基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法研究

劉國光， 武志瑋， 劉智勇， 程國勇

(1 中國民航大學 機場學院，天津　300300； 2 深圳機場，深圳　518128)

?

基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法研究

劉國光1， 武志瑋1， 劉智勇2， 程國勇1

(1 中國民航大學 機場學院，天津300300； 2 深圳機場，深圳518128)

場道脫空是影響機場運行安全的重要因素之一，為研究場道脫空的無損測試，提出了基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法。通過室內(nèi)模型試驗，對縮尺模擬場道施加沖擊荷載并利用小波變換法對采集到的道面豎向加速度時程信號進行功率譜分析、能量譜分析及時間-尺度分析，提取了1 500組表征場道不同脫空狀況的特征向量用于進行BP神經(jīng)網(wǎng)絡訓練和提升預測功能，并在某機場進行了實地測試和現(xiàn)場取芯以驗證分析方法的可靠性;結(jié)果表明，道面振動信號經(jīng)小波變換處理后反映了脫空對能量信號傳遞的耗散作用，在脫空和半脫空區(qū)域出現(xiàn)了較明顯的結(jié)果差異且具有一定規(guī)律性。通過室內(nèi)試驗訓練的BP神經(jīng)網(wǎng)絡較好地預測了現(xiàn)場試驗結(jié)果，并能識別輕微脫空引起的信號差異，驗證了該方法在評價場道脫空方面的可行性和可靠性。

道路工程；場道脫空；小波變換；BP神經(jīng)網(wǎng)絡

隨著航空運輸量的日益增長，脫空成為場道常見的病害。由于場道脫空在早期不能及時被發(fā)現(xiàn)，在飛機動荷載的反復作用及環(huán)境因素的影響下容易擴大場道脫空的程度，最終導致混凝土板的斷裂，影響機場跑道正常安全的使用。因此，應該經(jīng)常性檢測在役場道以及時發(fā)現(xiàn)場道的脫空及范圍，為采取有效措施修復場道的脫空提供依據(jù)。

小波變換是一種分析振動信號的有效方法，最先由法國工程師MORLET在1904年提出，是一種時間-尺度(頻率)分析方法，可對信號進行多尺度細化分析。HUANG等[1]利用該方法分析地基板在移動荷載作用下動態(tài)響應，討論了地基剛度和移動荷載速度和頻率間的關(guān)系。李洪泉等[2]利用多分辨率特點將結(jié)構(gòu)振動信號置于不同頻段進行時頻分析，用于結(jié)構(gòu)損傷進行在線檢測及確定損傷位置。陳仕龍等[3]利用高頻段小波能量與低頻段小波能量的差異，對故障電壓信號進行多尺度小波變換以反映過渡電阻變化。章浙濤等[4]提出了一種基于頻率順序并依據(jù)信息類型分段的多閾值準則小波包去噪法來高效剔除各頻段噪聲。葉瑋琳等[5]利用多閾值小波去噪算法提高具有類似機理的紅外氣體檢測系統(tǒng)性能。孫磊等[6]利用重構(gòu)信號的ARIMA(Autoregressive Integrated Moving Average Model)模型分析了四跨連續(xù)橋?qū)崪y撓度數(shù)據(jù)，并建立了撓度預測模型。李保琦[7]通過基于小波變換與隨機分析的徑流模型得到了更好的復雜水文條件下徑流預測值。盧正等[8]用傅里葉變換推導了附加車輛荷載與路面動力響應的解析解，研究了場道動力響應變化規(guī)律。從已有研究成果來看，小波變換方法已經(jīng)得到了較廣泛的工程應用，但主要集中在信號處理、模型建立和理論分析等定性分析領(lǐng)域，受分析技術(shù)手段限制，對經(jīng)小波變換處理后信號進行定量判斷的研究報道相對較少。

