*基金項目：福建省交通運(yùn)輸科技項目“基于大數(shù)據(jù)的高速公路工程質(zhì)量智能管理系統(tǒng)研究”（202132）。

摘要：為了綜合考慮道路施工過程中的多環(huán)節(jié)影響因素，提高施工效率，縮短施工周期，提出基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理方法。首先，利用基于物聯(lián)網(wǎng)技術(shù)的智慧試驗檢測管理平臺下的瀝青路面施工質(zhì)量管控系統(tǒng)采集施工路段攤鋪測厚數(shù)據(jù)、智能壓實監(jiān)控數(shù)據(jù)、臺賬數(shù)據(jù)，以壓實度、平整度、厚度、路面滲水率為評價指標(biāo)；其次，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，用于實現(xiàn)從多測量參數(shù)到評價指標(biāo)的回歸分析，通過多次訓(xùn)練得到最優(yōu)指標(biāo)預(yù)測模型；最后，根據(jù)模型參數(shù)實現(xiàn)不同層級的權(quán)重分析和輸入/輸出測量參數(shù)的重要度分析。以彰武高速公路南靖段工程為例進(jìn)行數(shù)據(jù)驗證，結(jié)果表明：基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理方法能夠在充分采集施工數(shù)據(jù)的基礎(chǔ)上構(gòu)建準(zhǔn)確的回歸分析模型，用于不同評價指標(biāo)的預(yù)測，并基于模型權(quán)重實現(xiàn)對輸出結(jié)果的一鍵溯源，有效提升施工過程質(zhì)量智能化管理水平。

關(guān)鍵詞：物聯(lián)網(wǎng)技術(shù)；道路施工；質(zhì)量管理；深度神經(jīng)網(wǎng)絡(luò)；指標(biāo)預(yù)測

0" 引言

道路施工過程質(zhì)量管理是指通過合理規(guī)劃和有效管理最大限度地提高施工效率和質(zhì)量，同時降低成本和資源浪費(fèi)。優(yōu)化道路施工過程可以提高施工效率，減少施工周期，保障道路施工質(zhì)量。道路施工過程質(zhì)量管理是一個持續(xù)性過程，雖然已經(jīng)取得了一系列研究成果，但仍存在施工效率低下、資源浪費(fèi)、安全隱患等問題［2］。目前，相關(guān)研究主要從施工工藝優(yōu)化、數(shù)字化和智能化施工、質(zhì)量控制與管理、項目管理優(yōu)化等方面展開。隨著建筑信息模型、物聯(lián)網(wǎng)、人工智能等新興技術(shù)在道路施工中的應(yīng)用逐漸增多，施工管理的精確度和自動化程度不斷提高［3］。現(xiàn)階段，相關(guān)學(xué)者針對質(zhì)量控制手段進(jìn)行了深入研究，包括先進(jìn)的檢測技術(shù)、質(zhì)量評估模型等，以確保道路施工質(zhì)量符合要求［1］。

傳統(tǒng)的公路工程施工質(zhì)量管理存在許多問題，主要表現(xiàn)在無法實現(xiàn)全過程的控制和監(jiān)測。同時，現(xiàn)場管理人員和技術(shù)人員素質(zhì)較低，難以及時識別風(fēng)險，僅依靠事后取樣檢測費(fèi)時費(fèi)力，且不能及時找到問題的解決方法。在物聯(lián)網(wǎng)技術(shù)的快速發(fā)展下，開發(fā)快速、高效的道路施工過程自動檢測監(jiān)控信息系統(tǒng)對于解決我國公路工程施工質(zhì)量和安全管理問題具有重要意義［4］。通過施工全過程的數(shù)據(jù)監(jiān)測和分析，可以顯著提高公路施工管理的水平和效率［5］，有效控制施工過程中的質(zhì)量和安全風(fēng)險，確保道路施工質(zhì)量達(dá)標(biāo)。

綜上所述，本文提出基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理方法。通過智慧試驗檢測管理平臺下的瀝青路面施工質(zhì)量管控系統(tǒng)采集施工路段的攤鋪測厚數(shù)據(jù)、智能壓實監(jiān)控數(shù)據(jù)、臺賬數(shù)據(jù)等測量參數(shù)，將壓實度、平整度、厚度、路面滲水率4個評價指標(biāo)作為輸出，構(gòu)建基于多層感知的最優(yōu)指標(biāo)預(yù)測模型，用于實現(xiàn)評價指標(biāo)預(yù)測與輸入重要度分析，為道路施工過程質(zhì)量管理提供數(shù)據(jù)基礎(chǔ)和技術(shù)支持。

