CN112252292A - 一种基于人工神经网络的高速公路压实度实时监测方法 - Google Patents
一种基于人工神经网络的高速公路压实度实时监测方法 Download PDFInfo
- Publication number
- CN112252292A CN112252292A CN202011103702.4A CN202011103702A CN112252292A CN 112252292 A CN112252292 A CN 112252292A CN 202011103702 A CN202011103702 A CN 202011103702A CN 112252292 A CN112252292 A CN 112252292A
- Authority
- CN
- China
- Prior art keywords
- compaction
- data
- parameters
- road roller
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D1/00—Investigation of foundation soil in situ
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Soil Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Road Paving Machines (AREA)
Abstract
本发明为一种基于人工神经网络的高速公路压实度实时监测方法,该方法利用历史数据训练神经网络建立压实度计算模型,考虑填筑体参数、压路机控制参数和传感器获取参数,应用于压实施工中的压实度实时计算和实时显示,提高预测精度及计算效率。根据数据平台获取历史数据,训练压实度计算模型,将训练好的压实度计算模型调入到压路机控制***中,在压路机工作之前,将测得的压实前填筑体参数和压路机控制参数输入到压路机控制***所调入的压实度计算模型之中,结合压实过程中收集得到的压路机控制参数和传感器获取参数,实时反馈压实度。该方法考虑多种应用场景的不同工况,为压实的全过程监控体系的建立创造条件,具有普适性。
Description
技术领域
本发明涉及路基路面工程技术领域,具体是将人工智能方法应用到高速公路压实过程中的压实度显示,可用于高速公路路基路面的压实质量监测。
背景技术
高速公路的压实是高速公路建设中最重要的施工环节之一,直接对后期道路的使用和养护产生本质性影响,因此对于压实过程中的压实度把控显得尤为重要,其中压实度的计算是压实质量把控的基础。传统的压路质量控制主要凭借驾驶员的经验和感受调整压路过程中的各项参数,质量把控难度大,主观性强,会造成“压实不足”和“过度压实”等一系列问题,同时整个压实过程不能对各项控制参数和压实度进行实时记录,对于高速公路的质量追溯难以进行,造成资源浪费。在压实过后的质量抽检属于滞后控制,对压实过程的质量控制不能起到指导作用。
传统的人工神经网络以两种形式计算压实度:(1)利用压实的具体方案来预测压实度,属于事前预测,该方法只能作为粗略的施工前指导,给出大体的压实策略;赵曜等(赵曜,张万磊,陈兆南,等.基于BP人工神经网络的沥青路面压实度预测模型研究[J].交通世界,2020,No.536(14):31-34.)构建BP神经网络,根据摊铺温度,压实遍数,压实温度和压实速度来预测目标区域的压实度,以较小误差表征了这些影响因素与压实度之间的关系。但其特征值均属于施工前的施工计划或者施工后的施工概况,没有实时参数作为特征值,无法应用于压实过程中的实时压实度显示,更无法指导本次压实的质量控制(2)利用压实后的各项填筑体参数来预测压实度,属于事后预测,寻找各项指标间的联系,可作为施工后压实度的评估方法。杨学超等(杨学超,何彩平.基于BP人工神经网络的路基压实度预测模型研究[J].甘肃科学学报,2011,23(003):132-135.)利用填筑材料的碾压厚度、填料湿密度、干密度和含水量来预测填筑体的压实度,避免了传统压实度检测所带来的费时、费力、有损等缺点。然而该方法选取的特征值为填筑体压实后指标,只能作为压实度的施工后的工程验收或者质量评价,无法为智能压实控制中的压实度实时显示、压实度实时监测提供信息支持。这两种形式的压实度计算都无法对压实过程提供直接的技术指导,无法在真正意义上提高压实过程的压实质量,更无法作为智能压实的数据素材。
发明内容
鉴于上述现状的不足,本发明拟解决的技术问题是建立一种基于人工神经网络的高速公路压实度实时监测方法,该方法能够应用于高速公路实际施工中的压实度实时监测,基于多种实时监测碾压参数,利用历史数据训练神经网络建立压实测量指标与压实度之间的相关性分析模型,即压实度计算模型,考虑填筑体参数(固有参数)、压路机控制参数和传感器获取参数(实时参数),应用于压实施工中的压实度实时计算和实时显示,提高预测精度及计算效率。该方法考虑多种应用场景的不同工况、填料及控制参数等多种因素,多种特征值相互独立,可在路基、水稳层或路面的压实过程中实时显示压实度,为压实的全过程监控体系的建立创造条件,具有普适性。与此同时,不考虑压路机厂家,型号等硬件设施限制,将压实过程中的压实数据有效利用,能够实现预测模型的自我优化,自我修正。既可以为传统碾压工艺提供数据指导,也能够为成为智能压实的组成部分,提供决策材料。
为了解决上述技术问题,本发明的技术方案为:
一种基于人工神经网络的高速公路压实度实时监测方法,该方法包括以下内容:
1)利用神经网络建立压实度计算模型:
神经网络的输入考虑到三个方面的影响因素:压路机控制参数,压实前填筑体参数和传感器获取参数,所述压路机控制参数和所述压实前填筑体参数表征了所处场景和所利用压路机的差异信息,以应对不同的应用环境;所述传感器获取参数反映了压实过程中的压实状况信息;神经网络的输出为能够表征压实的力学性能指标,
利用神经网络建立上述三个方面的影响因素与能够表征压实的力学性能指标之间的相关性分析模型,也就是压实度计算模型;
2)构建压实数据平台:
