基于神经网络算法的沥青路面使用性能组合预测模型研究_曹雪娟.pdf
《基于神经网络算法的沥青路面使用性能组合预测模型研究_曹雪娟.pdf》由会员分享,可在线阅读,更多相关《基于神经网络算法的沥青路面使用性能组合预测模型研究_曹雪娟.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 42 卷第 3 期重 庆 交 通 大 学 学 报(自 然 科 学 版)Vol 42No32023 年 3 月JOUNAL OF CHONGQING JIAOTONG UNIVESITY(NATUAL SCIENCE)Mar 2023DOI:103969/jissn1674-069620230310基于神经网络算法的沥青路面使用性能组合预测模型研究曹雪娟1,卢治琳2,吴博文2,黄莹2,王民3(1 重庆交通大学 材料科学与工程学院,重庆 400074;2 重庆交通大学 土木工程学院,重庆 400074;3 重庆市智翔铺道技术工程有限公司,重庆 400067)摘要:为了准确预测沥青路面使用性能变
2、化规律,提出了基于径向基神经网络算法的路面使用性能组合预测模型PCA-GA-BF;针对神经网络收敛速度慢、模型参数容易陷入局部最优的问题,采用主成分分析算法对路面使用性能影响因素进行了降维处理,利用遗传算法对神经网络结构进行了优化;通过路面行驶质量的预测分析对组合预测模型进行了验证。研究表明:组合预测模型 PCA-GA-BF 的拟合优度 2=0820,均方根误差 S=2645,比单一 BF 神经网络预测模型误差降低了 114%,平均预测准确率为 8413%;组合预测模型计算速率快、预测精度高、预测效果好。关键词:道路工程;BF 神经网络模型;主成分分析算法;遗传算法中图分类号:U4186文献标
3、志码:A文章编号:1674-0696(2023)03-071-07Combined Prediction Model of Asphalt Pavement Performance Based onNeural Network AlgorithmCAO Xuejuan1,LU Zhilin2,WU Bowen2,HUANG Ying2,WANG Min3(1 School of Material Science and Engineering,Chongqing Jiaotong University,Chongqing 400074,China;2 School of Civil Engin
4、eering,Chongqing Jiaotong University,Chongqing 400074,China;3 Chongqing Zhixiang Paving Technology Engineering Co,Ltd,Chongqing 400067,China)Abstract:In order to accurately predict the change law of asphalt pavement performance,a combined prediction modelPCA-GA-BF of asphalt pavement performance bas
5、ed on radial basis function neural network algorithm was proposed Inview of the slow convergence speed of the neural network and easiness falling into local optimization of model parameters,the principal component analysis algorithm was used to reduce the dimension of the factors affecting the pavem
6、entperformance,and the genetic algorithm was used to optimize the structure of the neural network The combined predictionmodel was validated through predictive analysis of road driving quality The research shows that the goodness of fit 2ofPCA-GA-BF is 0820,and the root mean square error S is 2645,w
7、hich is 114%lower than that of the single BF neuralnetwork prediction model,and the average prediction accuracy of PCA-GA-BF is 8413%The combined prediction modelhas fast calculation speed,high prediction accuracy and good prediction effectKey words:highway engineering;BF neural network model;princi
8、pal component analysis algorithm;genetic algorithm0引言目前,我国高速公路已经从最初的大规模建设阶段逐步过渡到沥青路面的养护和管理阶段。科学合理地评价沥青路面使用性能是制定养护计划的基础1-3,因此,对沥青路面使用性能进行准确预测至关重要。收稿日期:2021-08-23;修订日期:2023-02-25基金项目:重庆市教育委员会科学技术研究项目(KJZD-M201900701);材料工程重庆市研究生联合培养基地项目(201907);重庆交通大学研究生科研创新项目(2022S0015)第一作者:曹雪娟(1979),女,四川邻水人,教授,博士,主要从
