路面使用性能预测中的参数不确定性分析_工程建筑论文.docVIP

路面使用性能预测中的参数不确定性分析_工程建筑论文 路面使用性能预测中的参数不确定性分析_工程建筑论文 摘要：针对路面使用性能预测中的参数不确定性问题，本文分析了考虑参数不确定性的回归分析、因子分析、可靠性分析及误差离散方法，提出了考虑参数不确定性的使用性能预测方法，并给出了分析实例。 关键词：路面 使用性能 预测参数不确定性 回归分析 1　前言 　　在路面管理系统中，使用性能的预测是分析过程中一个极其重要的方面。路面管理系统所使用的使用性能预测模型可分为两大类，确定性预测模型和不确定性(概率型)预测模型。文献［1］提出了水泥混凝土路面中路面状况指数PCI在不同交通指数和结构指数下的确定型和概率型模型，在文献［1］中，对于实测的路面使用性能数据，按一定交通状况和路面结构特征的划分，通过回归分析，得到不同使用性能参数的预测方程和转移概率分布。 　　在这一分析过程中，默认了3个基本的假设； 　　(1)实测的数据代表了路面使用性能的真实分布； 　　(2)交通指数的划分是确定可靠的； 　　(3)结构指数的划分是确定可靠的。 　　事实上，要保证这3个假设成立是困难的，一般数据采集都是采用取样方式得到，样本数据和总体实际数据之间必然存在一定的误差；在交通指数的确定过程中，实测交通量数据及荷载换算系数都会和实际的状况有一定的差别，路面结构的指数更是要受到施工条件、材料情况、养护水平等诸多因素的影响，而且，交通指数和结构指数本身并非一种非此即彼的布尔关系，简单的划分是不足以代表这种关系的。这样将导致预测结果存在某种程度的不确定性。在运用预测方程分析路网使用性能变化时有必要考虑这种不确定因素的存在。 　　国内对水泥混凝土路面结构和沥青路面结构的可靠性分析作过研究，但在路面管理系统中目前尚未涉及。国外对不确定性的分析作过较多研究，并将一些研究成果引入路面管理系统中，文献［2］［3］等分析了考虑不确定性的网级决策过程，文献［4］对数据采集方法的误差分析作了研究。 　　下面以文献［1］的分析为基础，以PCI为例分析在预测过程中怎样考虑参数不确定性。 2　实测数据的分布分析 　　路况数据的不确定性来源为： 　　(1)数据采集过程中人为的视觉误差或操作误差； 　　(2)数据样本和数据总体间的分布误差。 　　分析实测数据采集过程中人为视觉误差和操作误差，是一个过程复杂的数学问题，常用的分析方法有： 　　(1)回归分析； 　　(2)因子分析。 　　对数据样本和数据总体间的分布误差，一般则用分布间的误差离散来解决。 2.1　实测数据采集误差的回归分析 　　回归分析方法的基本原理是：对分析对象，设法寻找一个相对参照系统，利用相对参照系统，求出分析对象的真值，再利用实测的路况数据，建立实测数据和真实数据间的关系。 　　在路面数据的误差分析中，一般用到三个基本的假设： 　　(1)回归分析模型是一次线性的； 　　(2)回归参数只与测试对象和测试方法有关，与测试的时空特征无关； 　(3)系统的随机偏差服从正态分布。 　　在回归分析中，要找到一个相对真实的基准参考方法和参考系，然后利用参考系测出状况真值，利用实测结果和真值结果的统计特征，求出上面的方程。 　　分析实测值和真实值的关系后，利用实测结果的均值和回归方程，可求出路面真实结构的均值，参照正态分布的假设，可知D服从由此可知某一实测值在分布区间的分布概率PO： PO=p(PCIO=i｜PCIC)　　　(3) 　　式中：PO——对具体分析路段PCI从实测值到真实值的分布概率； 　　　　　PCIO——PCI真实状态的分布； 　　　　　PCIC——实测路段PCI值。 　　导出单个路段的PCI值之后，便可得到指定路网PCI分布Pr，从单个路段分布到路网分布的过程中，路段长度作为相应权数。 　　2.2　实测数据采集误差因子分析 　　因子分析是另一种分析数据误差的方式，在因子分析中，对数据的分布特征假设与回归分析一样。其相应的显示关系为： D=e＋D*×β+ε (n*m) (n*1) (1*m) (n*1) (1*m) (n*m)　　　　(5) 式中，D——路段实测数据的(n×m)矩阵； 　　　l——单位向量矩阵； 　　　α——加法因子的(1×m)矩阵，与测试方法有关； 　　　D*—— 未知真值的(n×1)矩阵； 　　　β——乘法因子的(1×m)矩阵，与测试方法有关； 　　　ε—— 随机偏差的(n×m)矩阵； 　　　m——测试方法类型； 　　　n—— 测试对象的不同路段。 　　因子分析的前提是对同一个测试目标的不同路段，运用几种不同测试方法，测试出实测数据矩阵D，通过对上面显示方程的变换和计算，得到相应的加法因子向量α和乘法因子向量β。 　　研究表明，从总体而言，因子分析比回归分析要合理一些，因子分析能使实测数据得到最大程度的利