城市道路施工及路基质量的四层检测方法研究

摘要：为了提高城市道路的修筑质量，本文提出了具体的施工方案和路基质量的检测方法。这种检测方法是依托神经网络理论，通过输入层、模式层、求和层、输出层4个层次的神经网络，对温度指标、湿度指标、应变指标、压力指标、沉降指标对路基质量的影响进行分析。试验过程和试验结果表明，四层神经网络的检测方法可以有效地检测路基质量，并间接证明了给出的施工方案对城市道路施工的有效性。

关键词：城市道路施工；四层方案；四层网络；路基质量

中图分类号：U41""""""""" 文献标志码：A

在现代化城市中，道路交通占有十分重要的地位，在一定程度上影响了城市的日常运转。城市道路承载各种类型的车辆，在高频次反复使用下会出现各种缺陷，例如路面破损、路基坍塌等问题，严重影响交通网络的正常运转[1]。因此，在这种情况下，确定更加合理的施工方案、保证城市道路的修筑质量具有十分重要的意义。同时，对影响城市道路最重要的路基部分进行有效检测也可以进一步延长城市道路的使用寿命[2]。城市道路的路基会受到多方面因素的影响，其中地震、洪水等自然灾害的影响大，但发生几率小、不容易建立规律性的预防机制。人为因素的影响则跨越了设计阶段、施工阶段和养护阶段，如果能充分考虑路基所处环境、建立准确的评估模型，就可以有效地改善人为因素的不利影响，延长城市道路路基的使用寿命[3]。因此，本文在神经网络理论的基础上，提出一种四层网络的检测方法，用来检测城市道路路基。

1城市道路的修筑方案和施工流程

为了提高城市道路的修筑质量，一般采用多层次的道路修筑方案。这些层次按照一定的工艺流程逐一铺设、压实，最后形成密实的路层结构。在本文的修筑方案中，采用四层次的道路结构，第一层是面层，第二层是基层，第三层是垫层，第四层是路基。这4个层次如图1所示。

路面直接接触行车，因此对车辆行驶速率、驾驶安全有直接影响。根据不同的需求，可以为城市道路铺筑不同的路面。常见路面类型有沥青路面、混凝土路面、碎石路面、块料路面及无机料结合稳定路面等，不同类型路面有其对应的施工工法，分类如图2所示。

在城市道路的各个层次中，路面直接承载同行的车辆和重物，需要更加坚固的修筑方案。同时，路基位于最底层，是整个道路的承载层，它的质量好坏直接影响城市道路的使用寿命。如果路基出现问题，那么道路就会出现坍塌、沉降、滑移等一系列问题。因此，在接下来的工作中，将利用四层神经网络方法对城市道路的路基质量进行检测。

2四层神经网络模型

城市道路的路基质量受到多种因素的影响，如果要分析这种影响，就要建立各因素到路基质量间的关系模型。但从实际情况看，这些因素无法和路基质量形成直观的关系，这就需要通过机器学习的方法进行训练和判断。本文将四层神经网络模型作为二者关系识别的具体方法。

将城市道路路基的自然灾害类影响因素设定为θA，城市道路路基的人为原因类影响因素设置为θB，可以根据二者间发生的概率进行判定模型设计，如公式（1）所示。

式中：lA为城市道路路基发生自然灾害类问题的代价；lB为城市道路路基发生人为原因类问题的代价；fA为城市道路路基发生自然灾害类问题的概率密度函数；fB为城市道路路基发生人为原因类问题的概率密度函数；hA为城市道路路基发生自然灾害类问题的先验概率；hB为城市道路路基发生人为原因类问题的先验概率，由此得到公式（2）、公式（3）。

式中：NA为城市道路路基发生自然灾害类问题的样本数量；NB为城市道路路基发生人为原因类问题的的样本数量。

由此可以得到神经网络训练中的核函数，如公式（4）所示。

式中：m为参与迭代训练和运算的总样本；δ为迭代训练中的平滑因子；Xai为神经网络的第i个输入参量。

在本文的迭代过程中，使用了四层次的神经网络。四层次的神经网络包括4个不同的层次，输入层负责纳入对路基质量可能产生影响的各种因素，例如温度指标、湿度指标、应变指标、压力指标、沉降指标等等。将这些指标对应的样本数据，进一步送入模式层进行类别归属训练，再送入求和层判定其和路基质量的关系概率。在输出层中，将破损、沉降、裂缝、滑移等常见的情况纳入对路基质量的常见问题表达中。四层网络的结构如图3所示。

