王　軍

(中交公路規(guī)劃設(shè)計(jì)院有限公司寧夏分公司,寧夏 銀川 750001)

?

改進(jìn)BP網(wǎng)絡(luò)在瀝青路面構(gòu)造深度預(yù)測中的應(yīng)用

王軍

(中交公路規(guī)劃設(shè)計(jì)院有限公司寧夏分公司,寧夏 銀川 750001)

為了快速有效地檢測到瀝青路面均勻區(qū)域的構(gòu)造深度,采用了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法，建立了以最大公稱粒徑、細(xì)度模數(shù)、4.75 mm篩通過率和瀝青用量為影響因素的瀝青路面構(gòu)造深度預(yù)測模型.結(jié)果表明，預(yù)測模型經(jīng)過2 935次學(xué)習(xí)訓(xùn)練，預(yù)測精度達(dá)到目標(biāo)值0.01，BP神經(jīng)網(wǎng)絡(luò)對(duì)構(gòu)造深度預(yù)測結(jié)果與實(shí)際情況非常接近.

瀝青路面；BP神經(jīng)網(wǎng)絡(luò)；構(gòu)造深度；預(yù)測模型

目前，瀝青混凝土路面已被廣泛應(yīng)用.從行車安全和舒適程度考慮，抗滑性能差是瀝青路面上交通事故頻發(fā)的主要原因之一.評(píng)價(jià)路面抗滑性能的兩大指標(biāo)分別為摩擦系數(shù)和構(gòu)造深度,摩擦系數(shù)反映的是微觀路面構(gòu)造，而構(gòu)造深度反映的是宏觀路面構(gòu)造.然而，構(gòu)造深度的大小也會(huì)影響到路面的排水狀況，較差的路面構(gòu)造不能及時(shí)排除路面積水，從而引起路表面出現(xiàn)水漂現(xiàn)象.目前，國內(nèi)采用的測定構(gòu)造深度的方法[1-2]皆有缺點(diǎn),傳統(tǒng)方法往往測量精度不高，從國外引進(jìn)的一些高科技、高精度的測量儀器，也比較昂貴，操作不太方便.特別是針對(duì)高速公路應(yīng)急搶險(xiǎn)工程，采用快速有效的方法檢測瀝青路面的構(gòu)造深度至關(guān)重要.故本文采用改進(jìn)的(提高模型的預(yù)測精度)BP神經(jīng)網(wǎng)絡(luò)算法[3-5]，建立了以最大公稱粒徑、細(xì)度模數(shù)、4.75 mm篩通過率和瀝青用量為影響因素的瀝青路面構(gòu)造深度預(yù)測模型[6]，從給出的各構(gòu)造深度的影響因素具體值得出預(yù)測的構(gòu)造深度值，為瀝青路面施工質(zhì)量控制提供了技術(shù)參考.

1　改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)過程分為信息正向傳遞與誤差的反向傳播2個(gè)過程.在信息正向傳遞過程中，所采取的信息從輸入層單元傳遞到隱含層，再經(jīng)隱含層單元計(jì)算后傳向輸出層.如果目標(biāo)值未符合期望的輸出，則先計(jì)算出輸出層的誤差變化值，然后通過誤差估計(jì)器反向傳播，將誤差信號(hào)沿原傳播通路反傳回來依次修改各層神經(jīng)元的權(quán)值，再進(jìn)行正向傳播計(jì)算，直至達(dá)到期望目標(biāo)為止.本文采用的改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法其每一層單元都不會(huì)受到同層其他單元的影響，有利于更快速達(dá)到收斂狀態(tài)，且預(yù)測精度較高.其基本過程如圖1所示.

1.1BP神經(jīng)網(wǎng)絡(luò)的基本思想

BP神經(jīng)網(wǎng)絡(luò)算法的基本原理是最小二乘算法，采用的是梯度搜索技術(shù)，直至學(xué)習(xí)網(wǎng)絡(luò)達(dá)到目標(biāo)要求為止.在此，目標(biāo)要求實(shí)際值與預(yù)測值的差值小于某一固定值.

BP算法是通過梯度下降法調(diào)整所有權(quán)值和閥值，再進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，直到網(wǎng)絡(luò)的實(shí)際輸出值非常逼近期望輸出值為止，否則繼續(xù)循環(huán)學(xué)習(xí).以3層網(wǎng)絡(luò)為例，各層權(quán)值的修正量為：

因?yàn)锽P網(wǎng)絡(luò)針對(duì)的是輸入層與輸出層的非線性關(guān)系，BP算法采取的激勵(lì)函數(shù)是二次函數(shù)，誤差估計(jì)器是均方差估計(jì)器，若初始權(quán)值取的偏大，容易陷入S型函數(shù)的飽和區(qū).所以，BP神經(jīng)網(wǎng)絡(luò)算法有以下不足：收斂速度較慢；易陷入局部極值區(qū)域而難以收斂；對(duì)初始權(quán)值的依賴性較強(qiáng).