1" 基于物聯(lián)網(wǎng)技術(shù)的道路施工數(shù)據(jù)采集

基于物聯(lián)網(wǎng)技術(shù)的瀝青路面機(jī)械化施工質(zhì)量監(jiān)控信息系統(tǒng)可以在瀝青拌和料生產(chǎn)過程中，通過傳感器實時監(jiān)測瀝青拌和料的配合比、溫度、攪拌時間等關(guān)鍵參數(shù)，確保拌和料的質(zhì)量和穩(wěn)定性［6］。同時，該信息系統(tǒng)將實時采集的數(shù)據(jù)傳輸至中央數(shù)據(jù)庫或云平臺，為施工管理人員提供實時監(jiān)控和數(shù)據(jù)分析功能。管理人員可以通過遠(yuǎn)程訪問系統(tǒng)隨時查看施工過程中的各項數(shù)據(jù)，及時發(fā)現(xiàn)問題和異常情況，并做出相應(yīng)調(diào)整。同時，還可以利用數(shù)據(jù)分析和智能算法進(jìn)行施工質(zhì)量評估和安全風(fēng)險預(yù)警，便于全面監(jiān)控整個施工項目狀態(tài)和質(zhì)量。

物聯(lián)網(wǎng)智慧檢測技術(shù)融合了5G、物聯(lián)網(wǎng)、大數(shù)據(jù)等新興技術(shù)，通過將檢測設(shè)備、移動平板和數(shù)據(jù)系統(tǒng)互聯(lián)互通，實現(xiàn)數(shù)據(jù)的實時采集和傳輸。該技術(shù)取代了傳統(tǒng)的人工記錄方式，能夠保證數(shù)據(jù)的廣泛性和真實性，有效提高了模型數(shù)據(jù)樣本的質(zhì)量。

基于物聯(lián)網(wǎng)技術(shù)的智慧試驗檢測管理平臺下的瀝青路面施工質(zhì)量管控系統(tǒng)由瀝青試驗室數(shù)據(jù)智能管理子系統(tǒng)、拌和站生產(chǎn)數(shù)據(jù)管控子系統(tǒng)、運(yùn)料車監(jiān)控子系統(tǒng)、瀝青攤鋪智能測厚子系統(tǒng)、智能壓實監(jiān)控子系統(tǒng)、平整度自動化檢測子系統(tǒng)、自動化滲水系數(shù)檢測子系統(tǒng)共7個子系統(tǒng)構(gòu)成，能夠收集瀝青路面施工過程中的關(guān)鍵數(shù)據(jù)，包括施工時間、天氣、施工材料、溫度等。各子系統(tǒng)數(shù)據(jù)采集內(nèi)容見表1。

基于表1數(shù)據(jù)，從壓實度、平整度、厚度、路面滲水率4個方面建立瀝青路面施工質(zhì)量控制指標(biāo)體系，如圖1所示［7］。

2" 深度神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本文采用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）進(jìn)行評價指標(biāo)回歸分析。DNN是一種深度學(xué)習(xí)模型，由多個神經(jīng)網(wǎng)絡(luò)層組成（圖2），用于學(xué)習(xí)數(shù)據(jù)的特征表示和執(zhí)行各種任務(wù)，如分類、回歸、目標(biāo)檢測、語音識別等［8］。每個神經(jīng)元接收來自前一層神經(jīng)元的輸入，對其進(jìn)行加權(quán)求和，通過激活函數(shù)產(chǎn)生輸出。這些神經(jīng)元通常分布在不同的層級中，包括輸入層、隱藏層和輸出層。深度神經(jīng)網(wǎng)絡(luò)通常采用前饋傳播的方式進(jìn)行計算，即輸入信號從輸入層傳遞到隱藏層，再逐層傳遞到輸出層。

