翟登攀,張熙穎

(吉林建筑大學(xué) 交通運(yùn)輸學(xué)院,吉林 長(zhǎng)春 130118)

隨著改革開放的不斷深入和國(guó)民經(jīng)濟(jì)的飛速發(fā)展，公路作為我國(guó)經(jīng)濟(jì)建設(shè)的“先行官”，無論是量還是質(zhì)均發(fā)展迅速。早期建設(shè)的瀝青路面結(jié)構(gòu)已經(jīng)進(jìn)入大規(guī)模養(yǎng)護(hù)維修期。當(dāng)前我國(guó)瀝青路面的養(yǎng)護(hù)決策模式多采用經(jīng)驗(yàn)式，決策效率較低且決策水平受決策者主觀因素影響較大，產(chǎn)生的養(yǎng)護(hù)不盡合理，導(dǎo)致延誤養(yǎng)護(hù)時(shí)機(jī)或造成經(jīng)濟(jì)損失。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)防性養(yǎng)護(hù)決策可以解決上述問題。

1 神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是最早由Rumelhart提出來的一種基于誤差反向傳播的神經(jīng)網(wǎng)絡(luò)[1]，具有自組織、自適應(yīng)和自學(xué)習(xí)的能力，能夠?qū)嵤┐笠?guī)模的并行處理。同時(shí)其具有的非線性映射特性，大大地增強(qiáng)了適應(yīng)環(huán)境的能力，具有較好的魯棒性和容錯(cuò)性。誤差反向傳播網(wǎng)絡(luò)模型利用已知數(shù)據(jù)通過迭代梯度算法求解網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之間的最小均方差值，并將信息反向傳遞和修改誤差。在誤差反向傳播的過程中不斷地對(duì)權(quán)值和閾值進(jìn)行修正，以此達(dá)到降低誤差的目的，使網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率不斷提升[2-4]。本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到季凍區(qū)瀝青路面預(yù)防性養(yǎng)護(hù)決策中，建立季凍區(qū)路面典型病害類型與預(yù)防性養(yǎng)護(hù)措施之間的非線性映射關(guān)系，借助MATLAB中的BP神經(jīng)網(wǎng)絡(luò)工具箱，通過特定的語句完成模型的建立與神經(jīng)網(wǎng)絡(luò)反射練習(xí)，為客觀地決策預(yù)防性養(yǎng)護(hù)措施提供技術(shù)支持。

2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

季凍區(qū)瀝青路面病害損害類型豐富，通常選取對(duì)瀝青路面影響較強(qiáng)且出現(xiàn)頻率較高的裂縫、車轍、凍脹翻漿、松散、坑槽等作為研究對(duì)象，本文選擇發(fā)生頻率最高且處理方式復(fù)雜的裂縫類病害的預(yù)防性養(yǎng)護(hù)決策作為研究對(duì)象。

2.1 預(yù)測(cè)指標(biāo)的選取

隨著瀝青路面投入運(yùn)營(yíng)后所經(jīng)歷的凍融周期的增加，裂縫出現(xiàn)并且日漸發(fā)育嚴(yán)重，其養(yǎng)護(hù)方式也需不斷變化，本文首先根據(jù)資料[5-11]和《瀝青路面養(yǎng)護(hù)設(shè)計(jì)規(guī)范》[12](以下簡(jiǎn)稱規(guī)范)確定6種養(yǎng)護(hù)方式，具體見表1。

表1 裂縫類病害預(yù)防性養(yǎng)護(hù)措施

不同類型裂縫對(duì)應(yīng)的養(yǎng)護(hù)方式不同，需要將表1中養(yǎng)護(hù)措施組合進(jìn)行預(yù)防性養(yǎng)護(hù)，現(xiàn)將表1中的不同組合進(jìn)行編號(hào)并作為網(wǎng)絡(luò)輸出的預(yù)測(cè)指標(biāo)。具體見表2。