1.3BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

一般情況下，BP神經(jīng)網(wǎng)絡(luò)與眾多因素息息相關(guān).例如，初始權(quán)值和激勵(lì)函數(shù)的選取決定了輸入層的單元與輸出層的單元的相互對(duì)應(yīng)狀態(tài)，從而可直接影響到預(yù)測模型的成敗.為了有效地解決BP神經(jīng)網(wǎng)絡(luò)算法存在的問題，本文做出改進(jìn)，結(jié)合某些特殊函數(shù)，且從初始權(quán)值的選取、激勵(lì)函數(shù)的改進(jìn)、誤差估計(jì)函數(shù)的改進(jìn)、自適應(yīng)學(xué)習(xí)速率等方面考慮提出屬于較為完整體系的改進(jìn)BP算法.

1)初始權(quán)值的選取.BP網(wǎng)絡(luò)算法中輸入層與輸出層的關(guān)系屬于非線性關(guān)系，初始權(quán)值的選取對(duì)收斂的快慢和預(yù)測精度的影響較大.假設(shè)初始權(quán)值過大,使輸入值經(jīng)過加權(quán)后映射到了S型激活函數(shù)的飽和區(qū)域,在飽和區(qū)域內(nèi)導(dǎo)數(shù)值趨于零，從而使權(quán)值的調(diào)節(jié)量幾乎停止.根據(jù)大量的試驗(yàn)與經(jīng)驗(yàn)可知，初始權(quán)值的大小趨于零，能夠有效快速地進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，收斂速度較快.此外，初始權(quán)值的選取與權(quán)值的個(gè)數(shù)也息息相關(guān)，各權(quán)重的初始值應(yīng)均勻分布在區(qū)間[-2.4/F,+2.4/F]內(nèi)，F(xiàn)為權(quán)值的個(gè)數(shù).

2)激勵(lì)函數(shù)的改進(jìn).在BP算法中，激勵(lì)函數(shù)f(x)=1/(1+e-λx)是不對(duì)稱函數(shù).經(jīng)過多次試驗(yàn)可知，反對(duì)稱函數(shù)(即f(-x)=-f(x))比不對(duì)稱函數(shù)好，本文采用的反對(duì)稱函數(shù)是雙曲正切函數(shù)，即f(x)=atanh(λx)=(1-e-λx)/(1+e-λx)，值域?yàn)閇-1,+1].

4) 自適應(yīng)學(xué)習(xí)速率.在BP網(wǎng)絡(luò)反向傳播學(xué)習(xí)過程中，各權(quán)值經(jīng)過不同的調(diào)節(jié)學(xué)習(xí)，學(xué)習(xí)速率就有所不同.因此，筆者可以通過觀察每次學(xué)習(xí)后的誤差估計(jì)值下降程度適當(dāng)調(diào)節(jié)學(xué)習(xí)速率的大小，可以有效地縮短學(xué)習(xí)時(shí)間(學(xué)習(xí)次數(shù)).同時(shí)，也為了避免學(xué)習(xí)速率過大引起的振蕩現(xiàn)象，本文采用自適應(yīng)的學(xué)習(xí)速率，即在網(wǎng)絡(luò)的學(xué)習(xí)過程中，不同的學(xué)習(xí)階段自動(dòng)設(shè)置不同的學(xué)習(xí)速率的大小.以誤差估計(jì)器作為指標(biāo)，當(dāng)ΔE(n)=E(n+1)-E(n)<0時(shí)，為了加快收斂，學(xué)習(xí)速率η稍微增大；而ΔE(n)>0時(shí)，為了避免振蕩，η應(yīng)適當(dāng)減小.

2　瀝青路面的構(gòu)造深度

構(gòu)造深度是衡量路表面抗滑性能的主要指標(biāo)之一，且與路表面排水性能息息相關(guān)，對(duì)瀝青路面構(gòu)造深度的測量具有以下意義：1)能夠直觀地反映路面結(jié)構(gòu)的三維形態(tài)；2)能較好地衡量路表面抗滑性，為路表面的性能檢測提供科學(xué)依據(jù)，提高行車的安全性；3)為探索路表面抗滑性能、排水性能與構(gòu)造深度之間的定量關(guān)系奠定基礎(chǔ).

