Page 89 - 无损检测2024年第四期

曹 阳,等:
基于 BP 神经网络的沥青路面沉陷发展预测

输出值 =0.97× 真实值 +0.04 ; 输出值 =0.98× 真实 为寻找最佳样本数量, 利用训练后的 4 个神经

值 +0.026 。拟合所得的相关系数 R 分别为: 0.987 网络模型分别对 K10+700 断面处第 37~40 组数

55 ; 0.98788 ; 0.98792 。由此可见, 训练所得的 3 个 据进行沉 陷 预 测, 预 测 结 果 和 实 测 值 对 比 如 表 1

预测模型预测精度较高, 预测模型有效。 所示。
表 1 不同模型得到的沉陷预测值与实测值对比
神经网络模型 数据组 预测值 / mm 实测值 / mm 误差绝对值 / mm 误差 / %
37 1.083 1.054 0.029 2.75
38 1.153 1.068 0.085 7.96
模型 Ⅰ
39 1.042 1.029 0.013 1.26
40 1.011 1.041 0.030 2.88
37 1.072 1.054 0.018 1.71
38 1.124 1.068 0.056 5.24
模型 Ⅱ
39 1.045 1.029 0.016 1.55
40 1.066 1.041 0.025 2.40
37 1.044 1.054 0.010 0.95
38 1.101 1.068 0.033 3.00
模型 Ⅲ
39 1.042 1.029 0.013 1.26
40 1.032 1.041 0.009 0.87
37 1.063 1.054 0.009 0.85
38 1.096 1.068 0.028 2.62
模型 Ⅳ
39 1.020 1.029 0.009 0.87
40 1.049 1.041 0.008 0.77
通过分析表 1 , 得出以下结论。 表 2 BP 神经网络模型与二次曲线法预测误差对比

( 1 )模型 Ⅰ , 模型 Ⅱ , 模型 Ⅲ , 模型 Ⅳ 的预测值 实测值 / BP神经网络模型 二次曲线法
数据组
mm 预测值 / mm 预测值 / mm 误差百分比 / %
和实测值的最大误差分别为 7.96% , 5.24% , 3.00%
37 1.054 1.044 1.095 3.89
及 2.6% , 表明训练组数据越多, 预测模型的预测精
38 1.068 1.101 0.988 7.49
度越高, 训练后的模型对道路沉陷发展预测越精确。 39 1.029 1.042 1.124 9.25

( 2 )模型 Ⅰ 与模型 Ⅱ 的预测精度最大误差大于 40 1.041 1.032 1.098 5.48
5% 。如用此模型对道路沉陷进行预测, 一定程度上 分析表 1 , 2 可知, 二次曲线法对沉陷数据的处
会影响预测结果的精确性, 导致沉陷判断不准确, 错 理、 预测有 一 定 的 效 果, 总 体 误 差 在 10% 之 内, 而
失沉陷治理的最佳时期; 模型 Ⅲ 预测精度较模型 Ⅰ BP 神经网络模型的预测误差在 4% 以内, 表明对于
与模型 Ⅱ 的有所提高, 但该模型需要 32 组 训练数 沥青路面沉陷的预测, BP 神经网络模型拥有更高的
据, 收集原始数据的周期较模型 Ⅱ 增加了两个月; 模 预测精度。
型 Ⅳ 的预测精度最高, 但其相较于模型 Ⅲ , 预测精度
4 结语
提高不大, 同时, 该模型的训练需要 36 组训练数据,
收集数据的时间较模型 Ⅲ 又增加了两个月。因此, 基于 MATLAB 软件, 借助 BP 神经网络模型,
考虑到工程效率及预测精度, 选取 32 组数据( 模型 对高速公路沥青路面的沉陷病害发展进行预测, 得
Ⅲ ) 作为训练神经网络模型的最佳样本数。 出以下结论。

( 1 ) BP 神经网络模型的沥青路面沉陷预测结
3 预测模型的适用性及误差比较
果与实测数据误差较小, 表明其应用于沥青路面沉
为进一步探究 BP 神经网络模型在沥青路面沉 陷发展预测具有可行性, BP 神经网络模型的应用对
陷数据处理方面的优势以及沉陷预测的精度, 采用 研究沥青路面沉陷的发展规律及趋势具有重要的工
二次曲线法 [ 14 ] 对同一组数据( 37~40 组) 进行拟合 程意义。
分析并预测, 对两种预测方法所得的结果进行分析 ( 2 )相较于传统的二次曲线回归拟合法, 基于

比较, 其中, BP 神经网络模型选用预测模型 Ⅲ , BP 大数据训练的 BP 神经网络具有更高的预测精度,
神经网络模型与二次曲线法预测误差对比结果如表 且随着训练样本数据的增多, 训练所得的模型预测
2 所示。 精度提高。
1
5
2024 年 第 46 卷 第 4 期
无损检测