BP(Back Propagation)神經(jīng)網(wǎng)絡是1986年由RUMELHART和MCCELLAND提出的預測工具，已成功應用到水資源問題研究領(lǐng)域[9]，如水庫運行[10]和降雨徑流模型[11]等。崔東文[12]通過構(gòu)建多隱層BP神經(jīng)網(wǎng)絡徑流預測模型研究了多隱層BP網(wǎng)絡模型，預測精度高，算法穩(wěn)定。楊發(fā)群等[13]通過遺傳算法(GA)對BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值進行優(yōu)化提高了預測的精度。于偉等[14]結(jié)合局部均值分解LMD算法和BP神經(jīng)網(wǎng)絡算法，以實際監(jiān)測位移值作為訓練樣本，提出了BP神經(jīng)網(wǎng)絡位移時序預測模型預測邊坡體位移。彭永恒等[15]利用集成神經(jīng)網(wǎng)絡對剛性路面聲響應信號進行分類識別，提取聲響應信號的頻域特征識別道面脫空狀況。劉海平等[16]提出了基于自由響應信號與BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)損傷程度識別方法。通過已有研究成果可知，BP神經(jīng)網(wǎng)絡具有工程適應性、可量化性及可預測性等特點，從而為聯(lián)合應用小波變換和BP神經(jīng)網(wǎng)絡分析更復雜的工程技術(shù)問題提供了技術(shù)思路。

針對場道脫空識別技術(shù)問題展開研究，以落錘激勵砂土墊層道面板室內(nèi)試驗模型為基礎(chǔ)，利用小波變換方法分解道面豎向加速度時程信號并進行功率譜分析、能量譜分析和時間-尺度分析，研究場道脫空狀況對振動能量傳遞及耗散的局部時頻特征，并從中提取大量表征脫空狀況的特征值向量及對比向量，用于BP神經(jīng)網(wǎng)絡模型的訓練與預測分析。并在某機場場道評估中進行工程應用，結(jié)合重錘式彎沉儀施加多級激勵荷載，提取豎向加速度時程信號，通過小波變換和BP神經(jīng)網(wǎng)絡進行道面脫空預測，并在預測位置進行現(xiàn)場取芯加以驗證，取得了較好的應用效果，驗證了方法的可行性。

1　基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法

1.1基于小波變換的道面振動信號特征值提取

將任意在L2(R)范數(shù)空間中的信號f(t)在選定小波基下展開即為信號f(t)的連續(xù)小波變換，見式(1)。

Wf(a,b)==

(1)

式中：Wf(a,b)為連續(xù)小波變換系數(shù)，a為伸縮因子，b為平移因子。當a增大，則時窗伸展，頻寬收縮，帶寬變窄，中心頻率降低，而頻率分辨率增大。小波變換具有多分辨率特性，可以由粗到精地逐步觀察信號。通過適當選擇尺度和平移參數(shù)可以得到一個時頻伸縮窗，只要選擇合適的小波基函數(shù)，就可以使小波變換在時頻域內(nèi)表現(xiàn)信號的局部特征。

在小波變換中，每步分解只是對低頻子空間，而高頻子空間不分解，因而高頻跨度較寬。在實際應用中，對信號的某些特定時間段或頻率段的特征較感興趣，因此希望在感興趣的頻率點上的頻率分辨率較高，在感興趣的時間點上的時間分辨率較高。小波包分析可更加精細的分析道面振動信號，它按多層次進行劃分頻帶，同時對第一次分解得到低頻成分與高頻成分進一步再分解，每層小波包將信號原頻帶一分為二，3層小波包可將原頻帶分割為8個子頻帶，從而實現(xiàn)頻帶細分，提高頻域分辨率。道面振動信號經(jīng)過小波分解并選出最佳基后，將最佳基上的分解結(jié)果在時頻面上表示，并且可以根據(jù)被分析振動信號的特征，自適應地選擇相應的頻帶，使之與振動信號頻譜相匹配，從而提高對振動信號的時頻分辨率。利用小波變換可獲得道面振動信號的分解特征值，作為場道脫空狀況BP神經(jīng)網(wǎng)絡預測的評價依據(jù)。

1.2場道脫空的BP神經(jīng)網(wǎng)絡預測

BP神經(jīng)網(wǎng)絡通常含有一個或多個隱含層，一個典型的三層BP神經(jīng)網(wǎng)絡模型包含輸入層、隱含層以及輸出層共三層。BP神經(jīng)網(wǎng)絡可以實現(xiàn)從輸入到輸出的任意非線性映射。橫向各層之間采用全互聯(lián)的方式，縱向上不存在相互連接，隱含層可以是一層也可以是多層。下文通過小波變換處理后的加速度特征值作為BP神經(jīng)網(wǎng)絡的輸入向量，對BP神經(jīng)網(wǎng)絡進行訓練，利用BP神經(jīng)網(wǎng)絡的非線性映射能力，得到輸入向量與輸出向量間的變化規(guī)律。

