考虑不确定性的现场沥青混合料低温抗裂性能预测_郭赵元.pdf
《考虑不确定性的现场沥青混合料低温抗裂性能预测_郭赵元.pdf》由会员分享,可在线阅读,更多相关《考虑不确定性的现场沥青混合料低温抗裂性能预测_郭赵元.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 40 卷第 5 期2023 年 5 月公路交通科技Journal of Highway and Transportation esearch and DevelopmentVol.40No.5May 2023收稿日期:20221221基金项目:江苏省交通控股重大科研项目(8521008443)作者简介(*通讯作者):郭赵元(1992),男,湖北荆门人,硕士.(guozhaoyuancn )doi:10.3969/j.issn.10020268.2023.05.002考虑不确定性的现场沥青混合料低温抗裂性能预测郭赵元*1,2,张慧2,郑俊秋3,姚琳怡1,蒋继望1(1.东南大学交通学院,江苏南
2、京210096;2.江苏省交通工程建设局,江苏南京210004;3.江苏交通控股有限公司,江苏南京210002)摘要:准确预估在役沥青路面材料的低温抗裂性能是制订沥青路面科学养护方案的重要前提。鉴于传统低温性能预测模型难以真实反映路面材料所承受的环境和交通荷载条件,采用机器学习方法为在役沥青路面材料的低温断裂能指标构建了预测模型并量化了其不确定性。首先,利用近3 a 来江苏省大中修工程中所收集的在役沥青路面芯样,采用半圆弯曲(SCB)低温断裂试验测试了不同层位的沥青混合料的低温抗裂性能,计算了断裂能指标,建立了在役沥青路面材料的断裂能指标数据库。其次,基于江苏省路面管理系统对不同路段的交通荷载
3、、环境条件、服役时间、养护历史及路面横缝检测数据等进行了调查分析,选取了特征变量用于预测模型输入。最后,通过贝叶斯神经网络(BNN)方法建立了在役沥青路面材料的抗裂性能预测模型,检验了模型的预测精度并量化了分别由数据和模型产生的 2 种不确定性的影响。结果表明:基于目前的样本量和数据质量所建立的在役沥青路面材料低温抗裂性能的 BNN预测模型已具有较高精度,确定系数最高可达 0.79;BNN 模型可以很好地量化数据引起的偶然不确定性和模型本身引起的认知不确定性。研究成果可以为决策者在模型使用中提供预测可靠度等信息,为预测在役沥青路面材料性能提供新路径。关键词:道路工程;低温断裂性能;贝叶斯神经网
4、络;在役沥青混合料;预测模型中图分类号:U214.7文献标识码:A文章编号:10020268(2023)05000909Prediction of Low-temperature Cracking esistance of In-situ Asphalt MixtureConsidering UncertaintyGUO Zhao-yuan*1,2,ZHANG Hui2,ZHENG Jun-qiu3,YAO Lin-yi1,JIANG Ji-wang1(1 School of Transportation,Southeast University,Nanjing Jiangsu 210096,
5、China;2 Jiangsu Provincial Transportation Engineering Construction Bureau,Nanjing Jiangsu 210004,China;3 Jiangsu Communications Holding Co.,Ltd.,Nanjing Jiangsu 210002,China)Abstract:Accurate prediction of the low-temperature cracking resistance of in-service asphalt pavementmaterials is an importan
6、t prerequisite for formulating scientific maintenance scheme for asphalt pavement.Inview of the fact traditional low-temperature performance prediction models could hardly accurately reflect theenvironmental and traffic load conditions borne by pavement materials,the prediction model for the low-tem
