作用下向混凝土内部逐渐渗入，使沥青混凝土吸水率增大。

2.2 第二、三级推测

调节卷积核权值与偏值参数，使得网络输出结果与实际结果最为接近。由于卷积核和偏值在网络训练前是随机赋予的，因此，输出结果与实际结果存在一定的偏差。

为了减少偏差，在训练中采用前反馈算法，流程如图5所示。

通过基于级联卷积神经网络的二、三级推测，减小推测误差，保证推测精度。

3 实验分析

为了验证基于级联卷积神经网络的沥青混凝土吸水状况推测方法的合理性，进行实验验证分析。

3.1 沥青混凝土路面结构

以广西某高速公路为例，该路面采用“渗透+密封”的结构形式设计沥青混凝土路面防水层，工程区多雨，设计人员把预防水害放在第一位。除了作为致密结构层的表面层、中层表面层和底层表面层外，还可提供稳定的砾石基层。“渗透+密封”防水结构层可防止雨水不断从表层渗入基层。具体结构组合优化方法如下：

（1）主线路填土及土质挖方路段。该路段的路面结构为：第一层为厚度为6 cm的AC-13型防滑面层;第二层为厚度为6.5 cm的AC-20型面层;第三层为厚度为6 cm的AC-25型底层;表层厚度为0.6 cm的浆料密封层和5.5%水泥稳定碎石上基层。本工程主干高填方和匝道路面的结构设计也符合上述标准，即厚度为15 cm的5%水泥稳定碎石和厚度为20 cm的4.5%水泥稳定碎石。

（2）主线路石方开挖路段。该路段路面结构面层至下层完全一致，主要是由厚度仅为10 cm的4.5%水泥稳定碎石基层组成的。

3.2 实验材料及级配选择

3.2.1 实验材料

使用AH-70#沥青，表1显示了其主要性能，确定了最优油石比为5.0%。用马歇尔标准试件进行了试验，沥青混凝土的表观密度为2.39 g/cm3，其最大理论相对密度为2.53 g/cm3，孔隙率为5.6%。AH-70#型号沥青性能指标如表2所示。

3.2.2 级配选择

SC-10级配是一种粗骨料级配，其依靠较多粗骨料形成一个骨架。为确保级配的高温稳定性和致密性，必须对细骨料进行充分填充。SAC-10级配具有碎石含量高、细集料多的特点。在应力吸收层中采用该级配，抗弯抗拉能力较强（见表3）。

使用改性I-D型沥青作为应力吸收层基础材料，粗细集料都是石灰岩，依据该选择结果设置实验指标。

3.3 实验指标

用称重法测定沥青混凝土含水率，分别记录浸渍前和浸渍后沥青混凝土质量m1、m2，浸渍一段时间后的样品吸水率用式（3）计算。

Wt=m2-m1m1×100%（3）

根据式（3）计算出浸渍一段时间后沥青混凝土含水量，将其作为吸水率测定指标。

3.4 实验结果与分析

使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法，即Q2，利用沥青混凝土结构特征推测吸水状况;基于贝叶斯分类器推测方法，即Q3，提取沥青混凝土结构特征并构建特征向量，由此推测混凝土吸水状况;基于角点回归全卷积神经网络推测方法，即Q4，在标准数据上利用全卷积神经网络推测混凝土吸水状况。传统上这三种方法在复杂环境下，出现大量冗余数据，导致沥青混凝土吸水状况推测精准度较低，而使用基于级联卷积神经网络推测方法，即Q1，其推测结果更加精准。

为了验证该点，分别从含水率、吸水率两方面，将这4种方法进行对比分析。

3.4.1 含水率

将含水率作为测试指标，分别使用四种方法推测沥青混凝土吸水状况，对比结果如表4所示。

由表4可知，在浸渍前5 g时，使用四种方法得到的浸渍后结果与标准值一致，其余情况下，只有使用Q1方法与标准值一致。剩下三种方法与标准值存在较大误差，含水率计算结果并不精准。

通过上述分析可知，使用基于级联卷积神经网络推测方法含水率推测结果与实际值一致，说明该方法推测结果较为精准。

3.4.2 吸水率

（1）常压吸水率。分别使用四种方法分析沥青混凝土常压吸水率，结果如图6所示。

由图6可知，在常压环境下，使用基于级联卷积神经网络推测方法与标准值相差较小，最大误差为0.5%;而使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角点回归全卷积神经网络推测方法与标准值相差较大，最大误差依次为4.5%、5.5%、5.9%。

（2）正压吸水率。分别使用四种方法分析沥青混凝土正压吸水率，结果如图7所示。

由图7可知，在正压环境下，使用基于级联卷积神经网络推测方法与标准值基本一致，误差为0;而使用基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角點回归全卷积神经网络推测方法与标准值相差较大，最大误差依次为7%、6%、6%。

通过上述分析结果可知，以往使用的基于结构特征和纹理特征的沥青混凝土吸水状况推测方法、基于贝叶斯分类器推测方法、基于角点回归全卷积神经网络推测方法在复杂环境下，无法实现数据共享，使数据重复出现，导致气压发生变化时，无法精准推测吸水率。而使用基于级联卷积神经网络推测方法，通过级联卷积神经网络识别图像中的有效数据信息，不会出现冗余数据，在无重复数据支持下，具有精准推测结果。

4 结语

本文针对沥青混凝土吸水状况，提出了基于级联卷积神经网络的推测方法。由实验验证结果可知，随着浸泡时间的延长，密级配沥青混凝土的含水率逐渐增加，初期增长迅速，后期扩散缓慢;分别在常压和正压环境下测试沥青混凝土吸水状况，发现基于级联卷积神经网络推测与标准值基本一致。

由于实验只选用了AH-70#沥青混凝土，所以研究结果并不具有全面性。为了进一步证明该方法比其他方法更能精准推测出沥青混凝土吸水状况，在今后研究项目中，应对其他类型沥青混凝土展开详细研究。

参考文献：

[1]王朋辉，胡永彪，田明锐，等.基于图像纹理的沥青路面坑槽识别及提取[J].计算机应用研究，2018，35（5）：1 596-1 600.

[2]王晓孟，石永奎，郝 建.基于贝叶斯分类器的直接顶稳定性的预测方法研究[J].煤炭技术，2018，37（2）：86-88.

[3]温作林，申永刚，苏 建，等.基于卷积神经网络的混凝土裂缝识别[J].低温建筑技术，2019，41（6）：9-12，21.

[4]程亨达，陈焕新，李正飞，等.多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络[J].制冷学报，2020，41（1）：40-47.

[5]谭 聪，李宗利，韩进生，等.不同强度等级和尺寸混凝土自由吸水规律研究[J].混凝土，2019（11）：34-38.

[6]纪 锋，陈亮亮，张 鹏，等.再生混凝土吸水率与强度的相关性研究[J].长江科学院院报，2019，36（3）：139-144.

[7]孙红军，谢晓杰，王永贵.基于ANSYS的旧水泥混凝土路面沥青加铺层应力状态研究[J].公路工程，2020，45（1）：173-177，211.

[8]田 园，郭乙霏，郭利霞，等.强吸水再生预处理对混凝土抗冻性影响研究[J].人民黄河，2019，41（4）：135-138，147.

[9]姜 骞，石 亮，崔 巩，等.过度振捣对海工混凝土构件吸水率的影响研究[J].新型建筑材料，2018，45（10）：6-9.

[10]郑春乐，拾方治，李秀君.旧混凝土板粒石化再生骨料吸水特性研究[J].上海理工大学学报，2018，40（5）：70-75.