利用室內(nèi)試驗，事先設定好道面脫空狀況，通過施加沖擊荷載獲得不同脫空位置和無脫空位置的振動信號時程曲線。輸入所獲取的學習樣本，通過設置好的網(wǎng)絡結(jié)構(gòu)和上一次迭代的權(quán)值和閾值，從神經(jīng)網(wǎng)絡的第一層向后計算各神經(jīng)元的輸出。然后，對獲得的權(quán)值和閾值進行修正，從最后一層向前計算各層的權(quán)值和閾值對總誤差的影響，據(jù)此對各層神經(jīng)元的權(quán)值和閾值進行調(diào)整。通過逐層訓練后獲得學習樣本的變化規(guī)律，然后通過機場場道現(xiàn)場測試對比加以驗證。

2　室內(nèi)模型試驗

本試驗在中國民航大學機場學院土木工程試驗室進行(見圖1)。為真實模擬機場道面振動響應信號，澆筑了規(guī)格為2 000 mm×800 mm×300 mm的混凝土板，由三塊按機場道面尺寸制作的縮尺模型組成，板上有兩條距板短邊方向650 mm寬14 mm的嵌縫，板下設厚度為90 mm的砂土墊層并沿板四邊向外拓寬約200 mm，墊層四周環(huán)繞黏土磚穩(wěn)定墊層邊緣以防砂土受振動后向四周塌散。振動信號采集設備采用江蘇東華DV610豎向加速度傳感器，采樣頻率500 Hz，傳感器布置及測量方案見圖2。

圖1　室內(nèi)模型試驗圖Fig.1　Indoor scaled model test

圖2　室內(nèi)模型試驗測試方案Fig.2　Test scheme of indoor model experiment

如圖2所示，在落錘擊點周邊設置10個東華DV610加速度傳感器，分別編號為3-1,3-2,…,3-9,3-10。將傳感器通過引線與信號采集器連接，并通過無線路由器與裝有東華動態(tài)應變測試儀動態(tài)信號采集系統(tǒng)的筆記本連接。先進行無脫空工況的數(shù)據(jù)采集，然后分別在圖2所示的虛線范圍設置4個圓洞以模擬道面板的4個常見典型脫空區(qū)(見圖3)，設定6組脫空對比試驗工況(見表1)。通過在5種設定的高度(20 cm，40 cm，60 cm，80 cm和100 cm)自由下落施加沖擊荷載模擬重錘式彎沉儀HWD(Heavy Weight Deflectometer)加載，實現(xiàn)五個級別沖擊荷載對砂土墊層混凝土板在不同脫空工況下施加激勵。

表1　室內(nèi)脫空對比試驗工況

圖3　場道脫空模擬試驗Fig.3　Pavement void simulation

3　試驗結(jié)果分析

以3～10號傳感器為例，對比分析無脫空工況與(板角)4區(qū)脫空下的道面豎向加速度時程信號，即對比分析spn103與spvd103。兩對比脫空工況下振動信號存在差異，但無法直接獲得振動信號隱含時頻特征或直接判斷道面脫空狀況變化規(guī)律。選用小波函數(shù)為樣條小波bior6.8，對其進行小波包變換，獲得其經(jīng)3層變換分解后小波包節(jié)點7～節(jié)點14的功率譜密度變化曲線(見圖4和圖5)。