7、perature fracture energy indicators of in-service asphalt pavement materials is constructed by usingmachine learning method,and its uncertainty is quantified.First,based on the core samples of in-serviceasphalt pavement collected from major and medium repairing projects in Jiangsu Province in the pa
8、st 3 years,the low-temperature cracking resistances of the asphalt mixtures at different layers are tested by using semicircular bending(SCB)low-temperature fracture test,the fracture energy indicators are calculated,and a公路交通科技第 40 卷database of fracture energy indicators for in-service asphalt pave
9、ment materials is established accordingly.Then,the traffic loads,environmental conditions,service ages,maintenance history,and transverse crackingdetection data of the selected road sections are investigated and analysed based on the pavement managementsystem of Jiangsu Province,and the feature vari
10、ables are screened for prediction model inputs.Finally,thecracking resistance prediction model is established by using BNN method,the prediction accuracy of themodel is tested and the influence of 2 uncertainties generated by the data and model are quantified.The resultshows that(1)the BNN predictio
11、n model for the low-temperature cracking resistance of in-service asphaltpavement materials based on the current sample size and data quality has high accuracy,with a maximumdetermination coefficient of 0.79;(2)the BNN model can effectively quantify the accidental uncertaintycaused by data and the c
12、ognitive uncertainty caused by the model itself.The outcome can provide moreinformation on the prediction reliability to decision makers,and provide a new path for predicting theperformance of in-service asphalt pavement materials.Key words:road engineering;low-temperature cracking;Bayesian Neural N