数据平台具有导入、导出、可优化、可修改、可调用功能;所述压实度计算模型所用数据来源为数据平台,压实施工完成后的数据存储并上传至数据平台,数据平台不断利用逐渐扩展的数据,对所述压实度计算模型进行优化和更新;数据平台将最新压实度计算模型调用到压路机控制***中;
3)实时压实度计算:
根据所述数据平台获取历史数据,训练压实度计算模型,将训练好的压实度计算模型调入到压路机控制***中,在压路机工作之前,将测得的压实前填筑体参数和压路机控制参数输入到压路机控制***所调入的压实度计算模型之中,结合压实过程中收集得到的压路机控制参数和传感器获取参数,实时反馈压实度。
一种上述的监测方法所用***,其特征在于:包括压路机、数据平台和填筑体;所述压路机中具有记录仪、显示屏、手动输入平台和传感器;数据平台包括数据库、计算中心;
数据库用来收集各高速公路压实相关的历史数据并进行存储,是作为计算中心的数据来源,也是每一次压实结束后数据的接受处;
计算中心能利用导入数据训练神经网络,最后优化神经网络模型,得到能用于压实度显示的压实度计算模型;同时计算中心能将压实度计算模型调用至压路机控制***中,作为前端指导整个压实过程;计算中心还接受压路机控制参数和填筑体参数;
传感器在压实过程中接受实时传感信息,包括温度传感器实时采集温度数据,加速度传感器实时采集加速度信息,将采集后的信息整理成数据组传递给计算中心;
显示屏接受来自计算中心的计算结果数据,同时能将当前区域压实度实时显示,并可视成像;
记录仪用于暂时存储数据信息,将压路机工作时传感器获得的各项数据、压力机控制参数、填筑体参数及模型计算的实时目标值短暂存储,协同最后抽检的压实度数据一并上传至数据平台。
与现有技术相比,本发明有益效果在于:
1.本发明该方法基于压实实时测量数据,利用人工神经网络分析压实后力学指标,即压实度,利用历史数据训练网络建立相关性分析模型,替代了传统利用试验路段进行碾压遍数等的标定方法,解决了现有神经网络无法实时监控,无法适用于不同施工场景的弊端,明显提高了计算精度。
2.模型集成压实过程中多种因素影响,包含了固有参数(填筑体参数)和实时参数(压路机控制参数和传感器获取参数),因此该方法适用于各种环境下的压路场景,特征值全面,具有普适性,本专利面对的问题是如何实时显示压实度,模型的目标值不同。
3.有效地利用了数据平台既有数据的同时记录当前压实数据,保证了施工数据不流失,施工数据可追溯,是建立高速公路数据体系的重要基础。能够用于各种高速路段施工,具有普适性,由于所述的方法普适性,实现了不同条件下的数据通用和共享,每一次的施工都会不断扩充丰富数据平台,对建设高速公路大数据平台具有重大意义。
4.本方法具有智能、实时、精度高等特点,在压实施工中,不断接受压实传感的信息,将压实度实时显示,有利于接下来的控制反馈,是智能压实控制***不可缺少的组成部分。
总之,本发明方法能够高效,便捷地获取压实过程中的压实度,为压实质量监测提供准确、实时、可靠的数据材料,减少人为主观性。该方法构建和维护数据平台,实现压路机全过程压实度自动显示,压实数据平台不断升级,将推动智能压实的向前发展。
附图说明
图1为本发明各组成部分关系图;
图2为本发明混合神经网络结构图;
图3为本发明压实度实时显示步骤图;
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明,不限制本申请的保护范围。
本发明基于人工神经网络的高速公路压实度实时监测方法,该方法包括以下内容:
1.利用神经网络建立压实度计算模型。
神经网络的输入考虑到三个方面的影响因素:压路机控制参数,压实前填筑体参数和传感器获取参数(后称传感参数)。所述压路机控制参数和所述压实前填筑体参数表征了所处场景和所利用压路机的差异信息,以应对不同的应用环境及不同的压路机型号等。所述传感参数反映了压实过程中的压实状况信息,也是影响本次压实的最直接因素。神经网络的输出为能够表征压实的力学性能指标,本实施例以压实度为例。
建立压实测量指标与压实度之间的相关性分析模型,也就是压实度计算模型。
所述测量指标指上述输入神经网络的所有参数,每个参数即为一个特征值,上述分为三类参数。
本申请中固有参数为计算模型特征值中不发生变化的参数,即指在选定高速路段及填筑体后在压实过程中不发生改变的参数,固有参数可以让模型应用不同的施工场景;实时参数可以实时反映压实度,在压实过程中会发生实时变化,如压路机控制参数和传感参数等。
2.构建压实数据管理平台(后称数据平台)。数据平台具有导入,导出,可优化,可修改,可调用等功能。所述压实度计算模型所用数据来源为数据平台,压实施工完成后的数据存储并上传至数据管理平台,数据平台不断利用逐渐扩展的数据,对所述压实度计算模型进行优化和更新。数据平台可便捷地将最新模型调用到压路机压实控制***中。
3.实时压实度计算。根据所述数据平台获取历史数据,训练压实度计算模型,将训练好的压实度计算模型调入到压路机控制***中,在压路机工作之前,将测得的压实前填筑体参数输入到压路机控制***所调入的压实度计算模型之中,结合压实过程中收集得到的压路机控制参数和传感参数,实时反馈压实度。
本发明构建了一种利用神经网络实时显示压实度的方法,可用于智能压实的前端,提供稳定的状况参数以指导智能压实的控制反馈。如图1所示,该监测方法所用***,包括高速公路压实过程中的三个组成部分:压路机、数据平台和填筑体;所述压路机中具有记录仪、显示屏、手动输入平台和传感器、控制***等;数据平台包括数据库、计算中心;数据平台可以为中央服务器等,压路机中的显示屏为液晶显示屏等,手动输入平台可以为鼠标、垫盘,连接压路机控制***,手动输入平台的输入的参数进入压路机控制***中当前调用的压实度计算模型中;记录仪可以为存储设备,将压路机工作时传感器获得的各项数据、压力机控制参数、填筑体参数及模型计算的实时目标值短暂存储,同时记录当前施工路段的最终抽检的真实压实度数据及对应的三类参数的数据作为训练用的历史数据,给到数据库;传感器为温度传感器和加速度传感器,连接压路机控制***。
图1中各序号为各组成部分间的相互关系。
部分1.数据平台包括数据库和计算中心,数据库能导出数据,传输给计算中心。对应图1中序号1