圖4　spn103工況下小波變換功率譜圖Fig.4　Wavelet transform power spectrum of spn103

圖5　spvd103工況下小波變換功率譜圖Fig.5　Wavelet transform power spectrum of spvd103

3.1功率譜密度分析

圖中的s30，s31，s32，…，s36，s37分別代表小波包節(jié)點7～節(jié)點14的功率譜密度變化曲線。從該圖中可知終端各節(jié)點包含的道面振動頻率成分和相應的幅值，以及節(jié)點重構(gòu)信號的功率譜密度隨頻率變化。對比分析無脫空與脫空工況下道面振動信號經(jīng)小波包分解終端各頻帶成分發(fā)現(xiàn)，無脫空信號各節(jié)點的頻率成分的幅值除了節(jié)點13和節(jié)點14外均較脫空信號大，無脫空信號僅節(jié)點7和節(jié)點12頻帶寬度較脫空信號對應節(jié)點寬，其對應的頻率成分幅值變化較緩。因而，可將道面振動信號的小波包分解后再對各小波包節(jié)點系數(shù)進行功率譜分析，不僅可以用于區(qū)分道面無脫空與脫空的差異，還可以通過兩者差異頻帶進一步分析道面板無脫空與脫空工況下加速度信號振動特征，以此作為BP神經(jīng)網(wǎng)絡預測的訓練特征。

3.2能量譜分析

以板角3～10測點振動信號小波分析為例，其采樣頻率是500 Hz，小波包分解選用小波函數(shù)為樣條小波bior6.8，分解為1層～4層。故小波包分解將道面振動信號分別分解為2個，4個，8個，16個頻帶，根據(jù)采樣定理，道面振動信號分析頻率為250 Hz，每個頻帶寬度分別為125 Hz，62.5 Hz，31.25 Hz，15.625 Hz，圖6和圖7為三級落錘作用下道面振動信號在無脫空與板角脫空工況下的小波包能量分布。

圖6　spn103工況下小波變換能量譜圖Fig.6　Energy spectrum of wavelet transform of spn103

圖7　spvd103工況下小波變換能量譜圖Fig.7　Energy spectrum of wavelet transform of spvd103

由圖6和圖7可知，道面板在不同狀態(tài)下的振動信號各層小波包能量譜分布存在顯著差異。在三級荷載作用下，對比道面無脫空與脫空的能量譜圖，當小波包分解一層時，前者能量譜值按頻帶號遞增，后者按頻帶號遞減，且前者低頻帶能量譜比例低于50%而后者高于50%。當小波包分解兩層時，前者能量譜按頻帶號遞增而后者則先減后增。當小波包分解三層時，兩者能量譜變化趨勢較一致。由圖4、圖5可知，道面振動信號頻移范圍(0～250 Hz)，每段31.25 Hz，從小至大排序：s30，s31，s33，s32，s36，s37，s35，s34的頻譜，分別對應于圖6、圖7的頻帶編號1，2，4，3，7，8，6，5的能量譜。頻移排序后的第三層能量譜見表2，對比分析發(fā)現(xiàn)：spn103的能量譜比例在低頻段(0～93.75 Hz)較spvd103低，在較高頻段(93.75～218.75 Hz)較spvd103高。表明脫空引起振動信號在低頻段能量集中造成各頻帶能量比例上升，在高頻段能量分散造成各頻帶能量比例下降。從而能量譜分析可以作為識別脫空引起信號差異和提取信號特征，故能量譜可作為BP神經(jīng)網(wǎng)絡分析的訓練特征。

3.3時間-尺度分析

小波分解就是計算一系列振動信號和小波函數(shù)之間相似系數(shù)，相似程度越高則小波系數(shù)絕對值越大。因而，可通過小波系數(shù)反映信號特征。利用連續(xù)小波變換對道面豎向加速度時程信號進行時間-尺度分析，選定尺度因子a=50和3 000的連續(xù)小波系數(shù)分析結(jié)果進行比較，其中spn103與spvd103連續(xù)小波變換系數(shù)的三維網(wǎng)格圖見圖8。

表2　排序后第三層能量譜

由圖8可知，小波系數(shù)在三維網(wǎng)格圖上的時間-尺度平面分布著類似地形圖山脊的形狀，稱為小波脊線。通過脊線上小波系數(shù)值的起伏變化、脊線的位置可知信號的幅值大小與時間、頻率的變化。在較低尺度(如a=50)下可分析信號較高頻率成分，從中直觀看出無脫空與板角脫空的小波系數(shù)幅值分布差異；在較高尺度(如a=3 000)下可分析信號較低頻率成分，從圖中看出小波幅值差異較大但小波系數(shù)分布近似。從而，可選定較小尺度作為BP神經(jīng)網(wǎng)絡預測的訓練特征樣本，不僅可減少計算量，還能識別輕微或中度脫空引起的信號差異。

