基于人工智能的公路路基設計優(yōu)化與預測模型研究

摘要 文章旨在探討基于人工智能技術的公路路基設計優(yōu)化與沉降預測模型，以提高工程的經(jīng)濟性和環(huán)境友好性。通過引入FA-BP神經(jīng)網(wǎng)絡模型，將煙花算法（FWA）與反向傳播神經(jīng)網(wǎng)絡（BP）結合，構建一種新型的優(yōu)化模型。通過大量歷史數(shù)據(jù)和實時信息的深入分析，該模型能夠揭示路基性能與各種影響因素之間的復雜關系，提前識別潛在的結構問題，從而使維護和修復工作更為及時和有效。性能測試結果顯示，該模型在訓練和預測效率上均取得了顯著的優(yōu)勢。

關鍵詞 公路路基；人工智能；FA-BP神經(jīng)網(wǎng)絡；設計優(yōu)化；沉降預測

中圖分類號 U231.3 文獻標識碼 A 文章編號 2096-8949（2024）07-0008-03

0 引言

公路路基是交通基礎設施的關鍵組成部分，其設計和維護的復雜性體現(xiàn)在對材料性能、地質(zhì)條件的精準評估上，涉及沉降和耐久性等未來路基行為的預測。這些因素的多變性和不確定性給路基工程的設計和優(yōu)化帶來了顯著的挑戰(zhàn)。人工智能技術的興起為解決這些難題提供了新的可能[1]。通過對大量歷史數(shù)據(jù)和實時信息的深入分析，這些先進的技術能夠揭示路基性能與各種影響因素之間的復雜關系。人工智能的預測能力有助于提前識別潛在的結構問題，從而使維護和修復工作更為及時和有效。該研究旨在展示人工智能技術在現(xiàn)代土木工程中的應用潛力，推動工程技術向更智能高效的方向邁進。

1 FA-BP神經(jīng)網(wǎng)絡模型

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡（Backpropagation Neural Network）是一種多層前饋神經(jīng)網(wǎng)絡，通過使用誤差反向傳播算法進行訓練[2]。該網(wǎng)絡由三個主要部分組成：輸入層（Input Layer）、隱含層（Hidden Layer），可以包含一層或多層，以及輸出層（Output Layer）[3]。

輸入層（Input Layer）：用變量X表示輸入向量，其中X=[x1， x2， ...， xn]，表示有n個輸入特征。輸入層的神經(jīng)元接收輸入特征，并將其傳遞給隱含層[4]。

隱含層（Hidden Layer）：假設有m個隱含層神經(jīng)元，用變量H表示隱含層的輸出向量，其中H=[?1， ?2， ...， ?m]。隱含層的每個神經(jīng)元都與輸入層的每個神經(jīng)元相連，具有權重wij表示第i個隱含層神經(jīng)元與第j個輸入層神經(jīng)元之間的連接權重[5]。

隱含層神經(jīng)元的輸出hi通過激活函數(shù)fh處理：

式中，bi——神經(jīng)元的偏置。

輸出層（Output Layer）：如果p個輸出，用變量Y表示輸出向量，其中，Y=[y1， y2， ...， yp]。輸出層的每個神經(jīng)元與隱含層的每個神經(jīng)元相連，具有權重vij表示第i個輸出層神經(jīng)元與第j個隱含層神經(jīng)元之間的連接權重。

輸出層的神經(jīng)元的輸出yi通過激活函數(shù)fo處理：

式中，ci——神經(jīng)元的偏置。

訓練過程（Training）：利用誤差反向傳播算法，通過最小化輸出與實際值之間的誤差來調(diào)整權重和偏置。定義損失函數(shù)L表示網(wǎng)絡輸出與實際值之間的差異，常用的損失函數(shù)包括均方誤差（Mean Squared Error，MSE）：

式中，——實際值，使用梯度下降法更新權重和偏置，以減小損失函數(shù)的值。

1.2 基于 FA-BP神經(jīng)網(wǎng)絡的算法流程

煙花算法（Fireworks Algorithm，F(xiàn)A）是一種啟發(fā)式全局優(yōu)化算法，靈感來源于煙花的爆炸和火花擴散過程，模擬了煙花中顆粒的自適應演化。類似于進化生物學中的自然選擇和遺傳機制。煙花算法將問題的解表示成個體，通過適應度的評估進行選擇、交叉和變異等操作，從而形成新的個體群體。在這一過程中，通過一系列的優(yōu)勝劣汰，最終獲得一個適應環(huán)境最佳的個體，即達到最優(yōu)解。煙花算法的獨特之處在于其模擬了煙花中的爆炸效應，將解空間中的搜索過程更好地引導至全局最優(yōu)解。