3基于四层网络的检测方法及试验

从图3的四层次神经网络结构可知，输入层需要纳入足够样本数量的各影响指标的表征数据，而这些数据必须通过温度、湿度、应变、压力、沉降等类型的传感器才能获得。在通过各类传感器获得足够丰富的各指标数据后，就可以将其纳入到四层网络的输入层。后续的处理过程一共包括以下几个环节。第一个环节：各传感器采集路基所在环境的样本数据。第二个环节：对各样本数据进行归一化，消除物理量单位不同和量纲大小的影响。第三个环节：构建四层次的神经网络结构，将其作为训练模型。第四个环节：通过数据的输入、模型的迭代训练，确定四层次网络的稳定结构。第五个环节：在迭代误差足够小的情况下，终止迭代训练。第六个环节：将此时的四层次网络用来判断“某因素”和“路基质量”关系，得到路基质量的检测结果。

基于四层网络的路基质量检测流程如图4所示。需要指出的是，上述方法在实际使用的过程中，配置的传感器种类必须和实际需求对应，以保证四层网络得到足够的输入数据，并且能够进行合理训练。

由于采集样本数据经过的传感器不同，因此物理量的单位、大小都各不相同，为了避免不同类数据间的差异给迭代训练过程造成影响，需要采用归一化来进行处理。样本数据的归一化处理，如公式（5）所示。

（5）

式中：x'为样本数据的归一化结果；x为样本数据的原始值；xmax为样本数据的最大值；xmin为样本数据的最小值。

全部样本数据经过归一化的处理，其中部分数据可以参照表1和表2。

按照本文提出的四层次神经网络的检测方法，对路基质量的影响因素进行判定并和实际情况进行对比，结果见表3。

从上述结果可以看出，按照本文提出的四层神经网络方法对随机抽取的6组样本数据进行检验判断，结果都正确，证实了所提方法的有效性。

进一步用本文提出的四层神经网络方法和两种参照方法检测路基质量，并观察不同方法的检测效果。这两种参照方法，一个是基于遗传算法的检测方法，一个是基于支持向量机的检测方法。在对比过程中，一共使用了800组样本数据，不同方法的检测结果对比情况：当样本数据量不断增加时，基于遗传算法的检测方法和基于支持向量机的检测方法会出现更高的误检率，从而导致路基质量问题的原因判断错误，进而使800组样本数据整体的正确检出率下降。而本文提出的四层神经网络方法，随着样本数据量的不断增加，检测质量没有明显下降，一直维持在90%以上的较高水平。3种方法检测结果的对比如图5所示。

综合上述两组试验结果，充分证实了本文提出的四层神经网络方法对路基质量及其影响原因检测的有效性。

4结论

在现代化的城市运转中，道路交通网络扮演着极为重要的角色，因此须重视城市道路修筑和安全保护。在本文的研究工作中，首先，提出了城市道路的四层修筑方案，并给出了具体的施工流程。其次，针对城市道路系统的路基质量检测问题，提出了基于四层次的神经网络检测方法，利用不同传感器采集不同影响因素，将其纳入输入层，作为输入数据，送入模式层完成迭代训练并通过求和层判断与输出的对应关系。在试验过程中，本文提出了路基质量检测方法的完整流程，并对不同传感器数据进行归一化处理。不同影响因素的检测结果证明了本文所提的方法的有效性。在大样本数据的测试下，对所提出的方法、基于遗传算法的检测方法、基于支持向量机的检测方法的检测效果进行对比。结果进一步显示，本文所提的方法检测准确率更高，对保障城市道路安全是有效的。

参考文献

[1]高会刚，刘泉. 城市道路施工图中沥青面层材料说明的企业标准化解决方案[J]. 城市道桥与防洪，2023（5）：57-59.

[2]海金龙. 市政道路施工精细化管理及质量控制措施研究[J]. 中文科技期刊数据库（引文版）工程技术，2024，32（3）：111-116.

[3]郁宁. 距离综合分析法在市政道路施工质量通病分析及控制中的应用[J]. 经济技术协作信息，2023，25（2）：244-246.