2.1構(gòu)造深度的測量方法

1) 鋪砂法.此方法采用的主要儀器是手動(dòng)鋪砂儀，也稱為路面深度構(gòu)造儀.將已知體積和粒徑的干砂攤鋪在瀝青路表面上，將砂的體積和所覆蓋的平均面積的比值稱為路面構(gòu)造深度.雖然操作簡單，設(shè)備便宜，但需要大量的時(shí)間和人力，而且測量結(jié)果受人為因素影響較大，精度偏低.

2)斷面法.斷面法是通過測定瀝青構(gòu)造深度剖面的方法來表現(xiàn)出瀝青路表面產(chǎn)狀、形態(tài)、構(gòu)造深度以及結(jié)構(gòu)材料的分布狀況.一般采用的儀器是激光斷面儀，將極坐標(biāo)法和計(jì)算機(jī)有機(jī)結(jié)合起來，能夠有效地測量出實(shí)際的路面構(gòu)造輪廓線.此方法雖精度高，但所需設(shè)備耗費(fèi)較大.

3) 其他新型技術(shù).隨著高速公路建設(shè)的發(fā)展，瀝青路面得到廣泛的應(yīng)用，國內(nèi)外研究人員將多種數(shù)字化技術(shù)應(yīng)用于瀝青路面結(jié)構(gòu)的檢測，主要有激光構(gòu)造深度儀法、制度距離法、橫向力系數(shù)測定法以及擺式儀法4種新型技術(shù).

2.2構(gòu)造深度的主要影響因素

一般來說，從瀝青混合料角度考慮，瀝青路面構(gòu)造深度的影響因素[7]主要有最大公稱粒徑(MS)、集料細(xì)度模數(shù)(FM)、4.75 mm篩集料通過率(p4.75)、瀝青用量(AC)4個(gè).

1)最大公稱粒徑.在瀝青混合料中，最大公稱粒徑越大，越容易形成骨架，預(yù)留的空隙也就越大，從宏觀角度上看，路表面會(huì)出現(xiàn)凹凸不平，形成較大的構(gòu)造深度.

2)集料細(xì)度模數(shù).集料細(xì)度模數(shù)表示集料的粗細(xì)程度，細(xì)度模數(shù)越大，集料越粗，尺寸不同、粗糙表面以及有細(xì)紋的集料，經(jīng)過碾壓后相互嵌擠鎖結(jié)，能夠形成較好的瀝青混凝土構(gòu)造深度.

3)4.75 mm篩集料通過率.4.75 mm篩孔通過率越大，則混合料中細(xì)料成分含量越高.細(xì)集料含量過多，骨架結(jié)構(gòu)不夠穩(wěn)定，在交通荷載作用條件下，集料很容易發(fā)生滑移變形.

4)瀝青用量.瀝青在瀝青混合料中起粘合作用，瀝青混合料中瀝青用量較大時(shí)，粗集料被瀝青膜包圍，在高溫交通條件下，由于瀝青高溫強(qiáng)度較低，會(huì)使路表面礦料被壓入下層，甚至被擠出路表面，形成了瀝青膜，導(dǎo)致瀝青路面的構(gòu)造深度變小.

3　改進(jìn)BP網(wǎng)絡(luò)算法預(yù)測路面的構(gòu)造深度

3.1試驗(yàn)數(shù)據(jù)

對(duì)幾段道路試驗(yàn)段進(jìn)行實(shí)驗(yàn)，通過激光儀測定相應(yīng)段的瀝青路面的構(gòu)造深度，再鉆芯取樣，得到相應(yīng)路段的各參數(shù)值，結(jié)果如表1.

表1　瀝青路面構(gòu)造深度的實(shí)測值與其相關(guān)參數(shù)

3.2輸入層與輸出層的選擇

本文以某幾段瀝青路面試驗(yàn)路段檢測數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的有效檢驗(yàn)，選取影響瀝青路面構(gòu)造深度的4大控制參數(shù)為輸入層單元，即確定最大公稱粒徑、集料細(xì)度模數(shù)、4.75 mm篩集料通過率和瀝青用量為輸入層單元.輸出層單元只有一個(gè)，即瀝青路面的構(gòu)造深度值.上述試驗(yàn)總共有8組實(shí)驗(yàn)數(shù)據(jù)，即試驗(yàn)樣本總數(shù)L=8.

3.3初始權(quán)值的選取

一般來說使初始權(quán)值都接近于零，且保證每個(gè)神經(jīng)元的權(quán)值都能夠落在S型激活函數(shù)飽和區(qū)之外.根據(jù)經(jīng)驗(yàn)，初始權(quán)值的大小與權(quán)值的個(gè)數(shù)息息相關(guān)，各權(quán)重的初始值應(yīng)為均勻分布的小數(shù)經(jīng)驗(yàn)值，在區(qū)間[-2.4/4,+2.4/4]內(nèi).