数据库用于采集数据,存储数据,简单的数据处理,是作为计算中心的数据来源,也是每一次压实结束后数据的接受处。数据库收集来自各种高速公路的压实相关的历史数据并进行存储,神经网络所输入的特征值部分包含不同高速公路之间的信息差异,数据库的数据给到计算中心,能够实现不同高速公路之间的数据可以共享和交互。
数据库的形式须与计算中心所需要的信息对口,即按照计算中心所需要的数据和形式进行采集,须保持参数种类和参数样式一致,即计算中心利用神经网络建立压实度计算模型计算压实度,需要按照图2的参数种类收集数据获得特征值和目标值,需要按照统一单位,统一格式和计算中心接口需求的文本类型获取数据。其中包含填筑体参数:1.各个高速公路的骨料级配,将骨料级配按照d10-d100进行统计(其中dη为相当于小于某粒径土重累计百分含量为η%对应的粒径),看作十个特征值。2.对应高速公路水稳层的胶砂比。3.高速公路填筑体材料的含水率。4.高速公路填筑体材料的孔隙率。对于有填筑体参数差异的桩号段,数据按照桩号段分别采集,否则按照整条道路统一采集,存储。
包含压路机控制参数:1.压路机预摊铺厚度,对于压实前的压实方案中的预计摊铺厚度。2.压路机预振动频率,一般分为两种状态:大振和小振,数据采集方法标记分别为“0”和“1”。对于压实振动方案有差异(差异对应的是摊铺厚度和振动频率的改变)的桩号段,数据按照桩号段分别采集,否则按照整条道路统计采集,存储。3.压路机行驶方向,行驶方向划分前进为正,数据采集方法标记为“1”,后退为负,数据采集方法标记为“0”。4.压路机行驶速度,在压实过程中实时测得的压路机行驶速度,为单位相统一的连续型变量。
包含实时传感参数:1.压路机压实温度,包含在各个测点测得的压实温度。2.智能压实测量值(ICMV),是压实过程中振动响应的表征量,由压路机振动加速度振动波处理后的统计计量。如可用压实度测量值(CMV)、压实控制测量值(CCV)、压实跳动值(BV)等进行表示。
本实施例中采用CMV值作为振动响应指标,即ICMV采用CMV进行表征,计算方法为:
CMV=CA2Ω/A1Ω
其中A1Ω、A2Ω为加速度信号进行低通滤波处理后的基振幅值和二次谐波幅值;C为常数。
包含直接压实计量指标(能够表征压实的力学性能指标),为能够表征填筑体压实后填筑体力学性能的参数,如可选择压实度、弹性模量等。本实施例采用压实度作为压实力学指标的表征参数。在历史数据进行特征存储时,由于传感参数的两种参数均属于连续测量值,真实的压实度属于事后抽检获得的指标值,进行神经网络训练用的传感参数特征值和压实度目标值的计量单位必须保证一致,因此根据真实的压实度的采集计量单位来获得传感参数特征值的计量单位,若计量单位不对应,则需要对温度和传感参数做区间处理。如每一百米获得压实度实测值,则根据压路机压实过程记录的实时位置,定位与压实度测点对应的传感参数,计量单位仍为百米;若测的是单点桩号压实度,则传感参数的计量单位应统一为单各桩号点。以上实时传感参数若有缺项,可将缺项参数变为固有参数(固有参数为计算模型特征值中不发生变化的参数,相对的传感参数为压实过程中一直在变化的参数,若某些传感参数无法获取,可将其变为统一常量,输入神经网络),与其他参数对应时变为统一值。
包含GPS位置信息,(位置信息不作为特征值,但是需要采集位置信息,由位置信息将特征值和目标值对应起来,如桩号K2+000的传感参数,压路机控制参数对应该桩号点的压实度。)为各项数据采集时所对应的位置信息,也是将各类数据匹配成组的依据。
因此数据库具有导出数据功能,将历史数据按照计算中心需要的固定形式导入至计算中心。
计算中心能利用导入数据训练神经网络
该过程需要构建神经网络框架,将数据库中导入的数据进行处理并训练神经网络模型,最后优化神经网络模型,得到可用于压实度显示的压实度计算模型。
1)构建神经网络框架
如图2所示,神经网络的特征值包括前述的填筑体参数,压路机控制参数和传感参数。填筑体参数包括:级配,胶砂比,含水率和孔隙率。压路机控制参数包括:摊铺厚度,振动频率,行驶速度和行驶方向。传感参数包括:压实温度和ICMV。目标值为压实度。
神经网络采用长短期记忆神经网络(LSTM-NN)和BP神经网络(BP-NN)混合的网络结构,包括输入层,隐含层和输出层,隐含层包括一个LSTM层和多个BP层。LSTM层表征压实度的相近区域协同的特性,BP表征静态预测的非线性特性。为了防止BP层过多导致的陷入代价函数局部最小值的困境,在LSTM层与BP层之间添加神经元丢弃层(Dropout层),同时对各隐含层进行权重正则化和偏置正则化,保证混合神经网路的泛化能力。
2)训练神经网络
在获取数据库数据后,对数据进行处理,包括:噪声值剔除,空缺值插值处理。在得到可用数据集后,使用多层验证方法进行训练集、测试集和验证集的划分。多层验证方法即验证集包含多个数据子集,每一个数据子集需要包含各项特征值分别有差异的数据组合(每个数据子集为仅一个特征值不同其他特征值相同的一系列数据组合,或者每个数据子集为一类特征值不同其他类特征值相同的一系列数据组合),例如子集一的数据为填筑体参数均相同的同一高速公路但压路机设置参数不同的数据,子集二的数据为压路机参数均相同但碾压不同性质填筑体的数据,子集三为不同高速公路的数据等。该方法可以有效避免神经网络适用场景狭窄的弊端。训练集和测试集不包含验证集的同种类型数据,训练集和验证集按照0.8:0.2的比例进行横向划分。再将数据按照特征值和目标值进行竖向划分。
训练神经网络,利用网格搜索的方法优化神经网络。神经网络训练过程中需要人工设定的参数为超参数,本发明包含的超参数为:学***均划分训练集,划分份数为折数,取多折数据训练得到精度的平均数作为这一组合超参数下的精度,选择误差最小的一组超参数;最终得到要求精度控制后的神经网络。
3)保存模型,嵌入压路机
训练好神经网络即为压实度计算模型,将压实度计算模型保存在编程环境中,作为备份。同时将压实度计算模型作为子***调用至压路机的控制***中,并将子***的前端连接压路机的传感器和手动输入平台,将子***的终端连接至压路机的显示屏。