(a) 尺度50 spn 103　　　　　　　　　　　　(b) 尺度50 spvd 103

(c) 尺度3 000 spn 103　　　　　　　　　　　　(d) 尺度3 000 spvd 103圖8　不同尺度范圍下小波變換mesh圖Fig.8　Mesh pictures of wavelet transform with different scales

3.4BP神經(jīng)網(wǎng)絡分析

根據(jù)前述試驗及小波分析數(shù)據(jù)結(jié)果，選擇1 500組輸入向量作為訓練樣本，樣本分為兩類：脫空訓練向量與非脫空訓練向量，其中脫空訓練向量的訓練輸出目標設定為0.9，非脫空訓練向量的訓練輸出目標設定為0.1。SNORM輸入向量的隱含層節(jié)點數(shù)取25，部分輸入向量見表3。由于輸出向量均≥0分別為0.1和 0.9。所以傳遞函數(shù)選擇log-sigmoid函數(shù)。利用MATLAB中的BP神經(jīng)網(wǎng)絡工具箱及其函數(shù)進行編程，對輸入向量進行訓練和仿真，訓練次數(shù)設定為200次，訓練速率設定為0.01，訓練精度設定為0.000 1。

BP神經(jīng)網(wǎng)絡訓練結(jié)果見圖9和圖10。其中圖9表示訓練誤差的正態(tài)分布圖，由圖中柱狀圖所示，誤差為-0.056 76、0.023 91的數(shù)據(jù)量占大部分，且靠近期望值(即零誤差線)，離期望值較遠的數(shù)據(jù)量少，呈現(xiàn)出標準的正態(tài)分布特征，該圖表示誤差值小的數(shù)據(jù)占據(jù)總數(shù)據(jù)量的大部分，誤差值大的數(shù)據(jù)占數(shù)據(jù)量的小部分，說明訓練效果較好。圖10為仿真后的預測輸出和期望輸出間的關(guān)系，將訓練后的BP神經(jīng)網(wǎng)絡重新導入，將加速度特征值作為仿真輸入向量，經(jīng)過訓練后的BP神經(jīng)網(wǎng)絡得到仿真輸出向量，利用plot繪圖函數(shù)將仿真輸出向量和期望輸出向量繪制在同一張圖中，從圖10可知，大部分的仿真輸出向量都接近期望輸出向量，只有極少部分的仿真輸出向量偏離期望輸出向量，說明訓練效果較好。

表3　部分訓練向量數(shù)據(jù)表

圖9　訓練誤差正態(tài)分布圖Fig.9　The training error of normal distribution

圖10　預測輸出和期望輸出間的關(guān)系Fig.10　The relationships between the predicted output and the expected output

3.5機場實測驗證

通過對某沿海機場進行現(xiàn)場實測(見圖11)，利用重錘式彎沉儀Dynatest8081在機場道面施加多級沖擊荷載激發(fā)跑道道面振動，利用基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法進行跑道道面脫空狀況預測并在疑似脫空位置進行原地取芯加以對比(見圖12)。

圖11　某機場實地測試現(xiàn)場圖Fig.11　An airport field test site map

圖12　現(xiàn)場道面鉆芯圖Fig.12　Site sample of pavement bore hole

采用江蘇東華無線采集系統(tǒng)DH5908配合DV610加速度傳感器采集道面豎向加速度振動信號，通過室內(nèi)試驗結(jié)果訓練BP神經(jīng)網(wǎng)絡，其對道面脫空狀況的預測結(jié)果見圖13，誤差分析見圖14。

圖13　測試結(jié)果的期望關(guān)系圖Fig.13　Expected diagram test results

圖14　誤差分析圖Fig.14　Error analysis chart

由圖13和圖14可知，脫空期望輸出向量為0.9，非脫空期望輸出向量為0.1，仿真輸出向量集中在0.2附近，即表明道面大部分呈弱脫空狀態(tài)，僅部分測點位置出現(xiàn)了中度和重度脫空趨勢。通過與現(xiàn)場取芯(見圖12)的現(xiàn)場實測結(jié)果對比分析可知，所得BP神經(jīng)網(wǎng)絡預測結(jié)論準確可靠，即基于小波變換的場道脫空BP神經(jīng)網(wǎng)絡預測法具有較精確的預測道面脫空能力。