9、事新型路面材料方面的研究。E-mail:caoxj cqjtueducn通信作者:卢治琳(1997),女,重庆人,硕士研究生,主要从事道路工程方面的研究。E-mail:1257120770 qqcom国内外常用的沥青路面使用性能预测模型主要分为概率型和确定型两类。随着计算机技术的发展,灰色预测模型、神经网络预测模型和组合预测模型逐渐成为研究焦点4-6。灰色预测模型可以通过较少的建模数据得到较高的预测精度,但对随机因素变化较大的沥青路面预测效果较差7-9。神经网络预测模型具有较强的信息处理和自学习能力,已成功应用于道路工程领域10-11,径向基(radial basisfunction,BF)因
10、其可以逼近任意的非线性函数被广泛应用,但存在容易陷入局部最优值的问题12-13。目前研究多采用组合方法对目标进行预测,如主成分分析法(principal component analysis,PCA)和遗传算法(genetic algorithm,GA)等,组合预测模型优于单一数学模型分析的定性研究,预测结果与实际状况更加吻合14-17。笔者提出了一种基于 BF 的沥青路面使用性能组合预测模型 PCA-GA-BF。将模型训练阶段的计算误差作为目标函数,引入 PCA 对路面使用性能影响因素进行降维处理;利用 GA 优化 BF 结构,为沥青路面使用性能预测提供了可靠的依据。研究表明:组合预测模型
11、PCA-GA-BF 结构简单、收敛速度快、预测精度高。1模型建立首先定义一个非线性映射,将沥青路面使用性能影响数据集(路龄、年均气温、年均降雨量等)映射到高维特征空间中,然后在此特征空间中对路面使用性能进行线性回归,最终达到预测路面使用性能的目的。步骤如下:1)收集原始数据并进行预处理;2)运用主成分分析法对建模数据进行降维处理,将计算结果作为模型的输入变量;3)运用遗传算法进行全局寻优计算,确定最优模型参数、;4)以路面行驶质量指数(IQ)为模型输出变量,建立神经网络训练模型;5)对组合预测模型 PCA-GA-BF 进行评估。基于组合预测模型 PCA-GA-BF 的沥青路面使用性能算法流程如
12、图 1。图 1组合预测模型 PCA-GA-BF 算法流程Fig 1Algorithm flow of combined prediction model PCA-GA-BF11数据预处理为了提高组合预测模型 PCA-GA-BF 样本数据的质量,减少异常数据和缺失数据对回归性能的干扰,同时加快 BF 模型的训练速度,笔者对原始数27重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷据集做了如下预处理。111数据组成分析与优化笔者收集整理了四川省 20142019 年 23 条高速公路的路面施工建造、环境气候、交通量和路面养护等 4 大模块数据,基于沥青路面使用性能指标体系,挖掘出
13、15 个对沥青路面破损状况有较大影响的因素,详见表 1。将整理的沥青路面使用性能数据信息导入 SQL Server 平台,建立数据库,“上面层材料类型”“中面层材料类型”等材料类型数据在软件中量化为 0、1、形式。表 1沥青路面使用性能影响因素Table 1Influencing factors of asphalt pavement performance数据类别影响因素施工建造上面层材料类型;上面层厚度;中面层材料类型;中面层厚度;下面层材料类型;下面层厚度;基层材料类型;底基层材料类型;路基宽度;基层厚度;?11路龄环境气候?12年均气温;?13年均降雨量交通荷载?14年均交通量养护历史
14、?15养护时间112剔除异常数据根据 JTG 52102018公路技术状况评定标准,路面性能指标检测得分在 0100 之间,数值越大表明路面性能越好,超过上限 100 或低于下限 0的数据可以明确划分为异常值剔除。113缺失数据分析缺失数据主要包括记录的缺失和记录中某个字段的缺失,笔者采用多重插补法(MI)对缺失数据进行处理,从包含缺失值的数据集中生成多组完整的数据集。12沥青路面使用性能影响因素主成分分析121主成分分析法在不减少原始数据所包含信息的前提下,为了能够对原始数据进行降维处理,以使计算方差最优,笔者采用主成分分析法来选取影响沥青路面使用性能的主成分因素。路龄、年均气温、年均降雨量
15、等15 个路面使用性能影响因素即为主成分分析中的主成分因素,基于 Karhunen-Loeve 变换原理求解特征方程,采用 MATLAB 提供的主成分分析函数princomp 进行主成分分析,最终得到 15 个因素的主成分分析碎石图(图 2),图中仅展示了前 10 个主成分因素。图 2主成分分析Fig 2Principal component analysis由图 2 可见,F8主成分因素之后曲线斜率变化趋于平稳,并且 F9与 F10主成分因素之间的线段斜率近乎为 0,说明 F9、F10主成分因素所包含的原始数据信息非常少,分析时可不考虑。因此,笔者选取前8 个主成分因素进行分析。122主成分
16、分析法可靠性验证表 2 为主成分特征值的贡献率比较结果。表 2主成分特征值的贡献率Table 2Contribution rate of principal component characteristics主成分因素序号个体贡献率/%综合贡献率/%F1255255F2178433F3137570F4113683F5740757F6580815F7450860F8380900由表 2 可知,8 个主成分因素的综合献率超过85%,因此,选取这 8 个主成分因素进行分析较为合理,既保留了足够多的原始信息,又实现了降维处理。13模型参数优化BF 的计算效率与性能由参数、决定,笔者将遗传算法的计算结果