2.2 影響因素的選擇

裂縫主要分為縱向裂縫、橫向裂縫、塊裂和不規(guī)則裂縫(主要指龜裂)。裂縫的成因、表現(xiàn)形式、發(fā)育程度不同，所對(duì)應(yīng)的養(yǎng)護(hù)措施也不相同。影響裂縫養(yǎng)護(hù)措施選擇的因素包括溫度、累計(jì)軸次、降水量、裂縫的幾何特征。在自然條件相同時(shí)，本研究選取幾何特征建模分析。

根據(jù)規(guī)范和相關(guān)資料[13-14]，本文選取裂縫的長(zhǎng)度、寬度、面積及裂縫長(zhǎng)度占調(diào)查路段長(zhǎng)度的比值作為影響因素對(duì)瀝青路面裂縫分類分級(jí)，并確定相應(yīng)的養(yǎng)護(hù)方式。具體情況見表2。

表2 裂縫分級(jí)及養(yǎng)護(hù)措施

*養(yǎng)護(hù)措施即表1中各養(yǎng)護(hù)方式所對(duì)應(yīng)的編號(hào)

3 神經(jīng)網(wǎng)絡(luò)算法和模型建立

3.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

典型的BP神經(jīng)網(wǎng)絡(luò)一般包括輸入層、輸出層和隱含層，BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行學(xué)習(xí)和訓(xùn)練時(shí)主要考慮因素有隱含層數(shù)、隱含層神經(jīng)元數(shù)、網(wǎng)絡(luò)權(quán)值、期望誤差和學(xué)習(xí)速率。

圖1 算法流程

3.2 數(shù)據(jù)的輸入

裂縫的發(fā)展是連續(xù)的，據(jù)此可知對(duì)在預(yù)防性養(yǎng)護(hù)范圍內(nèi)的裂縫幾何特征采用隨機(jī)遍歷法取值，模擬真實(shí)路面裂縫發(fā)生狀況是可行的。

現(xiàn)利用MATLAB中的rand函數(shù)(可實(shí)現(xiàn)在指定數(shù)據(jù)范圍內(nèi)進(jìn)行均勻隨機(jī)取值)對(duì)各等級(jí)病害進(jìn)行取值，所取數(shù)據(jù)的多少一般依據(jù)實(shí)際數(shù)據(jù)或經(jīng)驗(yàn)總結(jié)，根據(jù)資料[16-17]，每個(gè)等級(jí)抽取100組數(shù)據(jù)，一共抽取800組數(shù)據(jù)，剔除其中明顯不合理的數(shù)據(jù)(包括裂縫長(zhǎng)度極大超出預(yù)防性養(yǎng)護(hù)范圍、裂縫長(zhǎng)寬值極小但其長(zhǎng)度占路面總長(zhǎng)度過大，裂縫寬度與寬度比值過大過小與實(shí)際情況不符等)組成后共720組，其中，前600組作為網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，后120組作為測(cè)試數(shù)據(jù)，并組成600×4、120×4兩個(gè)矩陣。因橫向裂縫長(zhǎng)度是以車道寬度為參考,因此,橫向裂縫長(zhǎng)度取值時(shí)對(duì)其進(jìn)行無量綱化，取值范圍設(shè)定為[0,1]。神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)是由表2的4項(xiàng)指標(biāo)組成的矩陣。輸出參數(shù)為表2各參數(shù)對(duì)應(yīng)的編號(hào)。令P為輸入向量，Y為輸出向量，導(dǎo)入數(shù)據(jù)矩陣，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，以確定網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)。對(duì)不同節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差、均方差并進(jìn)行分析，整理數(shù)據(jù)如表3所示。

表3 不同隱含層節(jié)點(diǎn)數(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差

從網(wǎng)絡(luò)的仿真結(jié)果來看，隱含層層數(shù)為12時(shí)，網(wǎng)絡(luò)的預(yù)測(cè)誤差相對(duì)較小，因此,選取12作為該BP神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)，其訓(xùn)練時(shí)期望輸出與實(shí)際輸出的誤差如圖2所示。