3.4改進(jìn)BP網(wǎng)絡(luò)預(yù)測模型的構(gòu)建

3.5BP網(wǎng)絡(luò)算法預(yù)測

隨機(jī)選取4段道路試驗(yàn)段取其芯樣進(jìn)行實(shí)驗(yàn)，測得相應(yīng)路段的各參數(shù)值，通過各參數(shù)值預(yù)測相應(yīng)路段的路面構(gòu)造深度值[8]，結(jié)果如表2所示.

表2　以各參數(shù)值為依據(jù)的瀝青路面構(gòu)造深度預(yù)測值

3.6預(yù)測結(jié)果分析

基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的瀝青路面構(gòu)造深度預(yù)測模型經(jīng)過2 935次的訓(xùn)練，達(dá)到設(shè)置的目標(biāo)精度0.01.網(wǎng)絡(luò)學(xué)習(xí)預(yù)測誤差見表3.

表3　瀝青路面構(gòu)造深度的實(shí)測值與預(yù)測值的比較

從表3可見，預(yù)測精度達(dá)到了預(yù)定目標(biāo)的0.01，預(yù)測結(jié)果與實(shí)測數(shù)據(jù)基本一致，可知所構(gòu)建的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測效果良好，滿足實(shí)際施工要求.因?yàn)楦倪M(jìn)BP網(wǎng)絡(luò)算法是一種考慮多因素綜合影響的計(jì)算方法，能夠準(zhǔn)確地反映出各個(gè)影響因素(構(gòu)造深度的影響因素)與預(yù)測目標(biāo)(路面構(gòu)造深度值)之間的非線性關(guān)系，且預(yù)測精度高，計(jì)算簡便，是一種比較實(shí)用的方法，為檢測路面構(gòu)造深度提供了一種很好的途徑.

4　結(jié)語

1) 針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的一些缺陷，分析網(wǎng)絡(luò)誤差學(xué)習(xí)流程，并對(duì)其進(jìn)行了改進(jìn)，獲得了一定的精度上的改良.

2) 基于改進(jìn)BP網(wǎng)絡(luò)算法的預(yù)測模型，考慮了單一因素和模糊主觀不確定因素的影響，預(yù)測結(jié)果具有一定的真實(shí)性.

3) 采用不對(duì)稱的激勵(lì)函數(shù)與穩(wěn)健估計(jì)器，同時(shí)又考慮學(xué)習(xí)速率的快慢影響，利用自適應(yīng)的學(xué)習(xí)速率，比一般的預(yù)測模型精度要高數(shù)十倍.

4) 根據(jù)實(shí)驗(yàn)結(jié)果可得，運(yùn)用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型對(duì)瀝青路面的構(gòu)造深度進(jìn)行預(yù)測是可行的，為施工質(zhì)量提供了技術(shù)參考.但由于瀝青路面構(gòu)造深度還受到一些外界的因素干擾，對(duì)比較復(fù)雜多變的外界環(huán)境下的準(zhǔn)確預(yù)測還存在一定的難度，這有待于進(jìn)一步深入研究.

[1]文靜.數(shù)字化技術(shù)評(píng)價(jià)瀝青路面構(gòu)造深度研究[D].西安：長安大學(xué)，2009.

[2]馬榮貴,王建峰,李平.瀝青路面構(gòu)造深度精確檢測方法研究[J].科學(xué)技術(shù)與工程，2014，14(8)：265-268.

[3]侯祥林,胡英,李永強(qiáng)，等.多層人工神經(jīng)網(wǎng)絡(luò)合理結(jié)構(gòu)的確定方法[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版)，2003,24(1):35-38.

[4]劉樂.改進(jìn)BP網(wǎng)絡(luò)及其在預(yù)測問題中的應(yīng)用研究[D].濟(jì)南：山東師范大學(xué),2009.

[5]王鈺,郭其一,李維剛，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型及其應(yīng)用[J].計(jì)算機(jī)測量與控制,2005,13(1):39- 42.

[6]徐建,叢林,郭忠印.瀝青路面均勻區(qū)域構(gòu)造深度的預(yù)估模型[J].建筑材料學(xué)報(bào),2007,10(6):653-656.

[7]葉志成,朱朝暉.瀝青路面均勻區(qū)域的構(gòu)造深度的影響因素灰熵分析[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.

(責(zé)任編輯雨松)

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

王軍(1990-)，男，助理工程師，碩士，研究方向?yàn)榈缆饭こ?E-mail：beyondjiaju0318@163.com

U414

A

1673-4432(2016)03-0088-05