因此,计算中心有写入,计算、优化和调用功能。
部分2.压路机的工作环境
压路机包含传感器,显示屏和记录仪。传感器在压实过程中接受传感信息,对应图1中的序号4,其中包括温度传感器实时采集填筑体温度数据,加速度传感器实时采集加速度信息,加速度信息处理转换为ICMV值,将采集后的信息整理成数据组传递给计算中心,对应图1的序号5。计算中心还接受压路机控制参数和填筑体参数,对应图1序号2和序号3,通过已经训练优化完成的神经网络,连续不断地计算出压实过程中的实时压实度。计算中心将神经网络模型(压实度计算模型)调至压路机控制***,对应图1序号6,显示屏可接受来自调至压路机控制***的模型的计算结果数据,同时显示屏具有可视化功能,可将当前区域压实度实时显示,并经过处理,可视成像。压路机接受到压实度计算模型根据当前情况预测的实时压实度信息,根据当前压实状态,反馈至压路机的控制***,用于后期实时调整压实的各项控制参数(属于智能压实范畴,本发明不做探讨),对应图1序号7。记录仪为暂时存储数据信息的部分,将压路机工作过程中的每一时刻的传感器获得的各项数据、压路机控制参数、填筑体参数、模型预测的每个时刻的压实度数据对应进行短暂存储,将瞬时数据也上传至数据库,按照桩号段或整条高速路进行相应存储,便于后期追溯压实过程中的瞬态数据;压实后进行抽检,将抽检结果通过手动输入平台输入并存储在记录仪中,抽检的压实度数据和该段对应的区间实时参数和固有参数作为整体上传至数据库,作为模型训练的新的历史数据。因此记录仪可以记录压路机控制参数、填筑体参数和传感参数,对于后期抽检的压实度值,一同传递给数据库,数据库接受数据,对应图1序号8。
部分3.各部分的功能以及相互关系
数据平台具有数据导入,存储,修改,计算,调用,导出,可视化等功能。可将压实过程中需要用到的数据按照要求(记录仪记录的压实数据和压实后抽检数据导入数据平台,数据平台允许有导入数据接口)导入至数据库,数据库完成前期的数据处理工作,包括数据清洗,无量纲化,维度统一,数据增强,降维等(数据处理方法都是固定的,利用代码编程就能实现)。可将获得数据按照一定方式(为压实度计算模型可接受的方式,例如计算模型的接口需求为表格形式,类型要求为浮点型,则需要将特征值和目标值纵向排列,加上索引,数据类型设置为浮点型。)进行存储,存储位置可查找,可修改。计算中心在一定的施工环境下,将神经网络模型调入压路机控制***中,压路机利用神经网络模型可以对数据进行实时计算,获取当前状态下的压实度。同时计算中心可以将基于神经网络的压实度计算模型调用至压路机的压实控制***中,作为前端指导整个压实过程。数据库中的数据可随时导出,以用作质量评估和高速公路的养护期间的数据追溯(数据库中数据在存储是是按照高速公路桩号段进行的存储,数据导出时也标记了数据所对应的高速公路、时间等,方便追溯)。
压路机具有手动输入,信息采集,计算,显示,数据记录,上传等功能。在压实之前,可根据压路机预施工方案和填筑体状态手动输入参数值,在压实过程中,实时采集传感信号转化为参数值,根据数据平台调用的基于神经网络的压实度计算模型进行实时计算,显示在显示屏中。最后将压实过程的数据,连同压实过后抽检的实际压实度数据上传至数据平台(本次压实结束后会将本次压实的数据再利用,上传至数据平台,模型会再次更新训练,完成模型的自我修正,用于下个高速路段的施工),形成数据流动的闭环传输。
本发明对于本次压实施工,具体的操作流程见图3。
步骤1.抽取历史数据训练神经网络,获得训练后的压实度计算模型,神经网络的各项超参数和权重值此时固定不可变;
步骤2.压实前采集填筑体参数,输入至压实度计算模型(模型的特征值包含了填筑体参数,压路机控制参数和传感参数),在压实过程中将当前传感参数和压路机控制参数,输入至压实度计算模型,得到当前压实度;
步骤3.将当前压实度显示于压路机显示屏,根据当前该路段的压实度与规范指标对照判断此时压路机是否压实结束;若没有结束,将当前压实过程中采集到的数据输入神经网络模型重新计算,并显示,得到压实度的连续值;
步骤4.当所压实路段的压实度均达到规范指标要求,结束压实;将压实后的抽检结果作为压实度真实值上传至数据库,同时将该压实度真实值所对应的特征值一同上传至数据库作为训练用的历史数据。
本实施例采用压实度作为压实力学指标的表征参数,在进行模型训练时所输入的传感参数和压实度的计量单位必须保证一致,实际获得的实时传感参数的两类参数均属于连续测量值,压实度属于事后抽检获得的指标值,因此根据压实度的采集计量单位来获得训练时所输入的传感参数的计量单位。如每一百米获得压实度实测值,则根据压路机压实过程记录的实时位置,定位与压实度测点对应的传感参数,对温度和传感参数做区间处理,计量单位仍为百米;若测的是单点桩号压实度,则训练时所输入的传感参数的计量单位应统一为单各桩号点。以上传感参数若有缺项,可将缺项参数变为固有参数(固有参数为计算模型特征值中不发生变化的参数,相对的传感参数为压实过程中一直在变化的参数,若某些传感参数无法获取,可将其变为统一常量,输入神经网络),与其他参数对应时变为统一值。
步骤5.数据库导入数据,计算中心将新上传的数据累加至历史数据,再次训练压实度计算模型,实现模型的自我更新和数据的再利用。
本发明方法中考虑多种因素,神经网络考虑的特征值包含种类全面,包含了表征施工场景的填筑体参数和压路机控制参数,传感参数,验证集采用的是多层验证方法,能对动态压实过程进行压实度的实时显示,使其能应用于各种场景,不需要提前对新的场景提前进行标段即可使用,提高压实控制的精度。同时数据平台接纳各种应用场景的各种数据,数据多且全面,每次施工的数据会再次利用传至数据平台,对神经网络进行自修正更新,使得方法具有普适性。
本发明未述及之处适用于现有技术。
Claims (7)
1.一种基于人工神经网络的高速公路压实度实时监测方法,该方法包括以下内容:
1)利用神经网络建立压实度计算模型:
神经网络的输入考虑到三个方面的影响因素:压路机控制参数,压实前填筑体参数和传感器获取参数,所述压路机控制参数和所述压实前填筑体参数表征了所处场景和所利用压路机的差异信息,以应对不同的应用环境;所述传感器获取参数反映了压实过程中的压实状况信息;神经网络的输出为能够表征压实的力学性能指标,