圖2 期望輸出與實(shí)際輸出的誤差

3.3 數(shù)據(jù)測(cè)試

為了保證測(cè)試輸出結(jié)果的客觀性，在測(cè)試的120組數(shù)據(jù)中隨機(jī)選取100組數(shù)據(jù)，組成矩陣對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試。期望輸出和實(shí)際輸出進(jìn)行對(duì)比，如圖3所示。

圖3 期望輸出和實(shí)際輸出比較

根據(jù)圖3可以看出，訓(xùn)練過后的BP神經(jīng)網(wǎng)絡(luò)誤差仍然存在，但具有較高的擬合度，存在微量誤差的原因是因?yàn)閷?duì)裂縫分級(jí)的幾何尺寸數(shù)據(jù)并不可能連續(xù)，用數(shù)字很難對(duì)處理方式進(jìn)行確切的劃分。BP神經(jīng)網(wǎng)絡(luò)采用四舍五入的方式來確定決策閾值，例如當(dāng)實(shí)際輸出為3.4和3.5時(shí)，3.4會(huì)被判定為編號(hào)3所對(duì)應(yīng)的養(yǎng)護(hù)措施，3.5會(huì)被判定為編號(hào)4所對(duì)應(yīng)的養(yǎng)護(hù)措施，而實(shí)際上這兩個(gè)輸出所對(duì)應(yīng)的裂縫病害并無實(shí)質(zhì)上的差別。

4 判別效果評(píng)價(jià)

本次BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)采用新版newff函數(shù)中速度較快的trainlm函數(shù)，且采用提前結(jié)束、防止過訓(xùn)練的策略，與動(dòng)輒需要上千次的傳統(tǒng)網(wǎng)絡(luò)相比，收斂速度快，一般能在較小的迭代次數(shù)后收斂。如圖4所示為誤差下降曲線，根據(jù)圖像橫坐標(biāo)可以看出，網(wǎng)絡(luò)在進(jìn)行0～4共5次迭代后已經(jīng)達(dá)到所要求的精度。另外，為了抵消隨機(jī)因素的影響，取相同的訓(xùn)練和測(cè)試樣本運(yùn)算20次，并統(tǒng)計(jì)其正確率和迭代次數(shù)，如圖5所示。

圖4 誤差下降曲線

圖5 正確率與迭代次數(shù)

通過對(duì)裂縫病害不同養(yǎng)護(hù)方式的分類分級(jí)，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試數(shù)據(jù)進(jìn)行測(cè)試、判別，平均正確率達(dá)94.40%，從判別結(jié)果和誤差可以看出，BP神經(jīng)網(wǎng)絡(luò)對(duì)于裂縫病害養(yǎng)護(hù)措施決策具有較高的準(zhǔn)確性，且計(jì)算收斂速度快，所需時(shí)間短，能夠較準(zhǔn)確地對(duì)裂縫類病害做出養(yǎng)護(hù)性決策。

5 結(jié)束語

投入運(yùn)營(yíng)后，快速準(zhǔn)確的預(yù)防性養(yǎng)護(hù)決策能夠很大程度上節(jié)約資金。在路面病害跟蹤檢測(cè)后，通過BP神經(jīng)網(wǎng)絡(luò)，輸入相對(duì)應(yīng)的幾何參數(shù)后，可以快速準(zhǔn)確地得出所需要的養(yǎng)護(hù)措施，避免人工方法的主觀性，能夠?qū)Πl(fā)育中的病害進(jìn)行積極的預(yù)防性養(yǎng)護(hù)，確保公路的服務(wù)水平，同時(shí)節(jié)約養(yǎng)護(hù)資金。這種方法可以拓展到各種路面結(jié)構(gòu)的預(yù)防性養(yǎng)護(hù)中，具有較好的發(fā)展前景。