Page 87 - 无损检测2024年第四期
P. 87

曹   阳,等:
   基于 BP 神经网络的沥青路面沉陷发展预测

   路面的沉陷发展进行预测, 将能很大程度地解决耗                           息的正向传播以及误差的反向传播。由输入层接受
   时耗力的问题。 HEINZ 等         [ 1 ] 研究了一种基于二维           外部信息, 通过神经元上的连接权值将信息传递给
   激光扫描仪器的移动地图系统( MMS ), 使用沿高速                       隐含层, 由隐含层上多个互不联系的神经元对信息
   公路的 水 平 控 制 点 以 及 重 复 通 过 的 点 云 比 较 对             进行处理, 最终通过输出层向外界输出处理结果。
   MMS 系统进行评估, 利用数值波动将最小均方误                          当输出结果的实际误差大于期望误差时, 则进入反
   差的椭球高度转换为控制点的物理高度系统, 从而                           向传播过程, 在该过程中不断进行迭代运算改变神
                                 [ 2 ]
   监测了 道 路 的 沉 陷 量。 ZAHARI 基 于 先 前 观 察               经元连接权值, 直至实现最终的收敛, 达到可接受的
   到的沉降情况以及路面的整体情况, 借助探地雷达                           目标误差, 完成模型的建立。文章的研究目标为通
   的无损监测技术对沉降进行预测。何鎏                   [ 3 ] 在雷达法    过神经网络模型对影响路基沉陷的因素进行处理,
   的基础上进行改进, 利用高密度地震映像技术对道                           进而对沉陷进行预测, 而影响路基沉陷的因素与沉
   路沉陷进行探测, 有效真实地反映了道路沉陷情况,                          陷之间存在着复杂的非线性关系, 因此利用 BP 神
   并判断 了 道 路 沉 陷 变 形 趋 势。 此 类 研 究 还 有 很              经网络模型模拟这种非线性映射关系并对其进行预
   多  [ 4-5 ] , 其研究方法以及研究结果基本类似。然而,                  测是较为恰当的。
   对于沥青路面沉陷这一内在因素错综复杂的变形来                            2  沥青路面沉陷发展的 BP 神经网络模型
   说, 已有的研究大多数借助精密的科学仪器对沉陷
   纹理以及沉陷量进行提取, 然后通过一系列计算对                           2.1  神经网络模型输入与输出
   道路沉陷变形进行预测, 计算方法较为复杂, 且会消                           BP 神经网络在处理路面沉陷数据时有着独特
   耗相当多的物力与财力。如果能够借助数学方法建                            的优越性, 和其他处理方法相比, 神经网络可以直接
   立数据模型, 对沉陷数据进行处理并预测道路的沉                           通过数据进行建模, 处理拥有众多不确定因素、 非线
   陷趋势, 则可以有效解决当前的问题。                                性关系的数据组, 并且能够在学习反馈中剔除其他
       鉴于此, 笔者以部分工程实测数据为研究基础,                        干扰因素, 建立起反映数据之间真实关系的函数。

   借助 BP ( backp ro p a g ation ) 神经网络模型, 对高速             文章假定所要研究的沥青路面设计及施工符合
   公路沥青路面的沉陷发展趋势进行分析、 预测, 并将                         规范要求, 土层介质及厚度均匀( 即各路段的压缩模
   预测结果与实测数据进行对比, 验证了神经网络模                           量基本相同), 采用层次分析与专家调查意见相结合
   型预测结果的合理性, 为探究高速公路沥青路面沉                           的方法    [ 8-10 ] , 选取 4 个主要影响因素( 时间、 交通量、
   陷病害的发展趋势提供一种新的研究方法。                               填土高度、 地基固结压缩程度             [ 11-12 ] ) 作为 BP 神经网
                                                     络模型输入层的 4 个神经元, 而输出层的神经元为
  1 BP 神经网络概况
                                                     沉陷量, 是单一输出变量。
     BP 神经网络模型         [ 6-7 ] 是在人类对大脑神经网络           2.2  神经网络模型沉陷样本数据的选择
   认识理解的基础上人工构建的数学模型, 其通过工                              笔者选取某高速公路桩号 K10+700 断面数据
   程技术手段模拟构建出生物神经网络的结构特征与                            作为研究对象。在试验路段施工前期, 预埋了 3 个
   特点。与普通的拟合预测模型相比, BP 神经网络能                         用钢筋混 凝 土 浇 筑 成 桩 的 观 测 基 点, 测 点 尺 寸 为

   够仿照生物神经网络系统, 对已知的数据样本进行                           15cm×15cm×150cm ( 长 × 宽 × 高), 结 合 全 站


   学习、 分析并掌握数据之间的复杂关系, 通过大量数                         仪、 水准仪等土工观测仪器, 测量出测点的沉陷; 交
   据的训练, 使得模型不断完善, 同时, 可对完善后的                        通量由车辆动态称重检测系统获得; 地基固结压缩
   数据模型进行记忆储存, 最后对未知的新数据样本                           程度由固结压缩试验测得。所有数据每半个月测量
   进行联想性预测。                                          一次, 共实测 40 组数据。
       BP 神经网络的结构组成包含 3 部 分, 即输入                     2.3  神经网络模型的迭代训练
   层、 隐含层( 中间层) 以及输出层, 每层均有各自的神                         利用 MATLAB 软件对模型进行训练迭代, 训
   经元, 每个神经元只有唯一的输出, 而输入可以有多                         练过程由正向传播和反向传播两部分组成, 在正向
   个, 只要隐含层以及隐含层神经元个数足够多, 则该                         传播过程中, 输入的沉陷影响指标从输入层经过隐
   模型可以反映出任意的非线性关系。 BP 神经网络                          层神经元的处理后, 传向输出层, 在输出层得不到期
   的算法是全局逼近的学习算法, 学习过程包含了信                           望的沉陷输出结果, 则转入反向传播, 此时沥青路面
                                                                                                9
                                                                                               4
                                                                             2024 年 第 46 卷 第 4 期
                                                                                      无损检测
   82   83   84   85   86   87   88   89   90   91   92