利用神经网络建立上述三个方面的影响因素与能够表征压实的力学性能指标之间的相关性分析模型,也就是压实度计算模型;
2)构建压实数据平台:
数据平台具有导入、导出、可优化、可修改、可调用功能;所述压实度计算模型所用数据来源为数据平台,压实施工完成后的数据存储并上传至数据平台,数据平台不断利用逐渐扩展的数据,对所述压实度计算模型进行优化和更新;数据平台将最新压实度计算模型调用到压路机控制***中;
3)实时压实度计算:
根据所述数据平台获取历史数据,训练压实度计算模型,将训练好的压实度计算模型调入到压路机控制***中,在压路机工作之前,将测得的压实前填筑体参数和压路机控制参数输入到压路机控制***所调入的压实度计算模型之中,结合压实过程中收集得到的压路机控制参数和传感器获取参数,实时反馈压实度。
2.根据权利要求1所述的监测方法,其特征在于,数据平台中数据的参数种类和数据样式规则是:
填筑体参数:(1)各个高速公路的骨料级配,将骨料级配按照d10-d100进行统计(其中dη为相当于小于某粒径土重累计百分含量为η%对应的粒径),看作十个特征值;(2)对应高速公路水稳层的胶砂比;(3)高速公路填筑体材料的含水率;(4)高速公路填筑体材料的孔隙率;(5)对于有填筑体参数差异的桩号段,数据按照桩号段分别采集,否则按照整条道路统一采集,存储;
压路机控制参数:(1)压路机预摊铺厚度,对于压实前的压实方案中的预计摊铺厚度;(2)压路机预振动频率,分为两种状态:大振和小振,数据采集方法标记分别为“0”和“1”;对于压实振动方案有差异(差异对应的是摊铺厚度和振动频率的改变)的桩号段,数据按照桩号段分别采集,否则按照整条道路统计采集,存储;(3)压路机行驶方向,行驶方向划分前进为正,数据采集方式标记为“1”,后退为负,数据采集方式标记为“0”;(4)压路机行驶速度,在压实过程中实时测得的压路机行驶速度,为单位相统一的连续型变量;
传感器获取参数:(1)压路机压实温度,包含在各个测点测得的压实温度;(2)智能压实测量值ICMV,是压实过程中振动响应的表征量,由压路机振动加速度振动波处理后的统计计量,包括压实度测量值(CMV)、压实控制测量值(CCV)、压实跳动值(BV)中的至少一种;传感器获取参数的两种参数均属于连续测量值,
能够表征压实的力学性能指标,包括压实度、弹性模量中的至少一种;用于模型训练的传感器获取参数和真实的压实度的计量单位必须保证一致,真实的压实度属于事后抽检获得的指标值,因此根据真实的压实度的采集计量单位来获得用于模型训练的传感器获取参数的计量单位;用于模型训练的传感器获取参数若有缺项,将缺项参数变为固有参数,与其他参数对应时变为统一值;
GPS位置信息,为各项数据采集时所对应的位置信息,也是将各类数据匹配成组的依据。
3.根据权利要求1所述的监测方法,其特征在于,所述神经网络采用长短期记忆神经网络(LSTM-NN)和BP神经网络(BP-NN)混合的网络结构,包括输入层、隐含层和输出层,隐含层包括一个LSTM层和多个BP层;LSTM层表征压实度的相近区域协同的特性,BP表征静态预测的非线性特性;为了防止BP层过多导致的陷入代价函数局部最小值的困境,在LSTM层与BP层之间添加神经元丢弃层(Dropout层),同时对各隐含层进行权重正则化和偏置正则化,保证混合神经网路的泛化能力。
4.根据权利要求3所述的监测方法,其特征在于,根据所述数据平台获取历史数据,训练压实度计算模型的过程是:
在获取高速公路压实相关的历史数据后,对数据进行处理,包括:噪声值剔除、空缺值插值处理,得到数据集,然后使用多层验证方法进行训练集、测试集和验证集的划分;
多层验证方法即验证集包含多个数据子集,每一个数据子集需要包含各项特征值分别有差异的数据组合,即每个数据子集为仅一个特征值不同其他特征值相同的一系列数据组合,或者每个数据子集为一类特征值不同其他类特征值相同的一系列数据组合;训练集和验证集按照0.8:0.2的比例进行横向划分,再将数据按照特征值和目标值进行竖向划分;
最后利用网格搜索的方法优化神经网络,得到训练后的压实度计算模型;
将训练后的压实度计算模型保存在编程环境中,作为备份,同时将训练后的压实度计算模型作为子***调用至压路机的控制***中,并将子***的前端连接压路机的传感器和手动输入平台,将子***的终端连接至压路机的显示屏。
5.根据权利要求1-4任一所述的监测方法,其特征在于,该监测方法的施工过程是:
步骤1.抽取历史数据训练神经网络,获得训练后的压实度计算模型,神经网络的各项超参数和权重值此时固定不可变;
步骤2.压实前采集填筑体参数,输入至压实度计算模型,在压实过程中将当前压实传感器获取参数和压路机控制参数,输入至压实度计算模型,得到当前压实度;
步骤3.将当前压实度显示于压路机显示屏,根据当前该路段的压实度与规范指标对照判断此时压路机是否压实结束;若没有结束,将当前压实过程中采集到的数据输入神经网络模型重新计算,并显示,得到压实度的连续值;
步骤4.当所压实路段的压实度均达到规范指标要求,结束压实;将压实后的抽检结果作为压实度真实值上传至数据库,同时将该压实度真实值所对应的特征值一同上传至数据库;
步骤5.数据库导入数据,计算中心将新上传的数据累加至历史数据,再次训练压实度计算模型,实现模型的自我更新和数据的再利用。
6.一种权利要求1所述的监测方法所用***,其特征在于:包括压路机、数据平台和填筑体;所述压路机中具有记录仪、显示屏、手动输入平台和传感器;数据平台包括数据库、计算中心;
数据库用来收集各高速公路压实相关的历史数据并进行存储,是作为计算中心的数据来源,也是每一次压实结束后数据的接受处;
计算中心能利用导入数据训练神经网络,最后优化神经网络模型,得到能用于压实度显示的压实度计算模型;同时计算中心能将压实度计算模型调用至压路机控制***中,作为前端指导整个压实过程;计算中心还接受压路机控制参数和填筑体参数;
传感器在压实过程中接受实时传感信息,包括温度传感器实时采集温度数据,加速度传感器实时采集加速度信息,将采集后的信息整理成数据组传递给计算中心;