4　結(jié)　論

(1) 對道面振動信號進行功率譜分析可以識別道面無脫空與存在脫空的信號，并可通過兩者頻帶差異進一步區(qū)分脫空的振動信號特征。

(2) 能量譜分析時，從道面振動信號的低高頻段能量譜比例變化和能量譜按頻帶號變化趨勢兩方面可以作為區(qū)分場道脫空與否的特征，能快速定性判斷場道基礎(chǔ)健康狀況。

(3) 時間-尺度分析能直觀顯示小波系數(shù)大小、分布及小波脊走向，從而敏銳反應道面脫空程度對道面振動信號處理結(jié)果的影響，可作為判斷道面脫空狀況的有效依據(jù)之一。

(4) 利用室內(nèi)模型試驗獲得的特征向量組訓練BP神經(jīng)網(wǎng)絡得到的分析模型，很好的預測了機場道面實測結(jié)果，并與道面鉆芯查看結(jié)果相一致，為場道脫空狀況的快速無損測試提供了技術(shù)方案，值得進一步研究。

[1] HUANG M H,THAMBIRATNAM D P. Dynamic response of plates on elastic foundation to moving loads[J]. Journal of Engineering Mechanics, 2002, 128(9):1016-1022.

[2] 李洪泉, 董亮, 呂西林. 基于小波變換的結(jié)構(gòu)損傷識別與試驗分析[J]. 土木工程學報, 2003, 36(5):52-57.

LI Hongquan, DONG Liang, Lü Xilin. Identification of structural damage and test study based on wavelet transform[J]. China Civil Engineering Journal,2003,36(5):52-57.

[3] 陳仕龍, 張杰, 畢貴紅,等. 基于小波分析的特高壓直流輸電線路雙端電壓暫態(tài)保護[J]. 電網(wǎng)技術(shù),2013,37(10):2719-2725.

CHEN Shilong, ZHANG Jie, BI Guihong, et al. Wavelet analysis based two-terminal transient voltage protection for UHVDC transmission lines[J]. Power System Technology,2013, 37(10):2719-2725.

[4] 章浙濤, 朱建軍, 匡翠林,等. 小波包多閾值去噪法及其在形變分析中的應用[J]. 測繪學報,2014,43(1):13-20.

ZHANG Zhetao, ZHU Jianjun, KUANG Cuilin, et al. Multi-threshold wavelet packet de-noising method and its application in deformation analysis[J]. Acta Geodaeticaet Cartographica Sinica, 2014, 43(1):13-20.

[5] 葉瑋琳, 鄭傳濤, 王一丁. 基于TDLAS的紅外濕度檢測中的小波去噪試驗研究[J]. 光電子·激光,2013,24(1):104-111.

YE Weilin, ZHENG Chuantao, WANG Yiding. Experimental research on wavelet denoising in infrared humidity detection based on TDLAS technique[J]. Journal of Optoelectronics·Laser, 2013, 24(1): 104-111.

[6] 孫磊, 慕玉坤, 郝憲武.基于小波變換和ARIMA模型的橋梁健康監(jiān)測數(shù)據(jù)分析[J]. 中外公路,2015,35(1):126-130.

SUN Lei, MU Yukun, HAO Xianwu. Analysis of bridge health monitoring data based on wavelet transform and arima model[J]. Journal of China & Foreign Highway,2015,35(1): 126-130.

[7] 李保琦, 周澤江, 馬妍博. 基于小波神經(jīng)與隨機分析的徑流預測[J]. 西北農(nóng)林科技大學學報(自然科學版), 2014, 34(11):169-174.

LI Baoqi, ZHOU Zejiang, MA Yanbo. Runoff forecasting based on wavelet analysis, artificial neural network and hydrologic frequency analysis[J]. Journal of Northwest A&F University(Natural Science Edition), 2014, 34(11):169-174.

[8] 盧正, 姚海林, 胡智. 基于車輛-道路結(jié)構(gòu)耦合振動的不平整路面動力響應分析[J]. 巖土工程學報,2013,35(1):232-238.

LU Zheng, YAO Hailin, HU Zhi. Dynamic response analysis of rough pavement under vehicle-road system coupled vibration[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(1): 232-238.