17、作为初始权值进行模型优化。131染色体编码为了提高参数寻优精确性,采用二进制编码方式,避免后续选择、交叉和变异过程中的编码与解码,最终构建的 BF 的拓扑解构为 8-48-1,从而,确定 BF 中间隐藏层的神经元个数为 48。37第 3 期曹雪娟,等:基于神经网络算法的沥青路面使用性能组合预测模型研究132适应度函数的选择适应度函数决定了模型的寻优方向。针对 BF参数优化问题,笔者选取均方差误差函数 M 作为适应度函数,如式(1):M=ni=1y yin(1)式中:y、yi分别为 IQ预测值、真实值;n 为测试集样本量。133选择、交叉和变异采用轮盘赌的方式选择新的种群,染色体被选择的概率随函
18、数值的增大而增高,交叉和变异均依照系统设置概率进行操作。经过 BF 的反复迭代,最终寻找出基于全体样本的最优参数=058、=0997。遗传算法优化过程的相关参数设置如表 3。表 3遗传算法优化参数Table 3Genetic algorithm optimization parameters参数设置进化代数5 000种群数量200编码方式二进制编码选择方式轮盘赌选择交叉概率10变异概率001终止条件M001058099714PCA-GA-BF 组合预测模型建立141确定输入变量和输出变量将主成分分析所得的 8 个主成分因素作为组合预测模型的输入变量,沥青路面行驶质量指数(IQ)作为预测模型的输
19、出变量,共同构成数据总量为5 000 组的建模数据集。142选定训练样本集与测试样本集为保证 PCA-GA-BF 有较好的预测效果,避免计算过程出现过拟合的现象,将整体建模数据集划分为训练集与测试集 2 类,训练集数据 测试集数据为 70 30,即训练集 3 500 组数据,测试集 1 500组数据。143确定径向基函数采用高斯函数作为径向基函数(x),以减少多变量输入的复杂程度。144遗传优化算法对回归参数寻优为了提高 PCA-GA-BF 的预测精度,采用遗传算法对高斯函数的中心向量 Ci和宽度 i进行最优参数选择。由于 BF 的输出层根据需求为单个预测值,权值向量为 w=w1,w2,T,故
20、预测值表达式为yi=w(x)(2)利用 语言编程平台,建立组合预测模型 PCA-GA-BF。15组合预测模型 PCA-GA-BF 评估151PCA-GA-BF 与 BF 对比PCA-GA-BF、BF 训练模型的训练过程如图3。图 3PCA-GA-BF、BF 训练过程Fig 3PCA-GA-BF and BF training process由图3 可见,与 BF 相比,PCA-GA-BF 训练过程曲线斜率较大,迭代次数较少,计算速率更快。表明主成分分析可减少迭代次数,实现对数据的降维处理,简化了模型结构。152PCA-GA-BF 预测精度检验图 4 为 PCA-GA-BF 与 BF 模型的预测
21、结果。47重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷图 4PCA-GA-BF、BF 预测结果Fig 4PCA-GA-BF and BF prediction results从图 4 可以看出,图 4(b)中各个离散点的分布较密集,即离散程度较小,说明 PCA-GA-BF 的预测精度较高,真实值与预测值之间的偏差波动较小,结果较可靠。153PCA-GA-BF 有效性与准确性检验采用与构建组合预测模型 PCA-GA-BF 相似的方法,构建 PCA-GA-BP 模型,其中数据预处理和沥青路面使用性能影响因素也采用主成分分析法。经过试算验证后,确定了 PCA-GA-BP 模型的最
22、优网络结构,即第一层神经元个数为 6 个、第二层神经元个数为 5 个的网络结构。调用 语言平台 neuralnet函数构建 BP、PCA-GA-BP 训练模型,两者完成计算分别共进行了 9 876、7 962 次迭代。表 4 为 BP、PCA-GA-BP 和 BF、PCA-GA-BF预测模型拟合优度 2与均方根误差 S 的计算结果。可见,4 个模型中,组合预测模型 PCA-GA-BF 的 2最接近 1,S 最小,表明其预测结果有效且精度较高。表 44 种神经网络预测模型评估结果Table 4Evaluation results of four kinds of neural network p
23、redictionmodels预测模型2SPCA-GA-BP07853012BP07323582BF07942987PCA-GA-BF082026452实例验证21数据随机选取了四川省 20142019 年 10 条高速公路共计 2 280 个 IQ记录数据,将建模数据集按照训练集数据 测试集数据为 70 30 进行划分,即训练集 1 596 组数据,测试集 648 组数据。22评价指标根据 JTG H 202007公路技术状况评定标准,路面平整度评价标准见表 5,路面行驶质量指数 IQ按式(3)计算:IQ=1001+a0ea1II(3)式中:II为国际平整度;a0、a1为标定系数,a0=00
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 神经网络 算法 沥青路面 使用 性能 组合 预测 模型 研究 曹雪娟
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。