显示屏接受来自计算中心的计算结果数据,同时能将当前区域压实度实时显示,并可视成像;
记录仪用于暂时存储数据信息,将压路机工作时传感器获得的各项数据、压力机控制参数、填筑体参数及模型计算的实时目标值短暂存储,协同最后抽检的压实度数据一并上传至数据平台。
7.根据权利要求1所述的监测方法,其特征在于,该监测方法用于智能压实的前端,提供稳定的状况参数以指导智能压实的控制反馈,数据库中的数据能随时导出,以用作质量评估和高速公路的养护期间的数据追溯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103702.4A CN112252292B (zh) | 2020-10-15 | 2020-10-15 | 一种基于人工神经网络的高速公路压实度实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103702.4A CN112252292B (zh) | 2020-10-15 | 2020-10-15 | 一种基于人工神经网络的高速公路压实度实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112252292A true CN112252292A (zh) | 2021-01-22 |
CN112252292B CN112252292B (zh) | 2021-05-28 |
Family
ID=74243444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103702.4A Active CN112252292B (zh) | 2020-10-15 | 2020-10-15 | 一种基于人工神经网络的高速公路压实度实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112252292B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734305A (zh) * | 2021-02-24 | 2021-04-30 | 西南交通大学 | 一种路基压实质量评判方法、装置、设备及可读存储介质 |
CN112862200A (zh) * | 2021-02-20 | 2021-05-28 | 河北工业大学 | 一种高速公路施工质量全过程智能反馈优化方法 |
CN112985608A (zh) * | 2021-02-01 | 2021-06-18 | 河北工业大学 | 一种沥青运料过程温度监测方法及*** |
CN113063930A (zh) * | 2021-03-22 | 2021-07-02 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN113129283A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于数字图像的填料级配智能检测压实控制方法 |
CN113174918A (zh) * | 2021-04-14 | 2021-07-27 | 中交四航工程研究院有限公司 | 一种路基横向压实度与均匀度的检测方法 |
CN113534667A (zh) * | 2021-07-30 | 2021-10-22 | 清华大学 | 堆石料振动压实参数的调节方法及装置 |
CN113821861A (zh) * | 2021-10-14 | 2021-12-21 | 北京壹陆科技发展有限公司 | 一种基于多元回归的路基路面压实质量测量方法和*** |
CN114323853A (zh) * | 2021-12-27 | 2022-04-12 | 广州城投路桥工程有限公司 | 一种基于决策树模型的沥青路面压实度智能监测方法 |
CN114493291A (zh) * | 2022-01-28 | 2022-05-13 | 中铁北京工程局集团有限公司 | 一种高填方质量智能检测方法及*** |
CN115034697A (zh) * | 2022-08-12 | 2022-09-09 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及*** |
CN116383697A (zh) * | 2023-03-29 | 2023-07-04 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN118186862A (zh) * | 2024-05-16 | 2024-06-14 | 中南大学 | 一种基于bp神经网络的连续压实质量检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289716A (zh) * | 2011-06-18 | 2011-12-21 | 合肥工业大学 | 智能压路机最佳工作参数的神经网络建模方法 |
US20180000339A1 (en) * | 2016-06-29 | 2018-01-04 | Ace Vision Group, Inc. | System and methods using real-time predictive virtual 3d eye finite element modeling for simulation of ocular structure biomechanics |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN109356003A (zh) * | 2018-09-18 | 2019-02-19 | 北京龙马智行科技有限公司 | 一种路基路面智能碾压*** |
CN109468918A (zh) * | 2018-10-31 | 2019-03-15 | 北京龙马智行科技有限公司 | 一种路基路面智能压实决策*** |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN109919481A (zh) * | 2019-03-01 | 2019-06-21 | 河海大学 | 一种碾压混凝土压实度多参数联合实时评价方法 |