深度神經(jīng)網(wǎng)絡(luò)通常采用反向傳播算法進(jìn)行訓(xùn)練。在訓(xùn)練過程中，網(wǎng)絡(luò)輸出與實際標(biāo)簽之間的誤差通過損失函數(shù)進(jìn)行衡量。反向傳播算法將誤差信號逆向傳播回網(wǎng)絡(luò)，以調(diào)整權(quán)重和偏置，減小誤差。上述過程迭代進(jìn)行，直到網(wǎng)絡(luò)收斂于最佳模型。深度神經(jīng)網(wǎng)絡(luò)通常包含多個隱藏層，使網(wǎng)絡(luò)能夠?qū)W習(xí)到多層次的特征表示［9-10］。

3" 基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理技術(shù)路線

本文提出的基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理技術(shù)路線主要包括全流程多子系統(tǒng)數(shù)據(jù)采集、測量參數(shù)-評價指標(biāo)回歸分析和施工質(zhì)量一鍵溯源三個部分，如圖3所示。

（1）全流程多子系統(tǒng)數(shù)據(jù)采集。在高速公路工程施工過程中，利用多種子系統(tǒng)傳感器和監(jiān)控設(shè)備對施工過程的各個環(huán)節(jié)進(jìn)行全面的大數(shù)據(jù)采集。例如，通過溫度傳感器、密實度傳感器、厚度傳感器等對瀝青路面施工過程中的溫度、密實度和厚度等參數(shù)進(jìn)行實時監(jiān)測和數(shù)據(jù)記錄。同時，將采集到的數(shù)據(jù)進(jìn)行整合和處理，以確保數(shù)據(jù)的完整性和準(zhǔn)確性。

（2）測量參數(shù)-評價指標(biāo)的回歸分析。分析已采集的各類測量參數(shù)與工程質(zhì)量評價指標(biāo)（如壓實度、平整度等）之間的關(guān)系。通過建立回歸模型，預(yù)測測量參數(shù)與評價指標(biāo)之間的關(guān)聯(lián)規(guī)律，幫助工程質(zhì)量管理人員了解各測量參數(shù)對工程質(zhì)量的影響程度，以優(yōu)化施工參數(shù)、提高工程質(zhì)量。

（3）施工質(zhì)量一鍵溯源。利用大數(shù)據(jù)分析技術(shù)對施工過程中的質(zhì)量問題進(jìn)行一鍵溯源。通過數(shù)據(jù)追蹤和記錄，快速定位施工過程中的異常和問題，并及時采取措施進(jìn)行處理，確保工程質(zhì)量的穩(wěn)定和持續(xù)改進(jìn)。

綜上所述，通過全流程多子系統(tǒng)數(shù)據(jù)采集、測量參數(shù)-評價指標(biāo)回歸分析及施工質(zhì)量一鍵溯源的組合應(yīng)用，實現(xiàn)對施工過程的全面監(jiān)測、數(shù)據(jù)分析和質(zhì)量管控，有助于提高施工質(zhì)量、減少安全風(fēng)險，提高道路施工質(zhì)量。

4" 實例分析

本文以彰武高速公路南靖段工程為例進(jìn)行分析，將攤鋪測厚數(shù)據(jù)、智能壓實監(jiān)控數(shù)據(jù)、臺賬數(shù)據(jù)作為測量參數(shù)，將壓實度、平整度、厚度、路面滲水率作為評價指標(biāo)，驗證基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理方法的科學(xué)性和實用性。

4.1" 數(shù)據(jù)采集

基于不同子系統(tǒng)的物聯(lián)網(wǎng)技術(shù)，統(tǒng)計78個樁號（K18+170～K19+430）對應(yīng)數(shù)據(jù)，并進(jìn)行可視化分析。各子系統(tǒng)采集數(shù)據(jù)變化圖如圖4所示?？梢钥闯?，不同參數(shù)的量綱不同，且難以直觀地得到不同指標(biāo)的對應(yīng)關(guān)系。因此，對數(shù)據(jù)進(jìn)行批量預(yù)處理后，將量綱統(tǒng)一的樣本用于模型構(gòu)建，實現(xiàn)從多參數(shù)到多指標(biāo)的回歸分析。

由于在評價路段質(zhì)量時通常以部分點位的指標(biāo)代表整體狀況，而與子系統(tǒng)采集數(shù)據(jù)對應(yīng)的5個評價指標(biāo)數(shù)據(jù)大部分缺失，只能得到有限標(biāo)簽的樣本用于模型訓(xùn)練。