13、etwork(BNN);in-situ asphaltmixture;prediction model0引言裂缝是沥青路面服役过程中最主要的病害之一。由于路面结构所处的实际气候条件多变,路面材料在交通荷载反复作用下的开裂形式极为复杂1。总体而言,沥青路面裂缝可分为荷载型和非荷载型 2类。最常见的荷载型裂缝是疲劳裂缝,即在重复交通荷载的长期作用下,沥青面层或半刚性基层内部产生的拉应力超过其疲劳极限而产生的裂缝2。非荷载型裂缝主要包括沥青面层的低温裂缝和基层的反射裂缝。其中,低温裂缝是指沥青混合料在低温条件下收缩受限,路面内部产生的拉应力超过了路面材料的抗拉强度后形成的自上而下的横向裂缝3。而反射
14、裂缝是我国半刚性基层沥青路面的最主要病害之一,其主要成因是基层的收缩开裂导致沥青混合料面层材料底部出现应力集中,逐渐发展为自下而上的横向裂缝。半刚性基层沥青路面的裂缝监测及处治一直是我国沥青路面建设和养护工程的重要研究内容。我国现行规范 公路技术状况评定标准(JTG 52102018)采用路面状况指数 PCI 评价路面破损状况,将横向裂缝作为 21 项损坏类型之一进行扣分计算。但周岚4 认为以反射裂缝为主的横向裂缝作为我国半刚性基层路面的主要病害之一,并没有得到足够重视,导致 PCI 指标过于宽泛,因此提出了横向裂缝评价指数 TCEI,单独对路面横向裂缝进行评价。尽管路面横向裂缝的统计指标在一
15、定程度上能反映在役沥青路面结构整体的抗裂能力,但该指标只能反映道路表面的状况,难以真实反映实际路面不同层位材料内部的微裂纹/损伤现状5,且该指标也无法直接区分低温收缩横向裂缝和反射横向裂缝。因此,在进行高速公路养护管理和决策时,为了更准确地评估在役沥青路面的低温抗裂性能,须对代表路段进行取芯,再通过室内试验获取相应的材料指标6。低温断裂试验是用以室内评估沥青混合料抵抗非荷载型横向裂缝病害能力的最常用手段。现有评价沥青混合料低温抗裂性能的试验方法主要包括低温小梁弯曲试验、约束试件温度应力试验、间接拉伸试验、半圆弯曲试验和圆盘型拉伸试验等7。这些室内试验的共同点是都采用某一固定位移速率的单向加载模
16、式获取试件的力位移曲线,分析不同沥青混合料的低温断裂强度、变形、断裂能等力学指标。相关研究表明,试验得到的断裂能指标和实际路面的横向裂缝有较好的相关性8:沥青混合料的断裂能越大,其低温抗裂性能越好。因此,在路面养护工程中,通过对不同路段进行路面取芯并进行室内断裂试验,获取相应的断裂性能指标,可直接有效地对不同沥青路面材料的抗裂性能进行评估和排序,从而可有效地指导养护决策的实施。但是,路面芯样的室内试验不仅耗时耗力,而且大量的取芯会对原路面结构产生破坏,取芯过程也会影响道路的正常通行。因此,建立在役沥青路面材料的抗裂性能指标与已知的各种环境、荷载和材料参数之间的关系模型,可以显著节约养护管理和决
17、策过程中大量取芯的费用和时间,从而更科学高效地指导养护方案的制订和养护材料的选取。现有沥青混合料抗裂性能的预测模型主要是基于室内成型试件的试验结果,通过力学分析方法或01第 5 期郭赵元,等:考虑不确定性的现场沥青混合料低温抗裂性能预测经验性的数据关联性分析来预估沥青混合料的抗裂性能9。但是,由于实际路面所处荷载和环境条件多变且沥青混合料材料组成复杂,传统预测模型的精度受限,在实际工程中难以发挥作用10。具体而言,现阶段传统的沥青混合料抗裂性能预测模型主要存在以下 2 个问题:(1)沥青混合料样本获取受限,难以准确量化实际服役状态下的外部变量。(2)传统回归分析方法难以考虑大量内外部因素的综合
18、作用。因此,为了获取更有代表性的试验样本,有必要对在役沥青路面材料的性能进行测试,分析沥青混合料在实际服役条件下的性能衰变规律11。同时,随着我国高速公路基础数据库的进一步完善,利用大数据和智能化信息处理方法,建立更加有效的在役沥青路面材料性能预测模型显得尤为迫切。近年来,很多研究者开始采用机器学习技术对路面材料的性能进行预测建模,如利用神经网络模型预测混合料疲劳性能12、采用基因表达式编程技术建立断裂能模型13 等。然而,这些研究的样本多为室内成型试件或取自新建试验路段,难以模拟实际路面材料服役过程中所处的真实环境状态。此外,在役路面材料的性能往往具有较大的不确定性,而传统的确定性模型无法对
19、模型及数据本身的不确定性进行量化,导致模型预测结果的可靠性较差。贝叶斯神经网络(BNN)通过概率分布的形式对神经网络参数进行不确定性估计。它能够有效克服传统神经网络容易过拟合或对预测结果过于自信的缺点,从而能够产生不确定性的度量,而非仅给出一个判别结果,且贝叶斯神经网络在小型数据集上也能进行很好的学习。但由于神经网络的参数数量较大,且神经网络的形式不适于精确积分,因此对神经网络权重进行贝叶斯精确推断十分困难。近年来,贝叶斯深度学习技术的快速发展使得神经网络逐渐具备解释模型预测中的不确定性的能力。目前,贝叶斯神经网络模型在计算机视觉、自动驾驶、核物理研究、生物医学图像分割等领域均有所应用14,但