US20190204296A1 (en) * | 2016-08-18 | 2019-07-04 | The Regents Of The University Of California | Nanopore sequencing base calling |
CN110453572A (zh) * | 2019-07-30 | 2019-11-15 | 阳光学院 | 电控智能液压振动压路机***及其控制方法 |
CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
CN111707265A (zh) * | 2020-06-02 | 2020-09-25 | 天津大学 | 一种基于压实质量评价的补碾路径规划***及方法 |
-
2020
- 2020-10-15 CN CN202011103702.4A patent/CN112252292B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289716A (zh) * | 2011-06-18 | 2011-12-21 | 合肥工业大学 | 智能压路机最佳工作参数的神经网络建模方法 |
US20180000339A1 (en) * | 2016-06-29 | 2018-01-04 | Ace Vision Group, Inc. | System and methods using real-time predictive virtual 3d eye finite element modeling for simulation of ocular structure biomechanics |
US20190204296A1 (en) * | 2016-08-18 | 2019-07-04 | The Regents Of The University Of California | Nanopore sequencing base calling |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN109356003A (zh) * | 2018-09-18 | 2019-02-19 | 北京龙马智行科技有限公司 | 一种路基路面智能碾压*** |
CN109468918A (zh) * | 2018-10-31 | 2019-03-15 | 北京龙马智行科技有限公司 | 一种路基路面智能压实决策*** |
CN109783988A (zh) * | 2019-03-01 | 2019-05-21 | 中国水利水电第七工程局有限公司 | 一种基于ga-bp网络的碾压混凝土压实度评价方法 |
CN109919481A (zh) * | 2019-03-01 | 2019-06-21 | 河海大学 | 一种碾压混凝土压实度多参数联合实时评价方法 |
CN110453572A (zh) * | 2019-07-30 | 2019-11-15 | 阳光学院 | 电控智能液压振动压路机***及其控制方法 |
CN111105332A (zh) * | 2019-12-19 | 2020-05-05 | 河北工业大学 | 一种基于人工神经网络的高速公路智能预养护方法及*** |
CN111707265A (zh) * | 2020-06-02 | 2020-09-25 | 天津大学 | 一种基于压实质量评价的补碾路径规划***及方法 |
Non-Patent Citations (1)
Title |
---|
郑祥等: "碾压混凝土施工热层实时压实度监控模型应用研究", 《人民长江》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985608A (zh) * | 2021-02-01 | 2021-06-18 | 河北工业大学 | 一种沥青运料过程温度监测方法及*** |
CN112862200A (zh) * | 2021-02-20 | 2021-05-28 | 河北工业大学 | 一种高速公路施工质量全过程智能反馈优化方法 |
CN112862200B (zh) * | 2021-02-20 | 2022-08-02 | 河北工业大学 | 一种高速公路施工质量全过程智能反馈优化方法 |
CN112734305A (zh) * | 2021-02-24 | 2021-04-30 | 西南交通大学 | 一种路基压实质量评判方法、装置、设备及可读存储介质 |
CN113063930A (zh) * | 2021-03-22 | 2021-07-02 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN113063930B (zh) * | 2021-03-22 | 2024-01-23 | 上海建工建材科技集团股份有限公司 | 一种基于神经网络的3d打印混凝土力学性能在线监测方法 |
CN113174918B (zh) * | 2021-04-14 | 2022-07-15 | 中交四航工程研究院有限公司 | 一种路基横向压实度与均匀度的检测方法 |
CN113174918A (zh) * | 2021-04-14 | 2021-07-27 | 中交四航工程研究院有限公司 | 一种路基横向压实度与均匀度的检测方法 |
CN113129283A (zh) * | 2021-04-19 | 2021-07-16 | 河北工业大学 | 一种基于数字图像的填料级配智能检测压实控制方法 |
CN113129283B (zh) * | 2021-04-19 | 2022-11-29 | 河北工业大学 | 一种基于数字图像的填料级配智能检测压实控制方法 |
CN113534667A (zh) * | 2021-07-30 | 2021-10-22 | 清华大学 | 堆石料振动压实参数的调节方法及装置 |