基于FA-BP神經(jīng)網(wǎng)絡模型主要有三個步驟：

步驟1：煙花算法（FA）初始化BP神經(jīng)網(wǎng)絡的權值和閾值。通過輸入BP神經(jīng)網(wǎng)絡的結構參數(shù)，包括輸入層神經(jīng)元數(shù)（input_neurons）、隱含層神經(jīng)元數(shù)（hidden_neurons）和輸出層神經(jīng)元數(shù)（output_neurons），進一步輸出初始化的權值矩陣（weights）和閾值向量（biases）。具體流程如表1所示。

步驟2：構建FA-BP神經(jīng)網(wǎng)絡模型。通過輸入：初始化得到的權值矩陣（weights）和閾值向量（biases），進一步輸出：FA-BP神經(jīng)網(wǎng)絡模型（fa_bp_model）。將步驟1中得到的權值矩陣和閾值向量輸入BP神經(jīng)網(wǎng)絡模型中，通過構建FA-BP神經(jīng)網(wǎng)絡模型，將煙花算法與BP神經(jīng)網(wǎng)絡結合，形成一個新的優(yōu)化模型。首先，進行數(shù)據(jù)預處理，標準化或歸一化輸入數(shù)據(jù)，設定網(wǎng)絡層，確定神經(jīng)網(wǎng)絡的層數(shù)和每層的節(jié)點數(shù)。隨后，初始化網(wǎng)絡參數(shù)的權重和偏置，將煙花算法（FA）整合到BP神經(jīng)網(wǎng)絡中，設置批量訓練參數(shù)的大小和迭代次數(shù)，通過小批量數(shù)據(jù)來進行網(wǎng)絡的迭代訓練。最后，設定或采用自適應方法調(diào)整學習率，以確保訓練過程的穩(wěn)定性和有效性，在完成模型的構建后，進行下一步的訓練。具體流程如表2所示。

步驟3：訓練FA-BP神經(jīng)網(wǎng)絡模型。通過輸入訓練數(shù)據(jù)（preprocessed_data）以及期望輸出（actual_output）實際沉降數(shù)據(jù)，進一步輸出經(jīng)過訓練后的FA-BP神經(jīng)網(wǎng)絡模型，即調(diào)整后的權值矩陣和閾值向量。具體流程如表3所示。

2 實例分析

2.1 實驗數(shù)據(jù)選取

在完成FA-BP神經(jīng)網(wǎng)絡的模型構建后，以某公路路基建設工程為例，用工程實際數(shù)據(jù)驗證基于人工智能的FA-BP神經(jīng)網(wǎng)絡模型在優(yōu)化路基設計和預測路基沉降量方面的有效性。在這一階段，研究組選取了大量實際數(shù)據(jù)，以確保模型訓練和測試的有效性。數(shù)據(jù)選取的初步階段聚焦于收集歷史路基工程項目的詳細記錄，這些記錄包括但不限于路基的設計參數(shù)（路基厚度、材料類型、密度）、施工過程數(shù)據(jù)（施工方法、順序、施工期間的天氣條件）、后續(xù)的維護和性能監(jiān)測數(shù)據(jù)（路基沉降量、裂縫發(fā)展、承載力變化）。研究組共收集34個項目的數(shù)據(jù)集，涵蓋了從小型鄉(xiāng)村道路到大型高速公路的各類路基工程，共包括36 985條實際數(shù)據(jù)。為提高模型的泛化能力，數(shù)據(jù)包括不同地理位置、不同氣候條件和不同土壤類型下的項目數(shù)據(jù)，從而確保模型能夠適應不同的工程需求和應用場景。數(shù)據(jù)被劃分為訓練集和測試集，80%的數(shù)據(jù)用于模型的訓練和驗證，20%的數(shù)據(jù)用于測試模型的預測性能。

2.2 實驗數(shù)據(jù)處理

數(shù)據(jù)清洗需剔除缺失數(shù)據(jù)、識別并處理異常值，校正數(shù)據(jù)中的不一致性，提取對路基性能和沉降量預測最有影響的特征，通過相關性分析、主成分分析（PCA）等方法精簡了特征集，從而降低模型的復雜度并提高訓練效率。模型訓練和測試采用交叉驗證以提高模型泛化能力和避免過擬合，將整個數(shù)據(jù)集分為5個子集，每次用4個子集進行訓練，剩下的1個子集用于測試，保證模型在不同數(shù)據(jù)子集上的性能，增強模型對新數(shù)據(jù)的預測能力。

