城市道路施工及路基質量的四層檢測方法研究

摘要：為了提高城市道路的修筑質量，本文提出了具體的施工方案和路基質量的檢測方法。這種檢測方法是依托神經網絡理論，通過輸入層、模式層、求和層、輸出層4個層次的神經網絡，對溫度指標、濕度指標、應變指標、壓力指標、沉降指標對路基質量的影響進行分析。試驗過程和試驗結果表明，四層神經網絡的檢測方法可以有效地檢測路基質量，并間接證明了給出的施工方案對城市道路施工的有效性。

關鍵詞：城市道路施工；四層方案；四層網絡；路基質量

中圖分類號：U41""""""""" 文獻標志碼：A

在現代化城市中，道路交通占有十分重要的地位，在一定程度上影響了城市的日常運轉。城市道路承載各種類型的車輛，在高頻次反復使用下會出現各種缺陷，例如路面破損、路基坍塌等問題，嚴重影響交通網絡的正常運轉[1]。因此，在這種情況下，確定更加合理的施工方案、保證城市道路的修筑質量具有十分重要的意義。同時，對影響城市道路最重要的路基部分進行有效檢測也可以進一步延長城市道路的使用壽命[2]。城市道路的路基會受到多方面因素的影響，其中地震、洪水等自然災害的影響大，但發生幾率小、不容易建立規律性的預防機制。人為因素的影響則跨越了設計階段、施工階段和養護階段，如果能充分考慮路基所處環境、建立準確的評估模型，就可以有效地改善人為因素的不利影響，延長城市道路路基的使用壽命[3]。因此，本文在神經網絡理論的基礎上，提出一種四層網絡的檢測方法，用來檢測城市道路路基。

1城市道路的修筑方案和施工流程

為了提高城市道路的修筑質量，一般采用多層次的道路修筑方案。這些層次按照一定的工藝流程逐一鋪設、壓實，最后形成密實的路層結構。在本文的修筑方案中，采用四層次的道路結構，第一層是面層，第二層是基層，第三層是墊層，第四層是路基。這4個層次如圖1所示。

路面直接接觸行車，因此對車輛行駛速率、駕駛安全有直接影響。根據不同的需求，可以為城市道路鋪筑不同的路面。常見路面類型有瀝青路面、混凝土路面、碎石路面、塊料路面及無機料結合穩定路面等，不同類型路面有其對應的施工工法，分類如圖2所示。

在城市道路的各個層次中，路面直接承載同行的車輛和重物，需要更加堅固的修筑方案。同時，路基位于最底層，是整個道路的承載層，它的質量好壞直接影響城市道路的使用壽命。如果路基出現問題，那么道路就會出現坍塌、沉降、滑移等一系列問題。因此，在接下來的工作中，將利用四層神經網絡方法對城市道路的路基質量進行檢測。

2四層神經網絡模型

城市道路的路基質量受到多種因素的影響，如果要分析這種影響，就要建立各因素到路基質量間的關系模型。但從實際情況看，這些因素無法和路基質量形成直觀的關系，這就需要通過機器學習的方法進行訓練和判斷。本文將四層神經網絡模型作為二者關系識別的具體方法。

將城市道路路基的自然災害類影響因素設定為θA，城市道路路基的人為原因類影響因素設置為θB，可以根據二者間發生的概率進行判定模型設計，如公式（1）所示。

式中：lA為城市道路路基發生自然災害類問題的代價；lB為城市道路路基發生人為原因類問題的代價；fA為城市道路路基發生自然災害類問題的概率密度函數；fB為城市道路路基發生人為原因類問題的概率密度函數；hA為城市道路路基發生自然災害類問題的先驗概率；hB為城市道路路基發生人為原因類問題的先驗概率，由此得到公式（2）、公式（3）。

式中：NA為城市道路路基發生自然災害類問題的樣本數量；NB為城市道路路基發生人為原因類問題的的樣本數量。

由此可以得到神經網絡訓練中的核函數，如公式（4）所示。

式中：m為參與迭代訓練和運算的總樣本；δ為迭代訓練中的平滑因子；Xai為神經網絡的第i個輸入參量。

在本文的迭代過程中，使用了四層次的神經網絡。四層次的神經網絡包括4個不同的層次，輸入層負責納入對路基質量可能產生影響的各種因素，例如溫度指標、濕度指標、應變指標、壓力指標、沉降指標等等。將這些指標對應的樣本數據，進一步送入模式層進行類別歸屬訓練，再送入求和層判定其和路基質量的關系概率。在輸出層中，將破損、沉降、裂縫、滑移等常見的情況納入對路基質量的常見問題表達中。四層網絡的結構如圖3所示。

