基于BP神经网络的沥青混合料车辙动稳定度预测

基于BP神经网络的沥青混合料车辙动稳定度预测

摘要：介绍了BP神经网络原理，并以此建立模型对沥青混合料车辙动稳定度进行预测，实验结果表明，基于BP神经网络的沥青混合料动稳定度预测方法，预测精度较高，能够提高对沥青混合料抗车辙性能的预见性。

关键词：动稳定度；BP神经网络；预测

Abstract: This article introduces the BP neural network theory, on which modeling for forecasting the dynamic stability of the asphalt tracking. Laboratory rusult finds out that the forecast method for the asphalt dynamic stability on BP neural network has higher precision to improve the foreseeability for asphalt anti-tracking.

Keywords: dynamic stability; BP neural network; forecast

中图分类号：P632+.6 文献标识码： A 文章编号：

0引言

动稳定度是评价沥青混合料在规定条件下抵抗塑性流动变形能力的指标，它的大小直观反映了沥青混合料抗车辙能力的强弱。对于沥青混合料配合比设计，车辙试验都放在了试验最后面，当发现动稳定度不符合要求时，就要重新设计级配，重新试验，费时费力。有时候沥青混合料尽管在室内试验时其抗车辙性能满足要求，但由于现场施工的差异造成沥青混合料级配组成变化，从而不知道沥青混合料抗车辙性能是否满足规范要求。由于影响车辙的因素很多，很难用简单的数学拟合来进行车辙的预估。由于人工神经网络本身存在非线性，它能求解模式空间非常复杂、高度非线性的模式分类和模式识别问题，所以本文通过24组车辙试验结果，利用BP神经网络对其进行训练学习，建立动稳定度预估模型，然后利用已训练好的模型进行动稳定度的预测，根据预测结果初步判断沥青混合料的抗车辙性能是否满足要求，从而提高沥青混合料配合比设计的预见性。

1BP神经网络

BP 神经网络是一种由输入层、输出层及若干隐层的节点互连而成的一种多层前馈型网络，对于这种多层前馈网络的训练采用的算法是反向传播(Back Propagation，BP)算法，这种有导师学习方法，其基本思想是最小二乘算法。它利用根均方误差和梯度下降法来实现对网络连接权（权值和阈值）的修正。对网络权值修正的目的是使网络实际输出与规定的输出之间的根均方误差（Root Mean Squared Error，RMSE）最小。BP神经网络的主要特点是：能够巨量并行

分布处理，使得处理速度大大提高；知识信息以分布的方式存储在网络的连接权与阈值上，容错性很强；具有很强的自适应性和综合推理能力。

2BP神经网络在沥青混合料抗车辙性能预测中的应用

2.1车辙的影响因素

沥青混合料动稳定度的影响因素比较多，它不仅受矿料品种、级配、密度（包括毛体积相对密度和表观相对密度）、试验温度、荷载、矿料间隙率（VMA）、空隙率（VV）影响，还受沥青品种、沥青用量、碾压温度、碾压次数等因素的影响[5]。由于文所用矿料为山东地区常用矿料，车辙试件成型方法相同，车辙试件试验条件（温度、荷载）相同，并根据相关研究成果，本课题选取了矿料级配、矿料合成毛体积密度、矿料合成表观密度、油石比、沥青品种、矿料间隙率、空隙率七个因素作为影响参数。为了方便，在沥青品种的这个因素中，用沥青软化点来表征改性沥青或非改性沥青。

2.2 沥青混合料马歇尔及车辙试验结果

本文选择了24组级配进行了马歇尔及车辙试验，根据混合料的级配组成，采用标准马歇尔试件的毛体积相对密度作为控制标准，用轮碾法成型300×300×50mm板，碾压次数均控制到混合料与试模齐平。按照《公路沥青路面施工技术规范》（JTG F40-2004）进行了动稳定度的计算，试验结果如表1所示

为了满足神经网络的规则，使各个变量的重要性处于同等地位，故要对输入数据进行归一化处理，归一化是对行或者列向量进行处理（本文对列向量进行处理），其的具体计算公式为：

归一化后数据＝（原始向量数据－向量数据中的最小值）/（向量数据中的最大值—最小值）

2.3 神经网络结构设计[7~10]

根据Kolmogrov理论，在一定条件下，一个三层的BP网络可以任意精度地去逼近任意映射关系，两个或多个隐含层并不一定能够提高预测的准确率，所以本文选择采用三层的BP神经网络。隐含层节点数选择根据以下经验公式确定范围

（4）

式中：n1—隐含层节点数；

n—输入神经元数；

m—输出神经元数

a—为1~10之间的常数；

本文中n=18,m=1,所以n1=6~16，选择6，11，15作为隐含层节点数进行训练，根据收敛速度及训练所得到的网络误差可知，选择隐含层节点数为15时是比较恰当的。此时的训练图如图1所示。

图1 BP神经网络训练图

训练完成后，把训练样本作为检测样本进行预测，得到的预测结果进行反归一化处理，然后把反归一化所得值与实测值进行误差计算，可以发现误差值非常小，这说明BP网络所选参数是正确的。

2.4 模型在实际工程中的检验

结合京福高速济南段的大修工程对模型进行检验。检测样本数据如表2所示

由表3数据可以看出，BP网络预测结果比较接近于实测值，最大预测相对误差为10.03%，预测精度可以接受，因此用BP网络预测沥青混合料的动稳定度是合适的。

3结论

（1）由于沥青混合料抗车辙性能的影响因素比较多，而且各影响因素与动稳定度之间存在高度的复杂性和非线性。而人工神经网络具有强大的自适应、自组织、自学习能力以及具有高度的非线性映射性、泛化性和容错性等特点，因此用人工神经网络的方法对动稳定度进行预测是可行的，实践也证明了这一点。

（2）从预测结果上看，BP神经网络最大预测相对误差为10.03%，精度较高，因此可以根据预测得到的沥青混合料动稳定度，并以此初步判断沥青混合料配合比抗车辙性能是否满足要求。

参考文献：

[1] 中华人民共和国行业标准.公路沥青路面施工技术规范(JTG F40-2004).人民交通出版社，2004

[2] 任瑞波,钟阳,张肖宁,黄永根.柔性路面结构参数反算的人工神经元法.哈尔滨建筑大学学报2000 VO1 33（4）100-104

[3] 任瑞波，汲平，李美玲.基于遗传神经网络沥青混合料抗车辙性能预估.山东建筑大学学报.2010.3

[4] 雷英杰,张善文,李继武,周创明.MATLAB遗传算法工具箱及应用[M].西安：西安电子科技大学出版社，2005

[5] 沈金安.沥青及沥青混合料路用性能[M].人民交通出版社.2001

注：文章内所有公式及图表请以PDF形式查看。