針對圖5中的不同量綱數(shù)據(jù)，采用最大-最小歸一化方法將不同尺度的數(shù)據(jù)映射到統(tǒng)一的尺度范圍內(nèi)，以便進(jìn)行比較和分析。最大-最小歸一化結(jié)果如圖6所示，不同測量參數(shù)的取值范圍均為［0，1］。

4.2" 指標(biāo)預(yù)測模型構(gòu)建與訓(xùn)練

根據(jù)指標(biāo)體系各要素間的相互關(guān)系，構(gòu)建包含兩個隱藏層的神經(jīng)網(wǎng)絡(luò)模型。其中，輸入節(jié)點為

24，隱層節(jié)點分別為64和32，輸出節(jié)點為1。在該模型中，輸入對應(yīng)24個監(jiān)測數(shù)據(jù)，輸出為評價指標(biāo)，由此得到不同指標(biāo)的預(yù)測誤差變化趨勢（圖6）和樣本指標(biāo)預(yù)測結(jié)果（圖7）。

可以看出，經(jīng)過多個Epoch訓(xùn)練，均方誤差快速下降到較小值，對比已有標(biāo)簽樣本可知，預(yù)測結(jié)果與真實值較為接近；針對沒有標(biāo)簽的樣本，模型能夠預(yù)測其指標(biāo)值，指標(biāo)值基本在正常范圍內(nèi)，符合質(zhì)量評價結(jié)果。

4.3" 預(yù)測模型一鍵溯源與質(zhì)量管理

根據(jù)模型權(quán)重求解其輸入重要度，實現(xiàn)對輸出結(jié)果的一鍵溯源，找到對輸出結(jié)果影響最大的監(jiān)測參數(shù)，從而為質(zhì)量管控提供依據(jù)。以馬歇爾試件標(biāo)準(zhǔn)密度的壓實度預(yù)測為例，可以得到其輸入層到隱藏層1的權(quán)重w0，隱藏層1到隱藏層2的權(quán)重w1，隱藏層2到輸出層的權(quán)重w2，以及w1、w2和w3經(jīng)過點乘并標(biāo)準(zhǔn)化后的重要度。標(biāo)準(zhǔn)壓實度預(yù)測一鍵溯源結(jié)果如圖8所示?？梢钥闯?，在利用不同評價指標(biāo)對原始輸入進(jìn)行回歸分析時能夠得到不同的權(quán)重結(jié)果和原始輸入的重要度結(jié)果。

同理，得到平整度、厚度和路面滲水率預(yù)測模型的溯源結(jié)果，如圖9所示。這種溯源分析為預(yù)測結(jié)果提供了合理解釋，有助于明確在預(yù)測過程中哪些輸入?yún)?shù)具有主要作用，以及在道路施工過程中，哪些因素對于平整度、厚度和路面滲水率等質(zhì)量指標(biāo)的影響更為顯著，便于施工管理團(tuán)隊更有針對性地進(jìn)行優(yōu)化和調(diào)整，進(jìn)一步提高施工質(zhì)量和效率。

4.4" 預(yù)測模型魯棒性分析

在實際施工數(shù)據(jù)采集過程中，人為因素和監(jiān)測設(shè)備異常會導(dǎo)致數(shù)據(jù)不準(zhǔn)確，從而影響模型預(yù)測結(jié)果的準(zhǔn)確性。為了驗證模型在輕微干擾下的魯棒性，在采集到的監(jiān)測參數(shù)樣本中添加隨機(jī)噪聲用于訓(xùn)練和測試。

設(shè)定添加符合正態(tài)分布的隨機(jī)噪聲N（0，1）×k，其中，k表示噪聲因子，用于調(diào)節(jié)添加噪聲的強(qiáng)度。為了準(zhǔn)確反映模型隨噪聲強(qiáng)度增加的預(yù)測結(jié)果變化，在對監(jiān)測數(shù)據(jù)進(jìn)行最大-最小歸一化后，k分別取值0.02、0.04、0.06、0.08和0.1。以添加噪聲后的攤鋪速度為例，含噪攤鋪速度對比如圖10所示。同理，可以在其他23個監(jiān)測參數(shù)中添加噪聲數(shù)據(jù)。