3基于四層網絡的檢測方法及試驗

從圖3的四層次神經網絡結構可知，輸入層需要納入足夠樣本數量的各影響指標的表征數據，而這些數據必須通過溫度、濕度、應變、壓力、沉降等類型的傳感器才能獲得。在通過各類傳感器獲得足夠豐富的各指標數據后，就可以將其納入到四層網絡的輸入層。后續的處理過程一共包括以下幾個環節。第一個環節：各傳感器采集路基所在環境的樣本數據。第二個環節：對各樣本數據進行歸一化，消除物理量單位不同和量綱大小的影響。第三個環節：構建四層次的神經網絡結構，將其作為訓練模型。第四個環節：通過數據的輸入、模型的迭代訓練，確定四層次網絡的穩定結構。第五個環節：在迭代誤差足夠小的情況下，終止迭代訓練。第六個環節：將此時的四層次網絡用來判斷“某因素”和“路基質量”關系，得到路基質量的檢測結果。

基于四層網絡的路基質量檢測流程如圖4所示。需要指出的是，上述方法在實際使用的過程中，配置的傳感器種類必須和實際需求對應，以保證四層網絡得到足夠的輸入數據，并且能夠進行合理訓練。

由于采集樣本數據經過的傳感器不同，因此物理量的單位、大小都各不相同，為了避免不同類數據間的差異給迭代訓練過程造成影響，需要采用歸一化來進行處理。樣本數據的歸一化處理，如公式（5）所示。

（5）

式中：x'為樣本數據的歸一化結果；x為樣本數據的原始值；xmax為樣本數據的最大值；xmin為樣本數據的最小值。

全部樣本數據經過歸一化的處理，其中部分數據可以參照表1和表2。

按照本文提出的四層次神經網絡的檢測方法，對路基質量的影響因素進行判定并和實際情況進行對比，結果見表3。

從上述結果可以看出，按照本文提出的四層神經網絡方法對隨機抽取的6組樣本數據進行檢驗判斷，結果都正確，證實了所提方法的有效性。

進一步用本文提出的四層神經網絡方法和兩種參照方法檢測路基質量，并觀察不同方法的檢測效果。這兩種參照方法，一個是基于遺傳算法的檢測方法，一個是基于支持向量機的檢測方法。在對比過程中，一共使用了800組樣本數據，不同方法的檢測結果對比情況：當樣本數據量不斷增加時，基于遺傳算法的檢測方法和基于支持向量機的檢測方法會出現更高的誤檢率，從而導致路基質量問題的原因判斷錯誤，進而使800組樣本數據整體的正確檢出率下降。而本文提出的四層神經網絡方法，隨著樣本數據量的不斷增加，檢測質量沒有明顯下降，一直維持在90%以上的較高水平。3種方法檢測結果的對比如圖5所示。

綜合上述兩組試驗結果，充分證實了本文提出的四層神經網絡方法對路基質量及其影響原因檢測的有效性。

4結論

在現代化的城市運轉中，道路交通網絡扮演著極為重要的角色，因此須重視城市道路修筑和安全保護。在本文的研究工作中，首先，提出了城市道路的四層修筑方案，并給出了具體的施工流程。其次，針對城市道路系統的路基質量檢測問題，提出了基于四層次的神經網絡檢測方法，利用不同傳感器采集不同影響因素，將其納入輸入層，作為輸入數據，送入模式層完成迭代訓練并通過求和層判斷與輸出的對應關系。在試驗過程中，本文提出了路基質量檢測方法的完整流程，并對不同傳感器數據進行歸一化處理。不同影響因素的檢測結果證明了本文所提的方法的有效性。在大樣本數據的測試下，對所提出的方法、基于遺傳算法的檢測方法、基于支持向量機的檢測方法的檢測效果進行對比。結果進一步顯示，本文所提的方法檢測準確率更高，對保障城市道路安全是有效的。

參考文獻

[1]高會剛，劉泉. 城市道路施工圖中瀝青面層材料說明的企業標準化解決方案[J]. 城市道橋與防洪，2023（5）：57-59.

[2]海金龍. 市政道路施工精細化管理及質量控制措施研究[J]. 中文科技期刊數據庫（引文版）工程技術，2024，32（3）：111-116.

[3]郁寧. 距離綜合分析法在市政道路施工質量通病分析及控制中的應用[J]. 經濟技術協作信息，2023，25（2）：244-246.