CN113821861A (zh) * | 2021-10-14 | 2021-12-21 | 北京壹陆科技发展有限公司 | 一种基于多元回归的路基路面压实质量测量方法和*** |
CN114323853A (zh) * | 2021-12-27 | 2022-04-12 | 广州城投路桥工程有限公司 | 一种基于决策树模型的沥青路面压实度智能监测方法 |
CN114493291A (zh) * | 2022-01-28 | 2022-05-13 | 中铁北京工程局集团有限公司 | 一种高填方质量智能检测方法及*** |
CN115034697A (zh) * | 2022-08-12 | 2022-09-09 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及*** |
CN115034697B (zh) * | 2022-08-12 | 2022-11-08 | 河北工业大学 | 基于多域分析的多元智能压实指标分级优选方法及*** |
CN116383697A (zh) * | 2023-03-29 | 2023-07-04 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN116383697B (zh) * | 2023-03-29 | 2024-02-06 | 四川省交通建设集团有限责任公司 | 一种基于双门控循环网络的沥青路面压实程度预测方法 |
CN118186862A (zh) * | 2024-05-16 | 2024-06-14 | 中南大学 | 一种基于bp神经网络的连续压实质量检测方法 |
CN118186862B (zh) * | 2024-05-16 | 2024-07-12 | 中南大学 | 一种基于bp神经网络的连续压实质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112252292B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112252292B (zh) | 一种基于人工神经网络的高速公路压实度实时监测方法 | |
Xu et al. | Adaptive quality control and acceptance of pavement material density for intelligent road construction | |
CN110276160B (zh) | 一种平原区土壤有机碳三维空间分布模拟方法 | |
Tozer et al. | On the uncertainties associated with using gridded rainfall data as a proxy for observed | |
CN109468918B (zh) | 一种路基路面智能压实决策*** | |
CN109753745B (zh) | 一种基于bim及物联网技术的道路检测及评估方法 | |
CN115034697B (zh) | 基于多域分析的多元智能压实指标分级优选方法及*** | |
CN109584510A (zh) | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 | |
CN111444560B (zh) | 考虑下垫面影响的高填方压实质量实时评价方法 | |
CN108396723A (zh) | 一种公路路基压实质量快速检测方法 | |
CN109919481A (zh) | 一种碾压混凝土压实度多参数联合实时评价方法 | |
Xu et al. | The pioneer of intelligent construction—An overview of the development of intelligent compaction | |
CN113640175A (zh) | 土石坝料压实质量评价方法 | |
CN118186862B (zh) | 一种基于bp神经网络的连续压实质量检测方法 | |
CN113470008B (zh) | 一种智能监控沥青路面施工质量的方法及*** | |
CN108867283A (zh) | 用于路基填筑压实的在役质量检测方法 | |
CN113821861A (zh) | 一种基于多元回归的路基路面压实质量测量方法和*** | |
CN116430739B (zh) | 一种基于数字孪生技术的全过程智慧压实***及管控方法 | |
CN116878432A (zh) | 一种公路采空区充填后的覆岩移动变形监测*** | |
CN117351262A (zh) | 一种基于神经网络的压路机施工控制方法 | |
JP6965489B2 (ja) | 転圧回数予測システム、及び転圧方法 | |
Karakikes et al. | Evaluation of freight measures by integrating simulation tools: The case of Volos Port, Greece | |
CN114819506A (zh) | 一种路基分层压实质量在线智能管控平台及方法 | |
Ksaibati et al. | Utilizing the Long-term Pavement Performance Database in Evaluating the Effectiveness of Pavement Smoothness | |
Abdelmuhsen et al. | On the variants of SVM method for the estimation of soil elastic modulus from TSD model: Numerical parametric study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |