基于路表彎沉盆的BP人工神經網絡反演瀝青面層彈性模量研究

摘 要：基于層狀彈性體系理論，建立BP人工神經網絡反演瀝青路面瀝青面層彈性模量預測模型，利用BP人工神經網絡預測瀝青路面瀝青面層彈性模量。理論彎沉盆和實測彎沉盆反演瀝青面層彈性模量的結果表明，建立的BP人工神經網絡反演瀝青路面瀝青面層彈性模量模型具有良好的預測精度和可靠性，為評價瀝青路面的瀝青面層性能狀況提供了參考。

關鍵詞：BP人工神經網絡 路表彎沉盆 彈性模量反演 瀝青面層 瀝青路面

中圖分類號：U41 文獻標識碼：A 文章編號：1674-098X（2015）10（b）-0091-04

Research on elastic modulus backcalculation of asphalt course using BP artificial neural network based on surface deflection basin of pavement

Yang Guoliang Zhong Wen Huang Xiaoyun Liang Simin He Huihui Chen Jiaju

（School of Civil Engineering of Guangzhou University，Guangzhou Guangdong，510006，China）

Abstract：Based on layered elastic theory，the elastic modulus of asphalt course in asphalt pavement was predicted using BP artificial neural network.According to the types of pavement structure in common use，the database of surface deflections with their corresponding structural parameters of asphalt course based on layered elastic theory was established.The elastic modulus backcalculation model of asphalt course in asphalt pavement was developed using BP artificial neural network to predict.The predictive results of asphalt course elastic modulus backcalculation using theoretical deflection basin and measured deflection basin indicate that the elastic modulus backcalculation model of asphalt course in asphalt pavement is of good predictive accuracy and reliability.It would provide the references with the elastic modulus backcalculation model of asphalt course to accurately and quickly estimate the conditions of asphalt course in asphalt pavement.

Key Words：BP artificial neural network；Ssurface deflection basin of pavement；Elastic modulus backcalculation；Asphalt course；Asphalt pavement

表征瀝青面層性能的其中一個最為重要的指標就是其彈性模量。眾多的國內外研究[1-2]表明，利用落錘式彎沉儀采集的路表彎沉盆反算瀝青面層彈性模量是可行的。因此，文章基于層狀線彈性體系理論，并結合BP人工神經網絡具有并行處理、很強的高度非線性映射能力等特點[3-4]，進行了采用BP人工神經網絡由路表彎沉盆反演瀝青面層彈性模量的探討。

1 瀝青路面結構力學分析模型

假設路面沿深度方向分成為n個水平層，層間滿足連續條件，路面表面作用有圓形均布軸對稱垂直荷載p，第i層厚度、彈性模量和泊松比分別定義為hi，Ei，μi（i=1，2，…，n-1），最下層為土基彈性半空間體，其彈性模量和泊松比分別定義為E0和μ0。每一水平層均符合理想彈性、完全均質、各向同性、微小形變等彈性理論假設，其力學分析圖見圖1。

2 BP人工神經網絡反演瀝青面層彈性模量模型

BP網絡是一多層前饋網絡，如圖2所示。

每個結構層的厚度和彈性模量取值范圍見表1。

根據表1參數，確定預測模型的拓撲結構，見表2。

對BP人工神經網絡進行網絡訓練，其訓練過程曲線如圖3所示。

經過BP人工神經網絡反演訓練后，瀝青面層彈性模量預測值與目標值的逼近程度如圖4所示。

3 瀝青面層彈性模量反演模型精確度分析

3.1 由理論彎沉盆反演瀝青面層彈性模量值

構造理論路面結構，見表3。各個傳感器與承載板中心的距離及彎沉盆見表4。BP人工神經網絡模型反演值及其與理論值之間的誤差見表5。

從表5看到，反演值與理論值很接近，兩者之間的相對誤差只有1.10%。

3.2 由實測彎沉盆反演瀝青面層彈性模量

選取三層體系的一個實測彎沉盆數據進行分析，如表6所示。彎沉盆由7個彎沉值表征，其位置及其相應的彎沉值如表6所示。

選擇EVERCALC、WESDEF以及MODULUS等反算程序進行對比。

對表6的非標準荷載作用下的彎沉盆進行標準化換算，其換算方法見式（1）。

（1）

式中：P=落錘式彎沉儀作用的非標準荷載，kN；DP=非標準荷載作用下的路表彎沉值，um；a=FWD承載板半徑，cm，一般為15cm。

對表6的彎沉值回歸后再進行內插和外延獲得文中BP人工神經網絡預測模型傳感器位置處的彎沉值，見表7。

各種反算程序的瀝青面層彈性模量反算值見表8。

從表8的各種算法結果來看，文中BP人工神經網絡模型與國外反算程序反算結果較為接近。因此，利用BP人工神經網絡模型進行模量反演，不僅可以獲得理想的精度，而且反算過程更簡便。

4 結語

（1）根據國內常用路面結構形式，經過試算與分析，最終建立了瀝青路面瀝青面層彈性模量反演的BP人工神經網絡預測模型。

（2）分別采用了理論彎沉盆和實測彎沉盆進行檢驗。檢驗結果表明，文中建立的瀝青路面瀝青面層彈性模量BP人工神經網絡預測模型不僅能迅速得到預測結果，而且反算過程更簡便，并與國外反算程序的反算結果差異不大，為評價瀝青面層路用狀況提供了一種有效的途經。

參考文獻

[1]楊國良，吳曠懷.利用BP神經網絡反算瀝青路面結構層彈性模量的研究[J].中山大學學報：自然科學版，2008， 47（5）：44-48.

[2]張小寧，孫立軍.瀝青路面面層和基層結構模量的反算[J].同濟大學學報：自然科學版，2004，32（10）：1386-1389.

[3]周志華，曹存根.神經網絡及其應用[M].北京：清華大學出版社，2004.

[4]魏海坤.神經網絡結構設計的理論與方法[M].北京：國防工業出版社，2005.