小编： 吉林的夏季炎热，冬季严寒的气候条件对于具有温敏性的沥青路面极为不利。此区域沥青路面病害类型丰富、发生很早且发育很快，因此，投入到沥青路面养护维修中的经费数额巨大。

随着改革开放的不断深入和国民经济的飞速发展，公路作为我国经济建设的“先行官”，无论是量还是质均发展迅速。早期建设的沥青路面结构已经进入大规模养护维修期。当前我国沥青路面的养护决策模式多采用经验式，决策效率较低且决策水平受决策者主观因素影响较大，产生的养护不尽合理，导致延误养护时机或造成经济损失。采用BP神经网络进行预防性养护决策可以解决上述问题。

1神经网络基本原理



BP神经网络是最早由Rumelhart提出来的一种基于误差反向传播的神经网络[1]，具有自组织、自适应和自学习的能力，能够实施大规模的并行处理。同时其具有的非线性映射特性，大大地增强了适应环境的能力，具有较好的鲁棒性和容错性。误差反向传播网络模型利用已知数据通过迭代梯度算法求解网络的实际输出与期望输出之间的最小均方差值，并将信息反向传递和修改误差。在误差反向传播的过程中不断地对权值和阈值进行修正，以此达到降低误差的目的，使网络对输入模式响应的正确率不断提升[2,3,4]。本文将BP神经网络应用到季冻区沥青路面预防性养护决策中，建立季冻区路面典型病害类型与预防性养护措施之间的非线性映射关系，借助MATLAB中的BP神经网络工具箱，通过特定的语句完成模型的建立与神经网络反射练习，为客观地决策预防性养护措施提供技术支持。

2神经网络设计

季冻区沥青路面病害损害类型丰富，通常选取对沥青路面影响较强且出现频率较高的裂缝、车辙、冻胀翻浆、松散、坑槽等作为研究对象，本文选择发生频率最高且处理方式复杂的裂缝类病害的预防性养护决策作为研究对象。 2.1预测指标的选取

随着沥青路面投入运营后所经历的冻融周期的增加，裂缝出现并且日渐发育严重，其养护方式也需不断变化，本文首先根据资料[5,6,7,8,9,10,11]和《沥青路面养护设计规范》[12]（以下简称规范）确定6种养护方式，具体见表1。 表1裂缝类病害预防性养护措施    下载原表

不同类型裂缝对应的养护方式不同，需要将表1中养护措施组合进行预防性养护，现将表1中的不同组合进行编号并作为网络输出的预测指标。具体见表2。 2.2影响因素的选择

裂缝主要分为纵向裂缝、横向裂缝、块裂和不规则裂缝（主要指龟裂）。裂缝的成因、表现形式、发育程度不同，所对应的养护措施也不相同。影响裂缝养护措施选择的因素包括温度、累计轴次、降水量、裂缝的几何特征。在自然条件相同时，本研究选取几何特征建模分析。

根据规范和相关资料[13,14]，本文选取裂缝的长度、宽度、面积及裂缝长度占调查路段长度的比值作为影响因素对沥青路面裂缝分类分级，并确定相应的养护方式。具体情况见表2。 表2裂缝分级及养护措施    下载原表 *养护措施即表1中各养护方式所对应的编号

3神经网络算法和模型建立 3.1BP神经网络模型结构

典型的BP神经网络一般包括输入层、输出层和隐含层，BP神经网络在进行学习和训练时主要考虑因素有隐含层数、隐含层神经元数、网络权值、期望误差和学习速率。

本网络采用3层的神经网络结构，即单隐含层的神经网络，隐含层神经元个数通过经验公式求出[15]。其中，M表示隐含层神经元个数，n和m分别表示输入层和输出层神经元个数，a是区间[0,10]的常数。根据公式最终求出神经元个数在7～13之间，之后通过试算法确定。权值采用系统默认的随机数，误差平方和指标即期望误差为10-3，学习速率的取值范围为[0,1]，根据经验一般取0.01～0.8。将训练数据的输入参数（病害特征值）和输出参数（养护措施）输入BP神经网络进行学习，从而建立预防性养护模型，之后将测试数据的输入参数（病害特征值）输入已经训练过的BP神经网络，利用所建立的模型得出实际输出（预防性养护措施）。最后将实际输出和期望输出进行比较，从而确定网络的可靠性。其具体流程见图1。 3.2数据的输入