20、在路面工程领域的应用鲜见报导。大部分路面工程领域的研究仍然采用传统神经网络技术进行预测建模,模型参数为确定性数值,而非概率分布,导致模型无法解释预测过程中的不确定性。因此,本研究采用贝叶斯神经网络建立在役沥青路面材料的抗裂性能预测模型,并对由数据和模型产生的 2 种不确定性进行量化分析。该方法建立的模型不仅能输出混合料低温抗裂性能的预测值,还能估计预测值中的不确定性,为决策者提供了根据模型预测结果的不确定性对预测值进行取舍的自由度和依据,同时也能有效解决传统确定性模型在小数据集上容易产生过拟合、过自信的问题,为路面材料设计和养护决策提供更全面的信息。1贝叶斯神经网络贝叶斯神经网络(BNN)将不
21、确定性引入深度学习模型,通过推断模型权重的分布,提供了深度学习模型的概率解释。相比普通人工神经网络(ANN),BNN 对过拟合、不确定性估计具有很强的鲁棒性,且能从小数据集中学习到较优的预测模型。在 BNN 中,所有权重都是一个概率分布,而不是一个固定值。因此,BNN 首先要在网络权重上设置一个先验分布。而建模的目的就是确定这些参数的后验分布。优化也不是直接针对网络权值,而是对所有可能的权值求平均。假定有大小为 N 的数据集 X=x1,x2,xN,Y=y1,y2,yN,y=f(x)表示网络的输出值,p()表示参数 的先验分布,p(Y|X,)表示似然函数,则可根据贝叶斯定理计算参数的后验分布,即
22、:p(|X,Y)=p(Y|X,)p()p(Y|X,)p()d。(1)然而,由于神经网络模型具有复杂的非线性和非共轭性,很难利用贝叶斯公式进行精确的后验推理,因此一般通过定义一个变分分布 q()来近似真实的后验分布,并通过最小化变分分布和后验分布之间的 KL 散度求解参数:KL q()p(|X,Y)=q()lnq()p(|X,Y)d。(2)BNN 训练的一般不是一个单一的网络,而是一个网络集合。其中每个网络的权值都来自一个共享的、学习过的概率分布。这使得模型能有效地避免过拟合,但也引入了额外甚至加倍的模型参数,带来了额外的计算成本。因此许多研究者提出在权重上采用“蒙特卡罗丢弃”(MC-dropo
23、ut)手段,认为这在数学上等价于深度高斯过程的近似变分推理,并采用权重矩阵和服从伯努利分布的二元变量组成的蒙板矩阵的点乘作为变分推理的后验分布,从MC-dropout 网络中可获取不确定性估计。通俗地说,11公路交通科技第 40 卷dropout 是将神经元的权重以一定的概率设定为 0,这样可使模型泛化性更强,因为它不会太依赖某些局部的特征。贝叶斯模型中主要有 2 类不确定性:认知不确定性和偶然不确定性。认知不确定性解释了模型参数的不确定性,并可随观测数据的增多而减小。偶然不确定性则捕获了观测数据中固有的噪声(如传感器噪声),这部分不确定性无法通过收集更多的数据降低,只能通过使用更高精度的检测
24、设备来改善15。考虑到沥青混合料路面芯样断裂试验存在一定变异性,且样本数量有限,本研究采用 ConcreteDropout 算法16,建立在役沥青路面材料低温断裂能指标的 BNN 预测模型,并量化模型导致的认知不确定性和数据导致的偶然不确定性,以提高模型的可信度,为养护决策提供更可靠的依据。2数据准备2.1旧路面芯样信息依托近 3 a 江苏省高速公路大中修养护工程,共收集了江苏省 7 条高速公路共 59 个路段的沥青路面芯样来进行沥青混合料室内断裂测试,建立江苏省高速公路在役沥青路面材料断裂能参数数据库。每个路段钻取 3 个直径为 150 mm 的全厚式芯样用于断裂试验。每个路段均为半刚性基层
25、,沥青路面结构均为 4 cm 厚 SMA13 沥青混合料上面层+6 cm 厚AC-20 沥青混合料中面层+8 cm 厚 AC-25 沥青混合料下面层。3 层沥青混合料的基本体积参数如表 1 所示。上面层均采用 PG7022SBS 改性沥青,中、下面层采用 PG7022SBS 改性沥青或 70#普通沥青。将取回的每个全厚式路面芯样按层位切割分离后,上面层可切割为 2 个厚度为 4 cm 的半圆试件,中、下面层均切割为 2 个厚度为 5 cm 的半圆试件。最终共获取 1 062 个半圆试件用于室内试验,其中每个路段每个层位沥青混合料有 6 个平行试件。2.2半圆弯曲(SCB)试验已有研究表明采用
- 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:
- 考虑 不确定性 现场 沥青 混合 低温 性能 预测 郭赵元
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。