2.3 測試結果

測試系統(tǒng)優(yōu)化后的功能測試結果如表4所示。測試結果顯示，模型在優(yōu)化路基設計和預測路基沉降量方面具有顯著的效果。模型優(yōu)化后在設計參數(shù)上實現(xiàn)了顯著的厚度減少和成本節(jié)省，大幅提升了沉降量預測的準確性，縮短了設計優(yōu)化的時間，降低了路基施工對環(huán)境的影響。

從表4可以看出，系FA-BP算法在路基厚度減少比例方面表現(xiàn)優(yōu)異，達到了5.44%，相較于BP算法的0.00%，顯著減少了材料使用，提高了工程的經(jīng)濟性；FA-BP算法在材料成本節(jié)省比例方面取得了顯著的成果，為13.80%，而BP算法為0.00%，說明FA-BP算法成功地通過優(yōu)化設計參數(shù)降低了施工成本，為工程的可持續(xù)性提供了更經(jīng)濟的解決方案；FA-BP算法在沉降預測誤差上表現(xiàn)卓越，僅為2.33 mm，相較于BP算法的11.07 mm，說明FA-BP算法在提高沉降預測準確性方面取得了顯著的改進。進一步可以看出，設計參數(shù)優(yōu)化時間：FA-BP算法在設計參數(shù)優(yōu)化時間方面明顯優(yōu)于BP算法，僅為145.54 s，相較于BP算法的282.44 s，表明FA-BP算法提高了算法的效率，為工程設計提供了更迅速的優(yōu)化方案；FA-BP算法的環(huán)境影響得分為1.92，相較于BP算法的3.74，顯示出在減小工程對環(huán)境的影響方面，F(xiàn)A-BP算法取得了顯著的改善。

測試結果如表5所示，F(xiàn)A-BP算法在訓練時間上表現(xiàn)明顯優(yōu)越，僅為308.10 s，相較于BP算法的796.77 s，說明FA-BP算法能夠更快速地完成神經(jīng)網(wǎng)絡的訓練過程，提高了訓練效率；FA-BP算法在預測時間方面取得顯著的改進，僅為58.08 ms，相較于BP算法的128.68 ms，表明FA-BP算法在實際應用中能夠更迅速地對新數(shù)據(jù)進行預測，提高了實時性。進一步可以看出，F(xiàn)A-BP算法在內(nèi)存使用量上表現(xiàn)更為優(yōu)越，僅為1 128.79 MB，相較于BP算法的2 849.51 MB，說明FA-BP算法更為節(jié)約計算資源，降低了系統(tǒng)負擔；FA-BP算法的處理效率為9 725.12次/s，明顯高于BP算法的6 173.44次/s，顯示出FA-BP算法在單位時間內(nèi)能夠完成更多的操作，提高了整體的處理效能。

3 結語

該研究基于人工智能技術下改進的FA-BP神經(jīng)網(wǎng)絡模型，對公路路基設計進行了深入探討與優(yōu)化。通過引入煙花算法（FA）和反向傳播神經(jīng)網(wǎng)絡（BP），構建了一種新穎的模型，旨在提高公路路基工程的經(jīng)濟性和可持續(xù)性。

該研究通過大量實際數(shù)據(jù)的分析和模型實驗，充分驗證了該模型在路基設計優(yōu)化和沉降預測方面的卓越性能。實驗結果表明，基于人工智能的FA-BP神經(jīng)網(wǎng)絡模型相較于傳統(tǒng)BP算法在多項指標上取得了顯著改進，包括路基厚度減少比例、材料成本節(jié)省比例和沉降預測誤差等。這不僅使得工程在設計和施工階段更為經(jīng)濟高效，也提高了沉降預測的準確性，為工程維護提供了更為可靠的依據(jù)。

參考文獻

[1]馬學寧， 陳玉燕， 王旭. 高速鐵路車站岔區(qū)高填方路基沉降組合預測研究[J]. 鐵道學報， 2023（1）： 105-113.

[2]王芳， 劉思源， 劉凱， 等. 改良Verhulst模型在泥巖路基沉降預測中的應用[J]. 廣西大學學報（自然科學版）， 2023（1）： 79-89.

[3] 李振華. 融合人工智能算法的鐵路路基沉降預測方法[J]. 鐵道建筑， 2023（2）： 123-128.

[4]李志雷， 王偉， 蔡旺. 曲線擬合法在黃土路基沉降預測中的應用[J]. 武漢理工大學學報（交通科學與工程版）， 2023（5）： 952-955+962.

[5]丁健峻， 羅進鋒， 王祺順. 基于集對分析理論的路基沉降組合預測模型研究[J]. 中外公路， 2023（5）： 21-26.