裂缝的发展是连续的，据此可知对在预防性养护范围内的裂缝几何特征采用随机遍历法取值，模拟真实路面裂缝发生状况是可行的。

现利用MATLAB中的rand函数（可实现在指定数据范围内进行均匀随机取值）对各等级病害进行取值，所取数据的多少一般依据实际数据或经验总结，根据资料[16,17]，每个等级抽取100组数据，一共抽取800组数据，剔除其中明显不合理的数据（包括裂缝长度极大超出预防性养护范围、裂缝长宽值极小但其长度占路面总长度过大，裂缝宽度与宽度比值过大过小与实际情况不符等）组成后共720组，其中，前600组作为网络的训练数据，后120组作为测试数据，并组成600×4、120×4两个矩阵。因横向裂缝长度是以车道宽度为参考，因此，横向裂缝长度取值时对其进行无量纲化，取值范围设定为[0,1]。神经网络输入参数是由表2的4项指标组成的矩阵。输出参数为表2各参数对应的编号。令P为输入向量，Y为输出向量，导入数据矩阵，进行BP神经网络训练学习，以确定网络的隐含层节点分析，整理数据如表所示。 图1算法流程  下载原图 表3不同隐含层节点数神经网络预测误差    下载原表

从网络的仿真结果来看，隐含层层数为12时，网络的预测误差相对较小，因此，选取12作为该BP神经网络的隐含层个数，其训练时期望输出与实际输出的误差如图2所示。 图2期望输出与实际输出的误差  下载原图 3.3数据测试

为了保证测试输出结果的客观性，在测试的120组数据中随机选取100组数据，组成矩阵对网络进行测试。期望输出和实际输出进行对比，如图3所示。 图3期望输出和实际输出比较  下载原图

根据图3可以看出，训练过后的BP神经网络误差仍然存在，但具有较高的拟合度，存在微量误差的原因是因为对裂缝分级的几何尺寸数据并不可能连续，用数字很难对处理方式进行确切的划分。BP神经网络采用四舍五入的方式来确定决策阈值，例如当实际输出为3.4和3.5时，3.4会被判定为编号3所对应的养护措施，3.5会被判定为编号4所对应的养护措施，而实际上这两个输出所对应的裂缝病害并无实质上的差别。

4判别效果评价

本次BP神经网络训练时采用新版newff函数中速度较快的trainlm函数，且采用提前结束、防止过训练的策略，与动辄需要上千次的传统网络相比，收敛速度快，一般能在较小的迭代次数后收敛。如图4所示为误差下降曲线，根据图像横坐标可以看出，网络在进行0～4共5次迭代后已经达到所要求的精度。另外，为了抵消随机因素的影响，取相同的训练和测试样本运算20次，并统计其正确率和迭代次数，如图5所示。 图4误差下降曲线  下载原图 图5正确率与迭代次数  下载原图

通过对裂缝病害不同养护方式的分类分级，用训练好的神经网络对测试数据进行测试、判别，平均正确率达94.40%，从判别结果和误差可以看出，BP神经网络对于裂缝病害养护措施决策具有较高的准确性，且计算收敛速度快，所需时间短，能够较准确地对裂缝类病害做出养护性决策。

5结束语

投入运营后，快速准确的预防性养护决策能够很大程度上节约资金。在路面病害跟踪检测后，通过BP神经网络，输入相对应的几何参数后，可以快速准确地得出所需要的养护措施，避免人工方法的主观性，能够对发育中的病害进行积极的预防性养护，确保公路的服务水平，同时节约养护资金。这种方法可以拓展到各种路面结构的预防性养护中，具有较好的发展前景。

论文降重免费    论文降重软件    论文在线查重

当前网址：http://www.paperaa.com/newss/12348.html