[9] MAIER H R, DANDY G C. Neural networks for the prediction and forecasting of water resources variables: a review of modeling issues and applications[J]. Environmental Modeling and Software, 2000, 15(1):101-124.

[10] MULETA M K, NICKLOW J W. Joint application of artificial neural networks and evolutionary algorithms to watershed management[J]. Water Resources Management, 2004, 18(5): 459-482.

[11] NASH J E, SUTCLIFFE J V. River flow forecasting through conceptual models: Part I-A discussion of principles[J]. Journal of Hydrology,1970, 125: 277-291.

[12] 崔東文. 多隱層BP神經(jīng)網(wǎng)絡模型在徑流預測中的應用[J]. 水文, 2013, 33(1):68-73.

CUI Dongwen. Application of hidden multilayer BP neural network model in runoff prediction[J]. Journal of China Hydrology, 2013, 33(1): 68-73.

[13] 楊發(fā)群, 邱衛(wèi)寧, 魏成,等. 顧及不確定因素的GA-BP神經(jīng)網(wǎng)絡在路基沉降預測中的應用[J]. 測繪工程, 2013, 22(6):51-54.

YANG Faqun, QIU Weining, WEI Cheng, et al. Application of GA-BP neural network with uncertainties to the subgrade settlement prediction[J]. Engineering of Surveying and Mapping, 2013, 22(6): 51-54.

[14] 于偉, 蔡璟珞, 安鳳平. 邊坡位移LMD-BP神經(jīng)網(wǎng)絡模型研究[J]. 計算機應用與軟件, 2013, 30(9):107-109.

YU Wei,CAI Jingluo, AN Fengping. Study on slope displacement prediction model based on LMD-BP neural network[J]. Computer Applications and Software,2013,30(9): 107-109.

[15] 彭永恒, 任瑞波, 羅躍綱,等. 剛性路面脫空聲識別集成神經(jīng)網(wǎng)絡方法[J]. 中南公路工程, 2005, 30(3):15-18.

PENG Yongheng, REN Ruibo, LUO Yuegang,et al. Void acoustic identifying of rigid pavement based on integrated neural network[J]. Journal of Central South Highway Engineering, 2005, 30(3):15-18.

[16] 劉海平, 刁延松. 基于小波包分析與BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)損傷檢測研究[J]. 工程建設, 2013, 45(4):13-16.

LIU Haiping, DIAO Yansong. Study on the structural damage identification based on wavelet packet and BP neural network[J]. Engineering Construction, 2013, 45(4):13-16.

Back propagation neural network applied in the prediction of pavement void based on wavelet transform method

LIU Guoguang1, WU Zhiwei1, LIU Zhiyong2, CHENG Guoyong1

(1. Airport College of Civil Aviation University of China, Tianjin 300300, China; 2. ZGSZ, Shenzhen 518128, China)

Pavement void is one of the important parameters of influencing airport operation safety. In order to achieve the non-destructive test of the pavement void, a back propagation prediction method on the basis of wavelet transform was proposed. By virtue of indoor model tests, an impacting load was imposed on a scaled pavement model and vertical acceleration signals of the pavement were measured, which were then used to achieve the power spectrum analysis, energy spectrum analysis and time-scale analysis by wavelet transform method. A back propagation(BP) neural network was trained by 1500 sets of feature vectors indicating different pavement void conditions in order to improve the prediction function. A site experiment of airport pavement was conducted and pavement concrete samples were drilled to validate the reliability of BP neural network prediction. The results show that pavement vibration signals can reflect the dissipative effects of energy transmission in void area. There are significant differences between complete void and half void areas, which can be shown by regular patterns. The results of site experiment are in good agreement with the prediction of BP neural network trained by the indoor test results, and the signals of slight void are obviously distinguishable, by which the reliability and feasibility of the method in pavement void evaluation are proved.

pavement engineering; pavement void; wavelet transform; back propagation neural network

國家自然基金面上項目(51178456);中央高校基本科研業(yè)務費中國民航大學專項資助(312016D019)；中國民航大學青年骨干教師項目

2015-05-13修改稿收到日期：2015-09-16

劉國光 男，碩士，講師，1980年生

程國勇 男，教授，1971年生

E-mail：14660989@qq.com

TU393.3

A DOI:10.13465/j.cnki.jvs.2016.14.033