改进BP网络在沥青路面构造深度预测中应用.PDFVIP

　 第２４ 卷　 第３ 期 厦门理工学院学报 Ｖｏｌ． ２４　 Ｎｏ． ３ 　 　 ２０１６ 年６ 月 Ｊｏｕｒｎａｌ ｏｆ Ｘｉａｍｅｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｊｕｎ． ２０１６ 改进 ＢＰ 网络在沥青路面构造深度预测中的应用 王　 军 （ 中交公路规划设计院有限公司宁夏分公司， 宁夏 银川７５０００１） ［摘　 要］ 为了快速有效地检测到沥青路面均匀区域的构造深度， 采用了改进的ＢＰ 神经网络算法， 建 立了以最大公称粒径、 细度模数、 ４ ７５ ｍｍ 筛通过率和沥青用量为影响因素的沥青路面构造深度预测模型． 结果表明， 预测模型经过２ ９３５ 次学习训练， 预测精度达到目标值０ ０１ ， ＢＰ 神经网络对构造深度预测结果 与实际情况非常接近． ［关键词］ 沥青路面； ＢＰ 神经网络； 构造深度； 预测模型 ［中图分类号］ Ｕ４ １４　 ［文献标志码］ Ａ　 ［文章编号］ １６７３ － ４４３２ （２０１６ ） ０３ － ００８８ － ０５ 目前， 沥青混凝土路面已被广泛应用． 从行车安全和舒适程度考虑， 抗滑性能差是沥青路面上交 通事故频发的主要原因之一． 评价路面抗滑性能的两大指标分别为摩擦系数和构造深度， 摩擦系数反 映的是微观路面构造， 而构造深度反映的是宏观路面构造． 然而， 构造深度的大小也会影响到路面的 排水状况， 较差的路面构造不能及时排除路面积水， 从而引起路表面出现水漂现象． 目前， 国内采用 的测定构造深度的方法［１ － ２ ］ 皆有缺点， 传统方法往往测量精度不高， 从国外引进的一些高科技、 高精 度的测量仪器， 也比较昂贵， 操作不太方便． 特别是针对高速公路应急抢险工程， 采用快速有效的方 法检测沥青路面的构造深度至关重要． 故本文采用改进的 （提高模型的预测精度） ＢＰ 神经网络算 法［３ － ５ ］ ， 建立了以最大公称粒径、 细度模数、 ４ ７５ ｍｍ 筛通过率和沥青用量为影响因素的沥青路面构 ［６ ］ 造深度预测模型 ， 从给出的各构造深度的影响因素具体值得出预测的构造深度值， 为沥青路面施 工质量控制提供了技术参考． １　 改进ＢＰ 神经网络的基本原理 ＢＰ 神经网络算法学习过程分为信息正向传递与误差 误 差 反传 （学 习算 法 ） 的反向传播２ 个过程． 在信息正向传递过程中， 所采取 j k i 的信息从输入层单元传递到隐含层， 再经隐含层单元计 x1 - + 算后传向输出层． 如果目标值未符合期望的输出， 则先 输 入 x2 计算出输出层的误差变化值， 然后通过误差估计器反向 模 式 传播， 将误差信号沿原传播通路反传回来依次修改各层 x 神经元的权值， 再进行正向传播计算， 直至达到期望目 n w q w M ij j k L