不同噪聲強(qiáng)度下的指標(biāo)預(yù)測結(jié)果與原始指標(biāo)值誤差對比見表2?？梢钥闯觯S著噪聲強(qiáng)度的增加，樣本整體預(yù)測MSE誤差逐漸增加，但均在合理范圍內(nèi)，說明訓(xùn)練好的模型具有較強(qiáng)的抗干擾能力，能夠在噪聲干擾下得到較為準(zhǔn)確的預(yù)測結(jié)果。

5" 結(jié)語

為實現(xiàn)智能、高效的道路施工過程質(zhì)量管理，本文提出了基于物聯(lián)網(wǎng)技術(shù)的道路施工過程質(zhì)量管理方法。利用基于物聯(lián)網(wǎng)技術(shù)的智慧試驗檢測管理平臺下的瀝青路面施工質(zhì)量管控系統(tǒng)，采集施工路段的攤鋪測厚數(shù)據(jù)、智能壓實監(jiān)控數(shù)據(jù)和臺賬數(shù)據(jù)等重要信息作為模型輸入，以壓實度、平整度、厚度和路面滲水率4個評價指標(biāo)作為模型輸出。通過深度神經(jīng)網(wǎng)絡(luò)模型挖掘多測量參數(shù)與評價指標(biāo)的映射關(guān)系，通過模型參數(shù)求解輸入指標(biāo)重要度，實現(xiàn)對預(yù)測結(jié)果的一鍵溯源。實例驗證結(jié)果表明，該方法能夠針對不同評價指標(biāo)得到較為準(zhǔn)確的預(yù)測結(jié)果和輸入端多個測量參數(shù)的重要度，從而有助于明確施工過程中的關(guān)鍵影響因素，提高施工質(zhì)量管理水平和效率。

參考文獻(xiàn)

［1］陳唯冰，董鵬，盧葦.基于數(shù)字化的工程項目質(zhì)量管理方法探析［J］.項目管理技術(shù)，2022，20（7）：112-115.

［2］曹利波.高速公路SMA路面施工質(zhì)量控制［J］.工程建設(shè)與設(shè)計，2023（13）：120-122.

［3］曹才勇，楊春會，周棟，等.基于BIM的CSC平臺在高速公路施工管理中的應(yīng)用研究［J］.湖南交通科技，2023，49（2）：162-167，188.

［4］覃琳.物聯(lián)網(wǎng)大數(shù)據(jù)在道路施工質(zhì)量監(jiān)控中的應(yīng)用［J］.電子元器件與信息技術(shù)，2019，3（5）：30-34，63.

［5］劉揚(yáng).基于物聯(lián)網(wǎng)技術(shù)的壓實作業(yè)智能監(jiān)控系統(tǒng)構(gòu)建分析［J］.工程機(jī)械與維修，2023（3）：32-34.

［6］朱玉.基于物聯(lián)網(wǎng)技術(shù)的瀝青路面壓實度與施工工藝研究［J］.交通節(jié)能與環(huán)保，2022，18（5）：155-159.

［7］索寧，郭興磊.基于主成分分析法和回歸分析的建設(shè)項目造價影響因素分析［J］.項目管理技術(shù)，2022，20（1）：14-17.

［8］朱強(qiáng)，徐強(qiáng)，付立.基于BP神經(jīng)網(wǎng)絡(luò)算法的路面結(jié)冰時間預(yù)測［J］.交通運(yùn)輸研究，2022，8（4）：126-136.

［9］趙曜，張萬磊，陳兆南，等.基于BP人工神經(jīng)網(wǎng)絡(luò)的瀝青路面壓實度預(yù)測模型研究［J］.交通世界，2020（14）：29-32.

［10］吳青龍，陳小衛(wèi)，韓志超.工程建設(shè)項目成本估算方法研究綜述［J］.項目管理技術(shù)，2022，20（7）：47-51.

PMT

收稿日期：2023-10-17

作者簡介：

張淑寶（通信作者）（1972—），男，高級工程師，研究方向：高速公路建設(shè)和運(yùn)營管理。

朱武榮（1971—），男，高級工程師，研究方向：公路工程管理。

陳健靈（1975—），男，高級工程師，研究方向：高速公路運(yùn)營管理。

汪衛(wèi)東（1970—），男，高級工程師，研究方向：路橋施工與管理。

楊德釗（1981—），男，高級工程師，研究方向：高速公路建設(shè)和運(yùn)營管理。